DRC-ACM:一种精确的基于解析中心的分类器

ACM是一种基于版本空间(version space)解析中心的分类器，它具有较好的泛化性能．但是由于冗余约束的存在，使得ACM分类器的解偏离主版本空间(prime version space)解析中心，从而降低了分类器的泛化性能，同时冗余约束还将降低分类器的分类速度和存储效率．针对上述问题，提出了一种冗余约束增量约简算法，同时将增量约简算法与ACM分类器的算法结合起来，形成了一种去冗余约束的精确的ACM分类器(DRC-ACM)．通过对Heart，Thyroid，Banana数据集的实验，证明DRC-ACM分类器是有效的．     

基于压缩感知理论的图像融合方法

基于压缩感知(Compressed Sensing,CS)理论,提出了一种采样点少且结构简单易实现的图像融合方法。对需要处理的两幅或多幅图像进行小波变换,分别对得到的小波系数进行稀疏处理得到稀疏矩阵,通过系数绝对值较大法进行融合,对融合后的系数矩阵通过随机观测获取压缩采样,而图像恢复则是对得到的压缩采样通过求解最优化的问题得到。由于对小波系数进行了稀疏处理,故该方法可以用少量的采样点来恢复图像。实验结果表明,在相同采样点下,该方法得到的图像质量(PSNR)明显优于传统的系数绝对值较大法融合;在少量采样点下,采用该方法也可以使融合的图像达到较好的效果。     

基于压缩感知的无线传感器网络的数据编码

近年来,基于压缩感知的无线传感器网络数据编码的研究取得了一定的进展,但大部分研究是基于"单跳"的传输模型或者没有考虑网络内节点之间的合作。本文提出了一种基于压缩感知和分簇的传感器网络数据编码方法。首先,节点根据自己的编号伪随机的产生一个M维的列向量,把感知的数据xi投影到此向量上,然后把自己的编号和投影的数据一同传输给簇头。簇头把收到的数据进行求和,并且把计算后的结果传送给下一个簇头,直到sink节点。通过仿真实验和理论分析,验证了本文提出的方法比传统的方法能更好地减少网络内数据传输量。     

基于信任域的移动adhoc网络信任模型研究

详细阐述了基于信任域的信任模型策略分析、模型的基本设计思想、模型中的数据结构,探讨了保障簇代理安全性的措施,研究了计算机信任值及修正信任值的方法。     

一种基于支撑向量回归与博弈论的移动位置跟踪算法

非视距传输造成测距严重有偏,从而使得位置估计误差显著增加.将定位问题嵌入到机器学习框架,并通过引入博弈理论对位置估计进行平滑来实现移动位置跟踪.由于将观测作为射频特征,而不是实际距离的度量,因此能够大大减轻非视距传输对位置估计性能的影响,同时在平滑过程中,将噪声建模为估计子的对手,通过微分博弈理论来实现平滑,并与卡尔曼滤波平滑进行了比较.仿真实验表明,方法具有更好的位置估计性能,特别是在非视距环境下其效果更为明显.     

新颖的OVSF-TH-UWB通信系统

提出了一种基于OVSF码的混合OVSF-TH-UWB通信系统,并设计了相应的接收机相关掩模.通过性能分析和仿真实验表明,OVSF-TH-UWB系统能有效地提高其抗加性高斯白噪声性能以及抗多用户干扰能力,而且其性能优于2PPM-TH以及DS-UWB.     

信息共享系统的防火墙穿透技术的研究与实现

目前的信息共享系统普遍存在着对内网终端的防火墙穿透问题。针对这个问题．本文在现有的UDP穿透和TCP穿透两种方案基础上对实际应用中的各种可能传输情景进行分析,提出了一种UDP协调TCP穿透防火墙的技术,利用UDP作为控制信息的传输方式来实现TCP穿透防火墙,并给出了这一方法的实现--独立于应用的网络转接器XIPSwitch。该实现方法经进一步完善可解决现有信息共享系统对内网终端的防火墙穿透问题。     

基于混合核支持向量机的金融时间序列分析

核函数是支持向量机(SVM)的重要部分,它直接影响到SVM的各项性能。当前SVM在金融时间序列分析中,基本上采用高斯径向核函数(RBF),其次才是多项式核函数。然而,每种核函数都有它的优势和不足,整合两个或多个核函数对于学习能力和泛化能力的提高是一个有效的途径。采用高斯径向核函数与多项式核函数的混合核函数运用于金融时间序列预测中,且与其单个核函数的支持向量机的实验结果进行了比较。结果表明,混合核函数具有更好的性能。     

基于覆盖与连通的WSN节点调度算法

在维护区域覆盖和网络连通性的前提下,提出了一种基于最小跳数的分布式节点调度算法(MBNS)。距网关最小跳数相等的节点形成以网关为中心的最小跳数环,将网络划分为环状层次拓扑结构;每个节点根据其上行和下行节点维护了一条到网关节点的最短跳数路径,解决数据路由的同时有效降低了数据发送延迟。理论分析和仿真实验表明,MBNS能有效减少工作节点个数,降低数据发送延迟和延长网络寿命等。     

基于自学习稀疏表示的动态手势识别方法

针对加速度传感器的手势采集方式提出一种基于自学习稀疏表示的动态手势识别方法。该方法将分类识别问题转化为求解待识别样本对于训练样本的稀疏表示问题,直接对原始加速度信号进行操作,省去了特征提取过程,可方便地添加新的手势类别和删除已有的手势类别;利用面向类别的字典学习,来寻求一个较小的并经过优化的超完备字典来计算待识别样本的稀疏表示,从而大大缩减算法的计算复杂度,满足实时性要求。在包含18种手势的3 000多个样本的公开数据集上进行测试,实验结果验证了该方法的有效性。