排序方式: 共有47条查询结果,搜索用时 15 毫秒
1.
针对现有稀疏恢复算法在到达角(DOA)估计中存在的网格失配问题(即off-grid问题),提出基于连续稀疏恢复循环平稳信号的DOA估计。首先,对传统的谱相关信号子空间拟合算法进行分析研究;然后,在循环域利用连续稀疏恢复的思想来构造循环平稳信号的稀疏恢复模型。与传统Cyclic MUSIC算法和现有基于离散稀疏恢复算法相比,文中算法能够克服off-grid问题,具有较高的稀疏恢复精度和较好的稀疏恢复性能;同时,也适用于信号个数多于阵元个数的场合。理论分析和仿真实验证明了算法的有效性。 相似文献
2.
基于构造型神经网络运算复杂度低、构造直观方便、学习速度快、可解释性强的特点,提出一种跳频信号动态检测方法.首先从滑动窗口的数据流模型入手,采用适合增量学习的覆盖算法动态聚类,聚合相似度大的样本,分离相似度小的样本,降低了聚类复杂度,并减轻了噪声的影响,实现了覆盖簇的动态维护.然后在不同的覆盖簇中提取信号数据概要,构造数据结构数组,运用时频关联方法,排除数组中的定频信号、突发信号、随机噪声信号等,分离出了其中的跳频信号,实现了跳频信号的动态检测.实验结果表明该方法能快速、准确地动态检测跳频信号. 相似文献
3.
基于覆盖的构造性学习算法SLA及在股票预测中的应用 总被引:12,自引:0,他引:12
覆盖算法是神经网络学习算法中的一个十分有效的方法,它克服了基于搜索机制的学习方法和规划学习方法计算复杂性高,难以用于处理海量数据的不足,为神经网络提供一个构造性的学习方法,但该方法是建立在所有训练样本都是精确的假设上的,未考虑到所讨论的数据具有不精确的情况,若直接将该方法应用于数据不精确情况,所得到效果不理想.主要讨论数据具有不精确情况下的时间序列的预测问题,为此将原有的覆盖算法进行改进,引入“覆盖强度”和“拒识样本”的概念,并结合这些新概念给出相应的覆盖学习算法(简称SLA),最后将SLA算法,应用于金融股市的预测,具体应用到以上(海)证(券)综合指数构成的时间序列的预测,取得了较好的结果,这表明了SLA方法的可行性和应用前景。 相似文献
4.
5.
传统K-shell网络重要节点识别方法迭代时需网络全局拓扑信息,而且难以应用于动态网络。为解决该问题,提出基于邻域优先异步H运算的动态网络重要节点识别方法。首先,证明该算法收敛于Ks值,其次以各节点的度作为h指数初始值;然后,通过节点h指数排序和邻居节点h指数变化选择更新节点,同时针对动态网络节点的增减数目和最大度,修改h指数适应拓扑变化,直至算法收敛并找到重要节点。仿真实验结果表明,该方法通过邻居节点局部信息且以更高效率找到动态网络的重要节点,收敛时间在静态网络中较随机选择更新节点法与变化邻居选点法分别下降77.4%和28.3%,在网络拓扑变化后分别下降84.3%和38.8%。 相似文献
6.
短文本因具有特征信息不足且高维稀疏等特点,使得传统文本聚类算法应用于短文本聚类任务时性能有限。针对上述情况,提出一种结合上下文语义的短文本聚类算法。首先借鉴社会网络分析领域的中心性和权威性思想设计了一种结合上下文语义的特征词权重计算方法,在此基础上构建词条-文本矩阵;然后对该矩阵进行奇异值分解,进一步将原始特征词空间映射到低维的潜在语义空间;最后通过改进的K-means聚类算法在低维潜在语义空间完成短文本聚类。实验结果表明,与传统的基于词频及逆向文档频权重的文本聚类算法相比,该算法能有效改善短文本特征不足及高维稀疏性,提高了短文的本聚类效果。 相似文献
7.
分析短波波段复杂电磁环境下跳频信号检测存在的难点,并根据短波通信信号的特点,提出一种时间、频谱和幅度关联的检测方法,称之为时频幅三维关联法.文章主要结合商空间粒度分析理论,提出改进的覆盖聚类算法,并对截获的海量复杂数据进行预处理,消除了噪声,然后运用时频幅三维关联法,排除定频信号、突发信号等.实验结果说明该方法能够有效地检测出跳频信号,验证了方法的实效性. 相似文献
8.
9.
数据流聚类分析是数据流挖掘的重要手段之一.为满足数据流不断演化及高速处理的要求,提出一种领域覆盖的数据流聚类算法NCStream(Stream clustering algorithm based on Neighborhood Covering).该算法通过建立领域覆盖模型,详细定义和分析了数据流演化过程中覆盖簇调整、创建、删除和合并的行为操作,并同时对覆盖簇的聚类特征予以在线维护.与同类算法相比,NCStream算法无需事先指定聚类簇数,避免参数设置对聚类结果造成的影响,而且易于建立空间索引,因此能够更加有效地反映数据流的演化情况.实验采用无线电实际监测数据集构造数据流,实验结果表明NCStream算法在聚类形状、聚类质量以及处理时间方面具有更好的性能. 相似文献
10.
无线电通信中存在大量异常信号,搜索和发现这些信号在无线电监测中具有重要的意义,然而这些异常信号隐藏在“海量”的采集数据中,并伴有大量噪声,难以有效发现。文中分析了数据挖掘理论,应用了一种适用于无线电通信信号监测的数据挖掘技术,有效地剔除噪声,监测异常信号。实验证明这种方法是有效的。 相似文献