改进的KMSE方法及其实现

依据KMSE模型对应的特征空间中的鉴别矢量可表示为部分训练样本的线性组合这一理论前提,可利用回归分析中变量选择的思路对KMSE模型加以改进.在本文中为了提高KMSE的分类效率而发展出的基于最小平方误差准则的算法能大大提升KMSE模型的分类速度.实验结果显示该算法还能取得较优的分类性能.     

基于核的最小均方误差改进算法及其应用

传统基于核的最小均方误差(KMSE)算法在进行人脸识别时,需要求解多个方程,计算量较大。为此,提出一种用于多类识别的基于核的多元最小均方误差(KMSEMC)算法,该算法只需一个方程即可。在AR人脸库上的实验及数据分析表明,该算法在时间复杂度和识别率等方面计算量较小,在识别性能和计算时间上都优于同类传统算法。     

基于AAR模型的听觉诱发中潜伏期反应特征提取

针对听觉刺激诱发的脑干中潜伏期反应(MLR)信号的非平稳特性,采取计算其自适应自回归(AAR)模型系数的方法进行特征提取,实现不同注意状态的分类。首先对采集的MLR数据进行去噪预处理,然后结合相对误差方差(REV)准则分别进行卡尔曼滤波和最小均方误差自适应算法估计其AAR模型参数。利用支持向量机对两种估计方法的特征参数分别进行分类。最后根据最大互信息和分类结果进行比较,最小均方误差自适应算法估计AAR模型系数的分类正确率达到77.45%,最大互信息值为0.3011,其效果优于卡尔曼滤波算法。     

LTE下行基于时频二维信道估计算法性能分析

传统的信道估计算法只在单个域上进行,为了降低LTE下行系统中信道估计的复杂度,并提高信道估计器的性能,可以利用LTE下行的多载波OFDM系统的二维结构,对不同的算法在时域和频域分别进行估计.由此可以对传统信道估计算法先在频域上进行信道估计,然后再在时域上进行信道估计,这样的信道估计方式可以大大降低算法的复杂度,并优化估计器的性能.另外,经过时频二维信道估计后,不需要再进行插值计算.仿真结果表明,该算法性能优于传统的只在频域上进行信道估计的性能.     

基于卡尔曼最小均方误差准则的雷达旁瓣抑制研究及仿真

针对在现代雷达系统中强目标掩盖弱小目标,且只能将距离旁瓣抑制到一定值的问题,提出一种改进的卡尔曼-最小均方误差准则(K-MMSE)算法. 该方法将卡尔曼滤波与最小均方误差准则相融合,是一种有效抑制距离旁瓣的自适应脉冲压缩系统.仿真实验中,将提出的K-MMSE方法与传统匹配滤波、经过最小均方误差(MMSE)准则的匹配滤波算法进行单目标与多目标情况下的旁瓣抑制比较后发现,前者较后两者旁瓣水平及其点扩散函数(PSF)的峰值旁瓣比(PSLR)和积分旁瓣比(ISLR)均明显下降.仿真结果表明,该方法无论在单目标还是多目标情况下都能较传统的滤波算法更好地抑制旁瓣距离,有效地提取弱小目标信号.     

基于最小均方误差准则的自适应图像压缩编码算法

探讨了一种基于最小均方误差准则的自适应图像压缩编码算法（ＭＭＳＥＡＣＣ），该算法将最小均方误差ＢＴＣ、内插法和四叉树技术有机结合起来，根据图像的局部特性调节编码算法。仿真结果表明ＭＭＳＥＡＣＣ算法与Ｎａ－ｓｉｏｐｏｕｌｏｓＰ等提出的自适应算法相比，在相同的压缩倍数下，能得到更好的编码性能。     

FMT系统中基于最小均方误差法的滤波器组优化设计

基于滤波多音频(FMT)技术的系统结构,给出了系统中滤波器组的设计,针对系统的某些特定要求对滤波器组的设计方法进行了优化,并对无线信道中优化前后的系统性能进行了仿真实验比较。结果表明,滤波器组的优化设计改善了系统的性能。     

基于短时能量和最小相对均方误差准则的神经网络语音水印方法

针对传统最小均方误差（LMS）和最小二乘准则（RLS）的神经网络语音水印的局限性,提出了基于短时能量和最小相对均方误差（LRMS）准则的神经网络语音水印算法。首先在首帧语音中嵌入同步序列,然后求出每帧的短时能量并对大于设定阈值的语音帧进行小波变换,最后利用以LRMS准则构建的神经网络实现水印的嵌入和提取。通过合理设定短时能量阈值,实现了水印容量和鲁棒性的平衡,而采用Levenberg-Marguardt（LM）算法地让网络迅速收敛。理论分析和实验结果表明,与文献[8]相比,本文提出的神经网络方案收敛速度更快,对于噪声,低通滤波,重采样,重量化等攻击有更强的鲁棒性,性能平均提高了5%。     

改进的基于灰度均值分类的分形压缩编码匹配

基于传统的最小均方误差准则（MMSE）的灰度均值分类搜索方法,在有效改善分形图像压缩编码时间的同时使图像质量受到了限制。为了进一步提高图像质量,该文利用方差反映图像灰度变化这一特征,提出一种新的基于方差的误差准则,在MMSE准则的基础上,对编码得到的最佳匹配结果再进行改进。实验表明,在编码中引入该准则,解码后的图像拥有更高的峰值信噪比,而且编码时间并没有受到影响。     

基于四元数的电磁矢量传感器MMSE波束形成算法

为了提高电磁矢量传感器波束形成的抗干扰能力,根据四元数具有更强的正交约束的这一特性,故四元数能更好地描述电磁矢量传感器的正交结构;因此,首先建立了四元数电磁矢量传感器模型,在此模型基础上推导出四元数MMSE(最小均方误差)波束形成算法;对于复数和四元数两种算法而言,在同等低快拍数的情况下,基于四元数的MMSE波束形成算法比复数MMSE波束形成算法的输出信干噪比(SINR)大,而最小均方误差(MMSE)小;因此四元数方法响应速度快,滤波效果更好,抗干扰能力更强。仿真实验验证了算法有效性。     

最小平方误差算法的正则化核形式

最小平方误差算法是最常用的一种经典模式识别和回归分析方法,其目标是使线性函 数输出与期望输出的误差平方和为最小.该文应用满足Meteer条件的核函数和正则化技术,改 造经典的最小平方误差算法,提出了基于核函数和正则化技术的非线性最小平方误差算法,即 最小平方误差算法的正则化核形式,其目标函数包含基于核的非线性函数的输出与期望输出的 误差平方和,及一个适当的正则项.正则化技术可以处理病态问题,同时可以减小解空间和控制 解的推广性,文中采用了三种平方型的正则项,并且根据正则项的概率解释,详细比较了三种正 则项之间的差别.最后,用仿真资料和实际资料进一步分析算法的性能.     

Kernel clustering-based discriminant analysis

In this paper, a kernelized version of clustering-based discriminant analysis is proposed that we name KCDA. The main idea is to first map the original data into another high-dimensional space, and then to perform clustering-based discriminant analysis in the feature space. Kernel fuzzy c-means algorithm is used to do clustering for each class. A group of tests on two UCI standard benchmarks have been carried out that prove our proposed method is very promising.     

两阶段不定核支持向量机

近年来,在机器学习的各个领域出现了越来越多不定的度量核矩阵,使得不定核支持向量机(IKSVM)得到了广泛关注。但是,现有IKSVM算法通常不能较好地解决高维数据所带来的信息冗余和样本稀疏等问题。针对此研究现状,对现有主流的IKSVM算法进行了研究,并基于再生核Kre?n空间(RKKS)中对IKSVM问题的稳定化定义,从理论上证明了IKSVM问题的本质为不定核主成分分析(IKPCA)降维后空间中的支持向量机(SVM)问题,进一步地提出求解IKSVM问题的新型学习框架TP-IKSVM。TP-IKSVM通过将IKSVM问题的求解拆分为IKPCA和SVM两个阶段,充分地发挥了IKPCA在处理高维数据的信息冗余和样本稀疏等方面的优势,同时结合SVM以有效分类。在真实数据集上的实验结果表明,TP-IKSVM的分类精度优于现有主流的IKSVM算法。     

多核学习方法

多核学习方法是当前核机器学习领域的一个新的热点. 核方法是解决非线性模式分析问题的一种有效方法, 但在一些复杂情形下, 由单个核函数构成的核机器并不能满足诸如数据异构或不规则、样本规模巨大、样本不平坦分布等实际的应用需求, 因此将多个核函数进行组合, 以获得更好的结果是一种必然选择. 本文根据多核的构成, 从合成核、多尺度核、无限核三个角度, 系统综述了多核方法的构造理论, 分析了多核学习典型方法的特点及不足, 总结了各自的应用领域, 并凝炼了其进一步的研究方向.     

核典型相关性鉴别分析

提出一种新的基于典型相关性的核鉴别分析,以图片集为基础的人脸识别算法。把每个图片集映射到一个高维特征空间,然后通过核线性鉴别分析(KLDA)处理,得到相应的核子空间。通过计算两典型向量的典型差来估计两个子空间的相似度。根据核Fisher准则,基于类间典型差与类内典型差的比率建立核子空间的相关性来得到核典型相关性鉴别分析(KDCC)算法。在ORL、NUST603、FERNT和XM2VTS人脸库上的实验结果表明,该算法能够更有效提取样本特征,在识别率上要优于典型相关性鉴别分析(DCC)和核鉴别转换(KDT)算法。     

基于核的直觉模糊聚类算法

针对现有的直觉模糊聚类算法性能的问题,提出一种基于核的直觉模糊聚类算法(IFKCM)。该算法引入高斯核函数,将直觉模糊集合从原始观察空间映射到高维特征空间,减少了计算时间且提高了聚类精度;同时改进了现有的直觉模糊聚类算法中的概率型约束条件,使其对噪声和野值点具有较好的鲁棒性。最后,通过实际数据和人工数据与常用聚类算法进行了对比实验,结果表明该算法较大幅度地提高了直觉模糊聚类算法的性能。     

最大子分类间隔准则的核函数优化

在分析现有基于经验特征空间核函数优化方法局限性的基础上,提出一种基于最大子分类间隔准则的核函数优化方法。该方法首先建立最大子分类间隔准则,然后结合数据在经验特征空间中的特点给出样本数据的类间散布矩阵和类内散布矩阵的表达式,最后利用奇异值分解实现核函数参数的优化选取。本文利用UCI(University of California, Irvine)数据对算法进行仿真实验,仿真结果表明了本文方法的正确性和有效性。     

基于核字典学习的图像分类

航拍图像往往具有场景复杂、数据维度大的特点,对于该类图像的自动分类一直是研究的热点。针对航拍原始数据特征维度过高和数据线性不可分的问题,在字典学习和稀疏表示的基础上提出了一种结合核字典学习和线性鉴别分析的目标识别方法。首先学习核字典并通过核字典获取目标样本的稀疏表示,挖掘数据的内部结构;其次采用线性鉴别分析,加强稀疏表示的可分性;最后利用支持向量机对目标进行分类。实验结果表明,与传统基于子空间特征提取的算法和基于字典学习的算法相比,基于核字典学习与鉴别分析的算法分类性能优越。     

基于MCE准则的语音识别特征线性判别分析

提出了一种基于最小分类错误（Minimum classification error,MCE）准则的线性判别分析方法（Linear discriminant analysis,LDA）,并将其应用到连续语音识别中的特征变换.该方法采用非参数核密度估计方法进行数据概率分布估计;根据得到的概率分布,在最小分类错误准则下,采用基于梯度下降的线性搜索算法求解判别分析变换矩阵.利用判别分析变换矩阵对相邻帧梅尔滤波器组输出拼接的超矢量变换降维,得到时频特征.实验结果表明,与传统的MFCC特征相比,经过本文判别分析提取的时频特征其识别准确率提高了1.41%,相比于HLDA（Heteroscedastic LDA）和近似成对经验正确率准则（Approximate pairwise empirical accuracy criterion,aPEAC）判别分析方法,识别准确率分别提高了1.14%和0.83%.