水下等离子体声源聚焦声场分布特性研究

研究了水下等离子体声源的工作啄理和聚焦原理,研制了小功率的实验装置,并进行了聚焦声场实验测量,从声轴和焦平面2个方向研究了声脉冲峰值压力与声场位置之间的关系,得出了聚焦声场的分布特性。研究结果初步验证了水下等离子体声源的优越性．为进一步改进这种声源．以将其应用于100km以上超远程水下通信系统打下良好的基础。     

激光探测水下声源特征的时频分析

激光相干探测水面可以获取水下声源的振动特征。本文将振源分别放在水下80 cm,50 cm和20 cm三个不同深度,以1000 Hz频率振动,通过激光相干探测水面来获取水下振源的振动特征。在信号的特征提取分析中,通过采用小波分解与重构和多尺度分析和Wigner-Ville 分布相结合的方法对信号进行处理。在Wigner-Ville 分布的基础上,增加伪Wigner-Ville 分布和平滑伪Wigner-Ville 分布进行优化。针对WV分布中出现的交叉项干扰,采用Choi-Williams时频分布和Margenau-Hill谱图时频分布加以处理。特征提取与分析的结果表明：小波分析和Wigner-Ville 分布联合的方法对信号降噪和特征提取非常有效。     

基于优化Adaboost迭代过程的SVM集成算法

为提高Adaboost算法迭代过程中生成基分类器的分类精度以及简化整个集成学习系统的复杂度,文章提出了一种优化Adaboost迭代过程的SVM集成算法。该算法提出了一种在其迭代过程中加入样本选择和特征选择的集成方法。通过均值近邻算法对样本进行选择,并利用相对熵法进行特征选择,最后利用优化得到的特征样本子集对基分类器SVM进行训练,并用加权投票法融合各个SVM基分类器的决策结果进行最终判决。通过对UCI数据集的仿真结果表明,本算法与支持向量机集成算法相比,能够在更少的样本以及特征的基础上,实现较高的识别正确率。     

基于VMD和ReliefF算法的汽车鸣笛声识别方法

传统梅尔频率倒谱系数（MFCC）和线性预测倒谱系数（LPCC）特征的汽车鸣笛声识别方法在识别模型中分辨力不足,针对此问题,提出了一种基于变分模态分解（VMD）和ReliefF融合特征的汽车鸣笛声识别方法。该方法将变分模态分解所得的前四个模态分量进行信号重构,提取重构信号的MFCC、LPCC、声谱图特征参数。通过ReliefF算法融合MFCC和LPCC特征,并输入识别模型,实现汽车鸣笛声的准确识别。结果表明,该方法在BP模型中的识别率、识别速度均优于其他特征在BP、支持向量机、卷积神经网络识别模型中的识别效果,在汽车鸣笛声识别领域具有一定应用价值。     

基于神经网络的数据挖掘算法研究

神经网络可以实现分类、预测等多种网络模型。将神经网络的BP(前馈神经网络)和SVM(支持向量机)数据挖掘算法应用于西安地区的空气质量预测,虽然它们的泛化和收敛能力不同,但通过以往的历史数据训练网络模型。实验结果证明该算法可以较准确地预测未来的数据。     

基于模糊K近邻的模糊支持向量机的语音情感识别

基于模糊K近邻算法对模糊支持向量机中模糊类别隶属度的计算进行了改进,将距离与样本之间的关系相结合进行加权弥补了FSVM算法的不足.引入CCA算法对语音特征矢量进行降维处理,有效减小了特征之间的冗余信息,通过识别实验对传统的SVM、FSVM以及基于模糊K近邻的FSVM的算法性能进行了比较和分析.     

基于无监督域适应的仿真辅助SAR目标分类方法及模型可解释性分析

卷积神经网络(CNN)在光学图像分类领域中得到广泛应用,然而,合成孔径雷达(SAR)图像样本标注难度大、成本高,难以获取满足CNN训练所需的样本数量.随着SAR仿真技术的发展,生成大量带标签的仿真SAR图像并不困难.然而仿真SAR图像样本与真实样本间难免存在差异,往往难以直接支撑实际样本的分类任务.为此,该文提出了一种...     

基于深度学习特征融合和联合约束的单通道语音分离方法

为了提高单通道语音分离性能,该文提出基于深度学习特征融合和联合约束的单通道语音分离方法。传统基于深度学习的分离算法的损失函数只考虑了预测值和真实值的误差,这使得分离后的语音与纯净语音之间误差较大。该文提出一种新的联合约束损失函数,该损失函数不仅约束了理想比值掩蔽的预测值和真实值的误差,还惩罚了相应幅度谱的误差。另外,为了充分利用多种特征的互补性,提出一种含特征融合层的卷积神经网络(CNN)结构。利用该CNN提取多通道输入特征的深度特征,并在融合层中将深度特征与声学特征融合用来训练分离模型。由于融合构成的特征含有丰富的语音信息,具有强的语音信号表征能力,使得分离模型预测的掩蔽更加准确。实验结果表明,从信号失真比(SDR) 、主观语音质量评估( PESQ)和短时客观可懂度(STOI)3个方面评价,相比其他优秀的基于深度学习的语音分离方法,该方法能够更有效地分离目标语音。     

基于混沌二进制粒子群优化的KNN文本分类算法

中文文本分类的主要问题是特征空间的高维性.提出了基于混沌二进制粒子群的KNN文本分类算法,利用混沌二进制粒子群算法遍历训练集的特征空间,选择特征子空间,然后在特征子空间中使用KNN算法进行文本分类.在粒子群的迭代优化过程中,利用混沌映射,指导群体进行混沌搜索,使算法摆脱局部最优,扩大寻找全局最优解的能力.实验结果表明,提出的新分类算法对中文文本分类是有效的,其分类准确率、召回率都优于KNN算法.     

基于流量时空特征的fast-flux僵尸网络检测方法

僵尸网络已成为网络空间安全的主要威胁之一,虽然目前可通过逆向工程等技术来对其进行检测,但是使用了诸如fast-flux等隐蔽技术的僵尸网络可以绕过现有的安全检测并继续存活。现有的fast-flux僵尸网络检测方法主要分为主动和被动两种,前者会造成较大的网络负载,后者存在特征值提取繁琐的问题。因此为了有效检测fast-flux僵尸网络并解决传统检测方法中存在的问题,该文结合卷积神经网络和循环神经网络,提出了基于流量时空特征的fast-flux僵尸网络检测方法。结合CTU-13和ISOT公开数据集的实验结果表明,该文所提检测方法和其他方法相比,准确率提升至98.3%,召回率提升至96.7%,精确度提升至97.5%。

     

一种结合K近邻法的改进的渐进直推式支持向量机学习算法

为了进一步提高改进的渐进直推式支持向量机学习算法(IPTSVML)的速度,提出了一种结合K近邻法(KNN)的改进的渐进直推式支持向量机学习算法,利用KNN对无标签样本集进行删减,去掉对学习作用不大的无标签样本,再对有标签样本集和剩余的无标签样本集利用IPTSVML算法进行学习与分类。雷达实测数据实验结果表明该算法是有效的。     

基于心动周期估计的心音分割及异常心音筛查算法

心脏疾病是全球发病率和死亡率最高的疾病,心音听诊可以获取心脏的机械特性及结构特征,与超声心动图、核磁共振等无创诊断技术相比具有快速、低成本和操作简单的优势。心音信号成分复杂,容易受到各种噪声和干扰的影响,听诊诊断结果容易受到医生主观性的影响,极大限制了心音听诊的应用。该文提出一种基于心动周期估计的心音分割及异常心音筛查算法,预先估计了心音的心动周期,存在随机干扰的情况下也可以正确识别信号中80%以上的心动周期,提高了算法的稳定性。同时提出了区分度良好的时域和频域特征指标,利用支持向量机建模,对异常心音的识别率可达92%。算法可辅助医生诊断,或用于家用便携式心音监护设备。     

一种基于粗糙集理论的支持向量机分类算法

粗糙集理论和支持向量机在数据挖掘方面具有较强的互补特性,基于粗糙集理论的上近似集、下近似集和边界域概念,结合支持向量机的分类原理,提出了一种支持向量机分类算法。首先,在支持向量机分类中定义样本分类的粗糙集规则,然后在边界域寻找两类样本中使判别式绝对值取值最小且分类正确的样本来确定最优分类面,脱离了对惩罚系数C的寻优问题,有效避免了过拟合问题,并通过循环迭代算法寻找合适的参数b,获得分类性能更优的支持向量机,最后通过对一个二维样本数据库进行分类实验,验证了此算法的有效性与可行性。     

一种构造系数的自相关函数特征提取算法

由于遥感影像具有数据量大、维数高和不确定性等特点,遥感影像的分类已经远远超出了人的分析和解译能力,为了达到理想的分类效果,提取深层次空间结构信息的需求越来越强烈。根据各类样本的均值和方差构造加权系数,对样本的自相关函数进行加权,提出1种新的自相关函数特征提取算法,以改善样本不足造成的分类精度较低问题;采用支持向量机方法,对新的样本数据进行训练与分类性能研究。实验结果表明分类精度提高,在一定程度上能够反映遥感影像的深层次空间结构信息,验证了此算法的有效性与可行性。     

基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于一类对余类策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。     

基于密集连接卷积神经网络的入侵检测技术研究

卷积神经网络在入侵检测技术领域中已得到广泛应用,一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对上述问题,该文提出将密集连接卷积神经网络(DCCNet)应用到入侵检测技术中,并通过使用混合损失函数达到提升检测准确率的目的。用KDD 99数据集进行实验,将实验结果与常用的LeNet神经网络、VggNet神经网络结构相比。分析显示在检测的准确率上有一定的提高,而且缓解了在训练过程中梯度弥散问题。