一种概率映射网络的EM训练算法

文中提出一种概率映射网络(PMN)的EM(Expectation Maximization)训练算法。PMN为一个四层前馈网。它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,把输入的样本模式经网络变换为输出的分类判决,其网络节点对应于贝叶斯后验概率公式的各个变量。 此PMN用高斯核函数作为密度函数,网络参数训练由EM算法实现,其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明此网络及其学习算法在分类应用中的有效性。     

基于MIMO的无线认知传感器网络研究

作为现代无线通信的核心技术,MIMO(多输入多输出)利用发射端和接收端的多副天线,来改善无线通信性能,而无需额外的无线带宽。MIMO中的空间分集、空间复用、波束形成、智能天线等可以帮助WCSN(无线认知传感器网络)接入有价值的频谱,提高链路质量和频谱效率。文章分析MIMO在阵列增益、分集增益和复用增益等方面的优势,介绍空时分组编码、空时网格编码和分层空时编码的工作原理,给出MIMO无线认知传感器网络的基本中继策略。     

一种概率映射网络的EM训练算法

本文提出一种概率映射网络（ＰＭＮ）的ＥＭ训练算法。ＰＭＮ为一个四层前馈网。它构成一个贝叶斯分类器,实现多类分类的贝叶斯判别,把输入的样本模式经网络变换为输出的分类判决,其网络节点对应于贝叶斯后验概率公式的各个变量。此ＰＭＮ用高斯核函数作为密度函数,网络参数训练由ＥＭ算法实现,其学习方式为类间的监督学习和类内的非监督学习。最后的实验表明此网络及其学习算法在分类应用中的有效性。     

无监督学习在认知网络中的应用研究

人工智能旨在构建智能机,其中智能机或代理能够感知环境并采取行动实现效用最大化。人工智能的核心问题包括演绎、推理、问题解决、知识表示和学习等。机器学习是人工智能的主要分支,无监督学习是常见机器学习算法之一,在认知网络中占有重要地位。文章介绍无监督学习的两种类型:聚类与盲信号分离,分析基于质心的聚类、k-最近邻居等聚类算法和主成分分析法、独立成分分析(IICA)等盲信号分离算法,最后描述了无监督学习在认知无线电、认知雷达、智能电网等领域中的应用场景。     

基于机器学习的光链路建立中的传输质量预测技术

传输质量(QoT)预测在光网络中日趋重要,机器学习成为今后实现光网络中QoT预测的重要手段。提出一种基于机器学习分类器的QoT预测技术。通过传输方程生成所需的数据,用于之后的分类器训练和性能测试,并仿真验证了K最近邻(KNN)、逻辑回归(LR)和支持向量机(SVM)这3种常用的分类器的性能。仿真结果表明:相较于传统的QoT估计方法,基于机器学习的方法在有效地降低计算复杂度的前提下,还能提供相当高的预测精度,是一种具有广阔应用前景的QoT估计新方案。     

基于SLBP深度信念网络的人脸识别研究

针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题,提出一种基于局部纹理特征的显著局部二值模式(SLBP)和深度学习的人脸识别方法。首先,利用改进的SLBP算法提取人脸图像局部纹理特征,建立SLBP直方图;然后构建基于深度信念网络的深度学习架构,将SLBP直方图输入到深度信念网络中,采用无监督逐层训练法和有监督BP算法去训练网络,实现网络的自学习和自优化,得到网络参数;最后,利用DBN分类、识别人脸图像。仿真实验证实,所提人脸识别方法在识别率和鲁棒性方面优于传统人脸识别方法。     

无线认知传感器网络研究

无线认知传感器网络(WCSN)可以定义为无线认知传感器节点的分布式网络,它感知事件信号,机会地使用频谱空洞,并采用多跳方式,完成信息的动态协同通信,最终满足各种应用需求。文章分析了无线认知传感器网络(WCSN)的基本概念和优势,给出了无线认知传感器网络节点硬件结构,研究了Ad Hoc式、分簇式、异构分级式和移动式四种无线认知传感器网络拓扑结构,列举了无线认知传感器网络的应用领域。     

一种PMN网络的GEM训练算法

本文提出一种概率映射网络的ＧＥＭ训练算法，它是ＥＭ算法的一种改进算法。ＰＭＮ风为一个四层前馈网。它构成一个贝叶斯分类器，实验多类分类的贝叶斯判别，把输入的样本模式经网络变换为输出的分类判决，其网络节点对应于贝叶斯后验概率公式的各个变量。此ＰＭＮ网络用高斯核函数作为密度函数，网络参数的训练由ＧＥＭ算法实现，其学习方式为类间的监督学习和类内的非监督学习。     

MISO无线认知传感器网络宽带波形设计研究

在无线认知传感器网络中,MISO(多输入单输出)是一种非常关键的多天线系统,它可以通过采用空间分集技术,并执行发射机波束形成机制,将能量聚焦在所需方向或点上,以避免对其他无线电系统形成干扰。文章围绕MISO无线认知传感器网络的宽带波形设计开展研究,基于鲁棒优化思路,提出两种迭代算法,即基于柯西-施瓦兹不等式的迭代算法和基于SDP(半定规划)的迭代算法,并给出算法的实现步骤。     

基于半监督学习的SAR目标检测网络

现有的基于卷积神经网络(CNN)的合成孔径雷达(SAR)图像目标检测算法依赖于大量切片级标记的样本,然而对SAR图像进行切片级标记需要耗费大量的人力和物力。相对于切片级标记,仅标记图像中是否含有目标的图像级标记较为容易。该文利用少量切片级标记的样本和大量图像级标记的样本,提出一种基于卷积神经网络的半监督SAR图像目标检测方法。该方法的目标检测网络由候选区域提取网络和检测网络组成。半监督训练过程中,首先使用切片级标记的样本训练目标检测网络,训练收敛后输出的候选切片构成候选区域集;然后将图像级标记的杂波样本输入网络,将输出的负切片加入候选区域集;接着将图像级标记的目标样本也输入网络,对输出结果中的正负切片进行挑选并加入候选区域集;最后使用更新后的候选区域集训练检测网络。更新候选区域集和训练检测网络交替迭代直至收敛。基于实测数据的实验结果证明,所提方法的性能与使用全部样本进行切片级标记的全监督方法的性能相差不大。

     

基于集成学习的交互式图像分割

针对交互式图像分割人工标记示例匮乏、不同目标区域难以均衡标记,单一分类器难以获得有效分割结果的问题,提出一种多分类器集成学习的交互式图像分割方法.采用多元自适应回归样条(MARS)方法构造第一个分类器;同时引入光滑薄板样条回归函数(TPSR)构造与之互补的第二个分类器,综合组成bagging集成学习器,以降低单一分类器对噪声的敏感度并进一步提高人工标记样本特征空间的利用率.随后,基于半监督学习中的聚类假设,结合bagging多学习器并联特点,提出一种REG-Boosting半监督学习算法,实现半监督图像分割.在不同数据集上的验证性和对比性实验表明所提方法的有效性和优越性.     

无线通信中的边缘智能

本文综述了机器学习(Machine learning, ML)在无线边缘网络的主要应用、典型学习方法、以及性能潜力。首先分析了无线边缘智能与传统人工智能的区别。而后讨论了两种降低训练ML复杂度的思路,一种是从学习方法角度研究知识与数据联合驱动的ML,另一种是从无线系统角度设计合适的训练和决策方法,分析了集中式决策和分布式决策、集中式训练和分布式训练的优缺点。进一步介绍了联邦学习在无线边缘网络中的应用现状和适用场景,总结了在降低通信开销和个性化学习方面的研究进展与存在的问题。最后对全文进行了总结。      

基于SVDD的认知无线电网络仿冒主用户检测技术

为了解决传统主用户感知技术无法检测认知无线电网络中的仿冒主用户(PUE)攻击问题,提出了一种基于支持向量数据描述(SVDD)的 PUE 检测方法.该方法将 PUE 攻击检测建模为一个数据不平衡的单类分类问题,采用高效的 SVDD 算法,在对 PUE 攻击一无所知的情况下,仅利用认知无线电网络中的合法用户数据训练单类分类器.将待测样本输入训练后的分类器即可实现 PUE 攻击检测.理论分析和仿真结果表明,利用该方法进行 PUE 攻击检测,可以获得较低的虚警率和漏检率.     

一种利用机器学习优化MIMO窃听信道天线选择的方法

为保障多输入多输出窃听信道系统中信息传输的保密性,提出了一种基于机器学习的天线选择方案。首先利用机器学习解决分类问题准确率高、处理大数据高效这一优势,设计了基于奇异值分解的特征值提取、基于信干噪比的标签赋值方案,建立了k最近邻分类器和逻辑回归分类器选择最优天线最大化保密性能(可达保密速率和保密中断概率)。与传统天线选择方案相比,所提方案获得了几乎一致的保密性能,并且大幅降低了系统的选择复杂度和误比特率。     

无线认知传感器网络协同频谱感知安全模型和攻击模型研究

无线认知传感器网络(WCSN)中的协同频谱感知技术能够大大提高检测主用户传输的概率.但是,在当前的协同频语感知方案中,通常假定所有协同次用户都是诚信可靠的,因而恶意次用户可能会通过报告错误检测结果来攻击网络.本文分析了无线认知传感器网络(WCSN )的基本概念和优势,给出了无线认知传感器网络体系结构,提出了协同频谱感知...     

Ad Hoc网络路由技术

无线自组织网络(Adhoc)是一个复杂的系统,其中路由协议是该领域中的研究热点。通过采用合理的路由技术,可使无线自组网具有更为灵活的组网方式,从而达到提升网络性能、减少网络开销等目的。通过与认知无线电(CR)技术、协同通信(CC)技术以及多输入多输出(MIMO)天线技术等物理层新技术的有效结合,可以大大改善Adhoc路由协议的性能。     

基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

小样本学习驱动的无线频谱状态感知

无线频谱状态感知是实现无线频谱资源高效利用及各种用频系统和谐共存的先决条件之一。针对复杂无线传播环境下获取的频谱观测往往存在数据稀疏性、数据类别分布不稳定、标记数据严重不足的情况,该文提出基于插值和小样本学习(FSL)分类的无线频谱状态感知方法。首先,对捕获的稀疏频谱观测数据插值,构建频谱状态地图,作为频谱状态分类器的输入数据。其次,针对频谱数据类别分布不稳定、数据量严重不足的问题,基于小样本学习方法,利用嵌入模块和度量模块协同工作,以实现快速精确的频谱状态分类。具体地,利用嵌入模块将频谱数据映射到嵌入空间,提取频谱数据中的隐含特征;在度量模块的设计中,分别提出基于原型和基于样例的两种类别表示方式,通过计算待分类样本与类别之间的相似度判断待分类样本类别。最后,为了确保分类模型克服测试样本数量少导致过拟合问题,设置A-way B-shot任务训练模型。仿真结果表明,与传统机器学习方法相比,本文模型可以在低信噪比条件下进行精准分类;同时,在测试集样本数很少的情况下,或者在测试集中出现在训练集从未见到的新类时,所训练的模型也可以精准快速判别无线频谱的场景类别。     

基于无线传感器网络的超洁净电源设计与应用

文中设计一种基于无线传感器网络的超洁净直流供电电路系统,该系统利用无线传感器网络技术实现同步控制,每一个网络节点就是一路直流输出,多路输出之间相互独立。系统设计中充分利用了无线传感器网络节点芯片中的单片计算机对电源电路中功率开关的控制,以此实现直流电能的传递,阻断输入电源引入的高频干扰。该电源电路经仿真分析以及电路测试,主要参数指标达到设计要求,为特殊电子设备的直流供电提供了解决方案。     

HOG特征值的笔迹鉴定算法

机器学习作为人工智能的一个分支,在工程实践中已经产生了较大的经济价值和科技价值。机器学习创建基于样本的数学模型,通过训练预测或者作出决策解决人工智能中的问题。支持向量机是按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面。本文通过提取笔迹中的HOG特征,再利用支持向量机对该特征值进行训练,得到笔迹鉴定的模型,并通过该模型鉴定笔迹。