基于调制统计量的水下高速目标分类算法

针对DEMON谱调制频率的可分性进行研究。利用高速目标与非高速目标在调制频率成分上的差异性,对目标DEMON谱历程矩阵进行梯度差分和量化处理,定义了目标辐射噪声的量化矩阵和调制统计量,提出了一种基于目标辐射噪声调制统计量的水下高速目标分类识别算法,比较了不同门限情况下高速目标与非高速目标随调制统计量的分布情况。大量实测数据分析表明,此算法可以可靠地对高速目标进行分类识别。     

基于改进区分表的核属性约简算法

知识约简是一个NP难问题,在众多知识约简方法中,核属性基本上作为属性约简的初始解,这样就能有效地减小约简算法在属性空间中的搜索范围,在一定程度上加速了知识约简的进行.然而,核属性解基本上是利用Hu的分辨矩阵法求得的.结合Hu的分辨矩阵算法,讨论了Hu以及Wroblewaski区分表算法中存在的问题,改进了区分表的定义并结合Ye方法提出了基于区分表核属性约简算法,既克服了分辨矩阵方法的缺陷,又避免了区分表算法中存在的问题.实验结果表明该算法能有效求出决策系统的属性核.     

模糊综合评判通用仿真软件的设计与实现

分析模糊综合评判模型的基本原理,讨论用于改进其性能的关键技术,包括权值向量的确定、模糊算子选择和模糊评判矩阵的构造。针对该模型的通用性问题,在MVC仿真框架下设计并实现模糊综合评判通用仿真软件。通过仿真实例验证了该软件的有效性。     

基于单矢量传感器的强干扰噪声抑制方法

通过对单矢量传感器各通道输出不同形式的组合可以抑制干扰噪声,但高次乘方和最小均方误差准则2种方法包含非线性运算,使目标信号产生失真;常用的线性运算方法只能完全抑制与目标方位相差一固定值的干扰信号。对单矢量传感器各通道授予不同的权重系数并进行线性运算,根据最小噪声功率输出准则,在不降低目标信号信噪比的同时,通过调节权重系数,可抑制各向同性噪声场中任一方位的强干扰信号。仿真显示:本方法可在不降低目标信号信噪比和保证目标信号不失真的前提下,完全抑制与目标方位相差70°～290°范围内任一方位的强干扰噪声。     

一种互谱相位在时延估计中的应用方法

时延估计(TDE)是水声领域的重要研究课题,基于时延估计的水声目标被动测向、被动定位技术是水声目标无源定位的重要分支。目前,较为常用的时延估计方法有基本互相关法(NCC)、广义互相关法(GCC)、自适应时延估计(LMS)等。不同于以上方法的思路,该文利用两路信号的互谱相位(CSP)设计了一种时延估计的新方法,该方法将互谱相位进行傅里叶变换,利用其变换域估算相位斜率以求取时延,能够实现多目标分辨、消除时延估计模糊与背景起伏。仿真实验证明,该方法效果要优于基本互相关,广义互相关等方法。     

基于噪声抑制门的两级自适应线谱增强算法

针对低信噪比下,自适应线谱增强(ALE)算法在低信噪比时性能急剧下降的问题,该文提出2级ALE算法,该算法在普通的ALE算法的基础上,将输出信号和误差信号的傅里叶变换作为第2级ALE的输入,对线谱作进一步增强。并利用噪声抑制门对信号进行降噪预处理,然后结合提出的2级ALE算法,提出一种基于噪声抑制门的2级ALE算法,进一步提高信噪比,增强线谱。仿真和海试数据表明,算法性能较普通ALE算法有较大提升。     

回归核极限学习机的多标记学习算法

基于极限学习机(ELM)的多标记学习算法多使用ELM分类模式,忽略标记之间存在的相关性.为此,文中提出结合关联规则与回归核极限学习机的多标记学习算法(ML-ASRKELM).首先通过关联规则分析标记空间,提取标记之间的规则向量.然后通过提出的多标记回归核极限学习机(ML-RKELM)得出预测结果.若规则向量不为空,将规则向量与预测结果运算得出最终预测结果,否则最终结果即为ML-RKELM的预测结果.对比实验表明ML-ASRKELM与ML-RKELM性能较优,统计假设检验进一步说明文中算法的有效性.     

非平衡化标签补全核极限学习机多标签学习

目前众多的研究者通常直接将标签置信度矩阵作为先验知识直接加入到分类模型中,并没有考虑未标注先验知识对标签集质量的影响.基于此,引入非平衡参数的方法,将先验知识获得的基础置信度矩阵进行非平衡化,从而提出一种非平衡化的标签补全的核极限学习机多标签学习算法（KELM-NeLC）：首先使用信息熵计算标签之间的相关关系得到标签置信度矩阵,然后利用非平衡参数方法对基础的标签置信度矩阵进行改进,构建出一个非平衡的标签补全矩阵,最后为了学习获得更加准确的标签置信度矩阵,将非平衡化的标签补全矩阵与核极限学习机进行联合学习,依此解决多标签分类问题.提出的算法在公开的多个基准多标签数据集中的实验结果表明,KELM-NeLC算法较其他对比的多标签学习算法有一定优势,使用统计假设检验进一步说明所提出算法的有效性.     

基于标记分布学习的异态集成学习算法

为了提高预测的准确性,文中结合机器学习中堆积(Stacking)集成框架,组合多个分类器对标记分布进行学习,提出基于标记分布学习的异态集成学习算法(HELA-LDL).算法构造两层模型框架,通过第一层结构将样本数据采用组合方式进行异态集成学习,融合各分类器的学习结果,将融合结果输入到第二层分类器,预测结果是带有置信度的标记分布.在专用数据集上的对比实验表明,HELA-LDL可以发挥各种算法在不同场景下的性能较优,稳定性分析进一步说明算法的有效性.     

非齐次隐马尔可夫因子模型期望最大化算法

潜变量模型在刻画因子之间的相互关系以及因子与观测变量之间的关联性时具有重要作用。在实际应用中,观测数据往往呈现出时序变异、多峰、偏态等特性,因此将经典的潜变量模型延伸到非齐次隐马尔可夫潜变量模型,并且为避免对完全数据的积分计算,将期望最大化（expectation-maximization,EM）算法引入到似然函数的计算上;采用Akaike信息准则和Bayes信息准则选择合适的模型,提出了相应的统计计算和检验方法,有效解决了隐马尔可夫模型中的最大估算似然函数问题;最后选择心理．健康数据进行了实验,实验结果表明该方法是有效的。