基于矩阵正态分布似然比测试的矩阵度量学习算法

本研究基于KISS(keep it simple and stupid)算法,利用似然比测试直接为矩阵模式定义度量,解决了现有大多数度量学习算法需要经过复杂优化过程的问题。通过在似然比测试中有目的地引入矩阵正态分布,该度量无需将矩阵模式通过向量化的方法变成向量模式,因而具有如下优点:(1)能够避免维数灾难;(2)比KISS更鲁棒;(3)无需计算大矩阵的逆和特征值分解,因此计算远快于KISS算法。最终的实验验证了该算法的优势。     

多基地雷达中双门限CFAR检测算法

针对多基地雷达系统,该文为解决传统集中式检测算法数据传输率大的问题,根据广义似然比检测算法和自适应匹配滤波算法,提出两种双门限恒虚警率检测器:双门限广义似然比检测器和双门限自适应匹配滤波检测器。首先各个局部雷达站将超过第1门限的局部检验统计量传送到融合中心。然后融合中心根据局部雷达站传送的数据计算融合后的全局检验统计量,并与第2门限比较,得到最终的判决结果。在各空间分集通道的信杂噪比假设相同的条件下,给出了双门限自适应匹配滤波检测器的虚警概率和检测概率的解析表达式。仿真结果表明,两种双门限检测器在低数据率传输时能够保持较好的检测性能。     

基于领域相关性度量的抑郁症药物概念抽取

开发基于生物医学文献的抑郁症药物本体自动学习技术,对于抑郁症辅助诊疗有着重要的指导意义。概念抽取是面向文本的本体学习的基础。然而,现有的本体概念抽取算法在解决特定、细粒度领域的概念抽取问题时性能较差。借鉴传统的领域相关性及领域一致性的思想,综合使用对数似然比和领域关联函数进行抑郁症药物领域的概念抽取。实验结果表明,该算法能够降低抑郁症其他相关领域对概念抽取的影响,同时改善低频术语的领域隶属度计算,提高了准召率。     

机动目标跟踪算法

针对复杂的机动目标跟踪问题,介绍了机动目标运动状态模型和固定结构的交互多模型(Interacting Multiple Model,IMM)滤波算法。在IMM基础上引入变结构思想,提出了一种基于序列似然比的变结构交互多模型(Variable Structure IMM,VSIMM)算法。通过实例仿真比较证明了该算法的有效性。     

非均匀杂波MIMO雷达检测

本文针对非均匀杂波,利用球不变随机矢量(SIRV)建立了机载多输人多输出(MIMO)雷达杂波模型.基于杂波协方差矩阵不满秩,提出了一种用于估计归一化杂波协方差矩阵的修正渐近最大似然(MAML)算法及其广义似然比检测器,即修正渐近广义似然比检测器(MAGLRT).仿真试验结果表明,在非均匀的杂波下,MAGLRT较常规高斯...     

一种LDPC系统中的似然值计算方法

在通信系统中采用低密度奇偶校验码（LDPC）与扰码,一方面能够使得信息随机化,同时也能得到较高的编码增益,加扰可以在 LDPC 编码前进行,也可以在编码后进行。针对 LDPC 编码后进行加扰的通信系统,提出了一种通过软解调与软解扰进行LDPC译码所需的似然值的计算方法。首先对这种级联系统的结果进行描述,其次对似然值的计算进行了理论推导,最后构建仿真系统,与 LDPC 结合进行仿真验证。     

局部均匀背景中距离扩展目标的GLRT检测器及性能分析

在复合高斯杂波满足局部均匀的背景下,对均匀杂波分组模型进行推广,建立了广义杂波分组模型.进一步,利用广义似然比检验（GLRT）原理,提出了距离扩展目标的基于广义杂波分组的GLRT检测器（GCC-GLRT）,并推导了检测器虚警概率与检测门限关系的表达式.GCC-GLRT有效地解决了基于均匀杂波分组的GLRT检测器（CC-GLRT）在非均匀杂波分组背景下不具备CFAR特性的问题.仿真结果还表明,对于稀疏散射点目标,在合适的杂波分组情况下,GCC-GLRT能有效克服采用NSDD-GLRT检测器出现的“坍塌损失”,改善检测器的检测性能.     

关于任意随机序列的一个强偏差定理

引入任意随机变量序列极限对数似然比概念,作为任意相依随机序列联合分布与其边缘乘积分布“不相似”性的一种度量,利用截尾方法构造几乎处处收敛的上鞅,给出了一个关于任意随机序列的强偏差定理。     

随机二元序列等概性的一种检验方法

等概性是随机密钥品质的一个重要特性,分析了频数检验在检测等概性上存在的不足,并提出了一种随机二元序列等概性的检验方法。     

基于最大类间可分离性的轮廓线分割

对轮廓线上每点的前后两个局部段进行局部直线拟合,在此基础上计算这两个局部直线段的类间可分离度,证明了它就是轮廓线点是否为一优势点的对数似然比,并把轮廓线上的优势点定义为具有局部最大类间可分离度的轮廓点。基于此概念,开发了用直线多边形良好逼近轮廓线的轮廓线分割算法,该算法能精确鲁棒地检测轮廓线优势点。实验结果表明了该技术的性能是令人满意的。