基于卷积神经网络交互的用户属性偏好建模的推荐模型

潜在因子模型（LFM）以其优异的性能在推荐领域得到了广泛应用。在LFM中除了使用交互数据以外,辅助信息也被引入用于解决数据稀疏的问题,从而提升推荐的性能。然而,大多数LFM仍然存在一些问题：第一,LFM在对用户进行建模时,忽略了用户如何根据其特征偏好对项目作出决策;第二,采用内积的特征交互假设特征维度之间是相互独立的,而没有考虑到特征维度之间的关联。针对上述问题,提出一种新的推荐模型：基于卷积神经网络（CNN）交互的用户属性偏好建模的推荐模型（UAMC）。该模型首先获得用户的一般偏好、用户属性和项目嵌入,然后将用户属性和项目嵌入进行交互,以探索用户不同的属性对不同项目的偏好;接着将交互过的用户偏好属性送入CNN层来探索不同偏好属性的不同维度的关联,从而得到用户的属性偏好向量;接着使用注意力机制结合用户的一般偏好和CNN层得到的属性偏好,从而获得用户的向量表示;最后采用点积来计算用户对项目的评分。在Movielens-100K、Movielens-1M和Book-crossing这三个真实的数据集上进行了实验。实验结果表明,所提模型在均方根误差（RMSE）上与稀疏数据预测的神经网络分解机（NFM）模型相比分别降低了1.75%、2.78%和0.25%,验证了在LFM的评分预测推荐中,UAMC在提升推荐精度上的有效性。     

基于FRFT的多分量LFM信号DOA估计

提出了一种基于分数阶Fourier变换的多分量LFM信号波达方向估计算法。观测信号经滤波和解线调处理,变换为一系列单频平稳信号。在分数阶Fourier域结合传统的MUSIC算法,从而实现了LFM信号的方向估计。给出了估计误差的统计分析,使得这一方法在理论上趋于完备,仿真试验验证了算法的有效性。     

基于CNN-LFM模型的个性化推荐

评分数据的稀疏性和新物品的冷启动问题一直是阻碍推荐系统发展的难题。针对这些问题,利用物品的图像数据作为辅助信息以提高评分预测的准确性,提出一种基于卷积神经网络与隐语义模型的推荐模型(CNN-LFM)。CNN-LFM模型利用隐语义模型挖掘评分数据,获得用户和物品的潜在特征,其中物品的潜在特征会在卷积神经网络提取的图像特征的约束下不断完善。在真实数据集下进行实验,对结果的定量和定性分析表明CNN-LFM模型不存在新物品的冷启动问题,即使当评分数据十分稀疏时,其性能也远远优于其它推荐模型。     

基于粒子群优化算法的LFM信号参数估计

在相同时宽范围内,恒定能量的线性调频信号频谱幅度平方与调频斜率呈反比。基于该特性,将信号解调后幅度平方最大值对应的参考信号调频斜率作为其估计值,进而估计其他参数。但该参数估计算法存在高估计精度与大运算量之间的矛盾,为此,将粒子群优化算法引入信号参数的搜索估计过程中。对搜索区间进行高精度划分以提高参数估计的精度,逐步改变参数值,并利用粒子群优化寻找解调后信号幅度平方的最大值,从而估计出相应参数。仿真实验结果证明,该算法运算量较少,且具有更高的估计精度。     

MIMO雷达正交波形集设计——线性调频-相位编码混合波形

提出了基于线性调频-相位编码组合波形的MIMO雷达正交波形集设计方法。与常规单载频子脉冲相位编码信号相比,线性调频-相位编码波形具有易于实现宽频带和高距离分辨率的优点;建立了MIMO雷达正交波形集优化模型,利用遗传算法进行组合优化,所得波形集不仅具有较低的互相关性,而且每个波形的自相关旁瓣也受到一定的抑制,波形集性能优于常规相位编码波形。仿真实验验证了理论分析的正确性和优化方法的有效性。     

分数阶Fourier域多分量LFM信号间的分辨研究

在分数阶Fourier域内,当多分量线性调频(LFM)信号的初始频率和调频率相近时,信号的尖峰会出现无法分辨的现象,导致目标信号漏检.文中分析了LFM信号在分数阶Fourier域的频谱分布特征,以及离散分数阶Fourier变换计算条件下LFM信号的频谱分布特征.推导了两个LFM信号在分数阶Fourier域的临界分辨距离,以及两个LFM信号尖峰之间的距离与量纲归一化因子的变化关系,发现选择合理的量纲归一化因子可以增大两个信号尖峰之间的距离.文中提出一种量纲归一化因子优化选择的方法,该方法可以提高分数阶Fourier变换对多分量LFM信号的分辨能力.最后,仿真结果验证了该方法的有效性.     

一种改进多分量LFM信号时频分布估计方法

传统时频分布方法在估计多分量线性调频信号时,交叉项影响导致时频估计精度低。因此,提出建立信号调频斜率因子库,对时频分布核函数进行改进,使核函数能有效抑制由多分量信号引起的交叉项干扰。通过分析核函数与信号模糊函数交叉项及自身项的关系,将时频估计问题转化为求解最优调频斜率因子库来对核函数进行改进,使信号的广义模糊函数能量最大。以多分量线性调频信号为例进行仿真,结果证明与传统时频分布方法相比,改进的时频估计方法可以在有效抑制交叉项干扰的同时保留大部分自身项,提高了多分量信号时频估计的精度和抗噪声能力。     

基于稀疏分解的微弱多分量LFM信号参数估计

Wigner-Ville分布是线性调频(LFM)信号参数估计方法中的常用方法,但其缺点是对多分量LFM信号有严重的交叉项.文中以稀疏分解方法为基础,利用匹配追踪(MP)算法将微弱多分量LFM信号在过完备原子库上进行分解,由分解得到的原子参数可以估计出各个LFM信号的起始频率和调频斜率,从而实现了微弱多分量LFM信号的参数估计.仿真验证了该方法的有效性.     

连续波背景下多信号处理方法

对接收到的信号进行短时傅里叶变换,通过分析短时傅里叶变换中每一个时间片内的信号频谱,检测出连续波背景下的脉冲信号。滤除线性调频脉冲信号成分,保留连续波信号成分,得到调频连续波信号具有周期性的时频变化曲线。根据连续波信号时频变化曲线的频谱特征,估计出其主要参数,然后滤除脉冲信号出现时间内信号中的连续波成分,并采用相应的方法估计出其参数。仿真结果表明,本文算法可以准确估计出线性调频连续波（LFMCW）信号和线性调频（LFM）脉冲信号的参数,当LFMCW信号的信噪比高于-8dB,并且其功率比脉冲信号功率小6dB以上时,算法具有良好的估计精度和稳定性。     

Research on resolution between multi-component LFM signals in the fractional Fourier domain

When the initial frequencies and chirp rates of multi-component linear frequency modulation (LFM or chirp) signals are close,the signals may not be distinguished in the fractional Fourier domain (FRFD).Consequently,some signals cannot be detected.In this paper,first,the spectral distribution characteristics of a continuous LFM signal in the FRFD are analyzed,and then the spectral distribution characteristics of a LFM signal in the discrete FRFD are analyzed.Second,the critical resolution distance between the peaks of two LFM signals in the FRFD is deduced,and the relationship between the dimensional normalization parameter and the distance between two LFM signals in the FRFD is also deduced.It is discovered that selecting a proper dimensional normalization parameter can increase the distance.Finally,a method to select the parameter is proposed,which can improve the resolution ability of the fractional Fourier transform (FRFT).Its effectiveness is verified by simulation results.