基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.     

多传感器数据融合理论在复杂通信信号识别中的应用

利用多传感器数据融合理论,建立各种复杂通信信号的综合特征模本和综合模糊模式识别的处理模型,实现对目标信号调制样式、属性、综合技术特征、综合相关特征的情报描述,从而达到识别信号的目的。     

基于量子遗传算法的盲源分离算法研究

在改进遗传量子算法的基础上，提出了一种新的量子遗传算法并从理论上证明了算法的全局收剑性．提出了基于量子遗传算法与独立分量分析算法相结合的盲源分离新算法．仿真结果表明：新方法比采用常规遗传算法的盲源分离方法具有明显的高效性．     

基于主动进化的遗传算法

根据当前遗传学和生物进化论中对变异方式的研究成果．将定向变异的思想引入到标准遗传算法领域，提出了一种基于主动进化的遗传算法．这种改进的遗传算法，可以在很大程度上克服现有遗传算法执行效率低的问题．我们将这种方法应用到TSP问题中，取得满意的实验结果、     

基于循环神经网络的汉语语言模型建模方法

语言模型是语音识别系统的重要组成部分,目前的主流是n-gram模型。然而n-gram模型存在一些不足,对语句中长距信息描述差、数据稀疏是影响模型性能的两个重要因素。针对不足,研究者提出循环神经网络(Recurrent Neural Network,RNN)建模技术,在英语语言模型建模上取得了较好的效果。根据汉语特点将RNN建模方法应用于汉语语言建模,并结合两种模型的优点,提出了模型融合构建方法。实验结果表明:相比传统的n-gram语言模型,采用RNN训练的汉语语言模型困惑度(Per PLexity,PPL)有了下降,在对汉语电话信道的语音识别上,系统错误率也有下降,将两种语言模型融合后,系统识别错误率更低。     

一种K值自适应和局部搜索的KNN矩阵修复方法

数据在采集和传输过程中由于多种原因会造成矩阵残缺,因此在数据分析之前需要对残缺矩阵进行修复。常见的KNN修复方法 k值选取不合理,且需在整个矩阵中搜索近邻,影响算法的修复效果。在其基础上提出了一种k值自适应的局部KNN矩阵修复方法,合理考虑了k值的选取和近邻项的搜索范围。实验证明了该方法能有效提高矩阵修复的正确率,且算法的时效性有所提高。     

互调干扰信号的特征识别

在复杂电磁信号环境中,实际存在为数不少的互调干扰信号,对这类信号的有效分析识别,是无线电监测工作需要重点关注解决的难题。对互调干扰信号在幅度特征和频谱峰值特征两个方面的特性进行了分析,给出了互调干扰信号识别的思路。     

基于功率检测和选择性集成的无线MAC协议识别技术

通过检测无线网络的功率变化识别介质访问控制(Medium access control, MAC)协议在认知无线电和认知电子战领域具有重要意义。为提高识别能力,本文在现有特征的基础上,提出碰撞概率估计特征和Fisher统计量特征。针对识别目标的网络配置与训练样本不同时识别效果较差的问题,提出利用基于Q学习的选择性集成方法,从训练的多个基分类器中选择一部分组成分类系统,提高算法的泛化能力。利用OPNET仿真软件采集4种MAC协议的功率变化数据进行验证。实验结果表明,所提特征能够提升对不同MAC协议的区分度,当目标网络与训练网络的配置不同时,选择性集成方法的识别效果优于单分类器和全部集成方法。     

一种基于复数残差网络的通信辐射源个体识别方法

在复杂电磁环境的通信辐射源个体识别任务中,针对传统特征提取识别方法分类效果不佳和低信噪比环境下基于实数神经网络的方法识别准确率不高的问题,本文提出了一种基于复数残差网络的通信辐射源个体识别方法。将实际采集的I路和Q路电台数据组合成复数作为输入,根据电台数据集特点选取复数初始化方法、复数激活函数,以改进的复数残差块为基础构建复数残差网络,进一步调整和优化网络结构并运用到辐射源个体识别任务中。通过实验证明,相比于实数残差网络和人工特征提取方法,复数残差网络的性能更优,并且在低信噪比的条件下,基于复数残差网络的方法鲁棒性更强。      

基于域相关性与流形约束的多源域迁移学习分类算法

传统机器学习要求训练样本和测试样本具有相同分布的假设在实际应用中难以满足,为解决这种问题,迁移学习的研究近年来逐渐兴起。然而,如果源域与目标域的相关性较小,粗暴式地强制性迁移不仅不能促进目标域学习,甚至会降低学习性能,即“负迁移”问题。为此,本文提出了一种基于多重相似性的多源域迁移学习方法。该方法首先从“域-域”和“样本-域”两个层面来更加准确地衡量目标域与多个源域的相关性,然后根据目标域分类器与相关源域分类器对目标域无标记样本具有相似决策值的平滑性流形假设,实现源域知识向目标域迁移的目的。该方法不仅能够从多个不同源域中挖掘更多的知识用于目标域学习,而且能够根据域间相似性有选择地进行迁移,可以有效地避免“负迁移”问题。在公共数据集上的实验结果表明所提出的迁移学习方法具有更好的性能。