【摘 要】
：
为实现由不同统计特性和概率分布平滑特性信号得到混合信号的盲分离,对基于支持向量机的邻域风险最小化概率密度估计算法进行研究,提出一种邻域函数的构造方法,将其与自然梯度批处理算法相结合,形成一种新的自适应盲分离算法;利用广义高斯模型分析了分离算法的精确度。通过仿真实验,验证了该算法能分离统计特性不同的混合信号,相比于基于经验风险最小化的方法,该方法在收敛速度和精度方面的性能有很大提高。
【机 构】
：
解放军信息工程大学,解放军91290部队
论文部分内容阅读
为实现由不同统计特性和概率分布平滑特性信号得到混合信号的盲分离,对基于支持向量机的邻域风险最小化概率密度估计算法进行研究,提出一种邻域函数的构造方法,将其与自然梯度批处理算法相结合,形成一种新的自适应盲分离算法;利用广义高斯模型分析了分离算法的精确度。通过仿真实验,验证了该算法能分离统计特性不同的混合信号,相比于基于经验风险最小化的方法,该方法在收敛速度和精度方面的性能有很大提高。
其他文献
广西新松叶蜂的寄主为云南松，观察记录了广西新松叶蜂的主要生物学特性。广西新松叶蜂在云南省邱北县1年发生2代，以2龄、3龄及少数4龄幼虫越冬，翌年3月中旬开始化蛹，4月上旬开始
针对当前基于属性重要性的决策表属性集分解方法存在的不足,提出了一种新型的基于决策分类的决策表属性集分解方法。分析了近似分类质量和属性重要性与决策分类之间的关系,利用粗糙集理论,从提高子决策表中决策分类正确性的角度出发考虑条件属性与决策属性之间的关系,提出了决策表分解的条件属性选择量度并对决策表实施属性集分解。
提出一种利用过程神经元网络,对脱机手写体汉字二维图像的笔段提取方法。定义了脱机手写体汉字笔段的提取方法,给出了用于脱机手写体汉字笔段提取的过程神经网络的模型和学习算法,并对算法进行了仿真实验。该方法与其他汉字笔段提取方法相比,具有速度快、可学习、鲁棒性好的特点。经实验证明,该方法是行之有效的。
在对抗性的MANETs中,由于存在恶意节点,节点的地址自配置无法有效执行,为了对抗恶意节点的相关安全攻击,提出了基于门限的动态地址配置方案(Threshconf)。该方案主要通过门限签名为地址配置协议提供了访问控制安全机制,保证地址自配置协议在对抗性的MANETs中有效执行;同时与其他几种地址配置方案进行了比较分析。
为了尽可能地在本地访问网络资源,从而缩短网络访问时间,提出了一种位置感知的分布式生成树LDST模型,使得地理上邻近的节点被分在逻辑上靠近的组中。通过采用底层网络中节点间跳数或消息延迟作为覆盖网络中两个节点间的距离,制定了节点在LDST模型中代表元和邻近组的选取规则,给出了建立无标杆的、分层的、位置感知的覆盖网络的构造算法。数学分析和仿真结果表明,LDST模型具有小世界特性,节点加入算法具有对数时间
为系统化地考虑开放环境对软件可信性的影响和驱动作用,提出了一种基于本体空间并支持动态演化的框架模型。该模型采用本体空间的方法解决用户、系统和环境三者之间交互的语义问题,在此基础上,通过预定义的规则对软件行为的可信性和自主调整的必要性进行评估,依据评估结果从微观层次的规约制导和宏观层次的人机协同在软件生命周期内对其调整、配置与修正。应用实例及测试结果验证了该框架模型的有效性与可行性。
在单用户直接序列超宽带(DS-UWB)信号的伪码(PN)周期估计的基础上,采用信号功率谱二次处理的方法,实现了多用户DS-UWB信号的PN码周期盲估计。该方法对接收信号的功率谱进行二次谱处理,最后得到的二次谱就会在接收的多用户DS-UWB信号的PN码周期整数倍处出现一系列的尖峰脉冲,通过检测这些脉冲的间距就可以得到PN码周期的估计。通过理论推导表明了该方法的可行性,利用计算机仿真,验证了多用户DS
复制式架构下的二维CAD协同图形编辑环境中,用户界面所发出的Undo操作从语义上讲是针对复合操作本身的,但传统的一致性维护算法是基于原子操作的,对Undo操作的支持也是以原子操作为单位的,这样就会导致复合Undo操作的语义不一致性问题。分析了CAD图形编辑环境中复合操作的类型及Undo操作的执行前提,讨论了Undo操作存在的情况下的冲突定义,提出了基于版本分裂机制的冲突解决策略,并描述了复合Und
当无线传感器网络(WSN)遭受分布式拒绝服务(DDoS)攻击时,攻击者会传送大量攻击数据包到受害主机,使其迅速消耗资源而无法正常运作,最终造成网络瘫痪。为了检测针对资源有限的WSN的DDoS攻击,基于传统网络的概率包标记算法提出一个改进概率包标记算法,使其适应在WSN中检测DDoS攻击。改进的算法减少了重建攻击路径所需的攻击数据包,从而减少WSN的资源消耗,弥补了WSN资源有限的缺陷。
针对传统的神经网络训练算法收敛速度慢和泛化性能低的缺陷,提出一种新的基于面向对象的自适应粒子群优化算法(OAPSO)用于神经网络的训练。该算法通过改进PSO的编码方式和自适应搜索策略以提高网络的训练速度与泛化性能,并结合Iris和Ionosphere分类数据集进行测试。实验结果表明:基于OAPSO算法训练的神经网络在分类准确率上明显优于BP算法及标准PSO算法,极大地提高了网络泛化能力和优化效果,