量子神经计算和量子遗传算法的理论分析和应用

经过比较研究发现,在量子计算与神经网络和遗传算法之间,不论在计算思想上还是模型表达上,都存在着许多相似之处,这些相似性启发人们去研究基于量子理论的神经网络和遗传算法模型,一方面探索神经网络和遗传算法在量子系统上的实现方法,另一方面研究量子理论启发下的新的神经网络与遗传算法模型。本文总结了本课题组近年来在量子计算与神经网络和遗传算法相结合领域的研究工作,包括量子系统实现神经计算的理论分析,量子神经网络物理模型的研究,基于量子概率表达的量子遗传算法及其应用研究等,并对今后的发展提出了展望。     

混叠通信信号的盲分离处理

同频混叠信号的处理一直是通信信号处理中的难点,常规的信号处理方法难以对其进行有效分析。本文运用最新的盲源分离理论,实现了混叠通信信号的盲分离。仿真结果表明,本文采用的算法分离效果好,运算速度快,可移植性强,基本实现了对混叠通信信号的实时盲分离。     

高斯色噪声背景下的单通道信源数目估计算法

目前信源数目估计算法大都是基于多通道接收模型且对高斯色噪声抑制能力较差,而实际应用中单通道接收模型及色噪声环境非常普遍,因此研究色噪声背景下的单通道信源数目估计算法意义重大。针对现有算法的缺陷提出了一种基于构建信号时间快拍和四阶累积量矩阵的单通道信源数目估计算法。首先通过构建信号时间快拍实现单通道接收信号的升维得到矢量化空间,然后以此组信号空间构造出四阶累积量矩阵,并从理论上验证了该四阶累积量矩阵能有效抑制高斯白噪声及高斯色噪声的影响,最后对该矩阵进行奇异值分解并通过信息论准则估计出信源个数。仿真实验和实际信号实验都表明本文算法能较好地解决单通道信源数目估计问题,且能有效抑制高斯色噪声。      

基于改进测地距离的等度规映射及其在声目标特征提取中的应用

经典等度规映射(ISOMAP)算法由于其固有的拓扑不稳定性,容易受噪声影响出现“短路边”,导致其在声目标特征提取的应用中性能不佳。提出了一种基于改进测地距离的ISOMAP算法,将近邻图的构造看作是建立一个电路模型,以电路中各节点电容从初始阶段到一定的状态所需要的时间为测地距离的量度,将保持局部结构的鲁棒性与保持全局几何结构的准确性结合在一起,克服了噪声短路点对算法的影响,提高了算法性能。在SensIT实验数据和外场实际采集数据上的实验结果表明,基于改进测地距离的ISOMAP算法的准确性和鲁棒性都有了较大提高。     

连续相位调制信号的单通道盲分离算法研究

频谱紧凑的恒包络数字调制技术是未来数字通信的发展方向之一,而对于这类调制信号的单通道盲分离研究目前还较为少见,有效地解决连续相位调制信号的单通道盲分离问题具有较大意义。本文基于最优贝叶斯估计准则,通过重要性函数来接近系统状态的真实后验概率分布,利用改进的粒子滤波算法将连续相位调制信号的单通道盲分离问题转变为码元序列和未知参数序贯估计问题,从而实现盲分离。该算法通过对接收信号的过采样以及数据的递归调用,利用了更多的接收波形信息,有效地抑制了噪声的影响,并能克服相位连续性给算法带来的码间串扰。仿真实验以应用广泛的GMSK调制信号为例。实验结果表明,该算法明显优于标准粒子滤波算法,具有较好的符号估计性能和参数收敛性能。      

采用DDS+PLL结构的分析接收机频率合成器的研究与实现

主要讨论了DDS+PLL结构频率合成器的组成,分析了该类频率合成器的输出特性。理论和实验表明:这类频率合成器输出噪声低、换频速度快、结构简单、便于实现。     

基于条件熵的直觉模糊条件推理

该文在利用隶属度和犹豫度计算直觉模糊逻辑命题真值的对称合成方法的基础上,提出了一种基于条件熵的直觉模糊条件推理新算法。将直觉模糊条件推理规则的前件和后件与决策信息系统的条件属性和决策属性等价起来,条件属性、决策属性和推理规则均视为直觉模糊命题,直觉模糊命题的真实程度转化成一种决策规则前件对后件的条件熵的度量,并给出了条件熵的范围,从而确定直觉模糊命题的真实程度的范围。     

并行多信道判决引导CDL盲均衡算法

针对传统算法抽头系数较长和难以处理深衰落信道的问题,提出适用于通用数据链信号的并行多信道判决引导盲均衡算法。新算法借助判决反馈结构中前馈、反馈滤波器的独立优化特性,将加权后的判决值代入下一次的迭代过程,有利于消除拖尾效应;综合运用采样率高的分数间隔结构与稳态误差小的判决引导算法,对接收信号采用并行处理的方式,大大缩短了抽头系数长度。实验结果表明,针对CDL信号,新算法能够有效提升收敛速度、降低误码率。      

优化回声状态网络混沌跳频码预测方法研究

以混沌跳频码预测为背景,针对现有预测方法中存在的缺乏记忆能力导致识别准确率不高以及运算量大等问题,论文提出了基于优化回声状态网络的混沌跳频码预测方法。该方法在继承回声状态网络优良性能的同时,利用改进遗传算法优化网络储备池参数,较好地解决了参数选择问题,使其具有更强的针对性和更好的预测效果。论文以logistic-kent映射、Lorenz系统和Mackey-Glass系统跳频码为样本数据,通过改进遗传算法确定最优储备池参数并进行仿真实验,将仿真结果与其他文献结果作了比较,证明了该预测方法的优越性。      

一种基于遗传算法的SVM决策树多分类方法

在当前的机器学习领域,如何利用支持向量机（SVM）对多类目标进行分类,同时提高分类器的分类效率已经成为研究的热点之一,有效地解决此问题对于提高目标的识别概率具有较大意义。本文针对SVM多分类问题提出了一种基于遗传算法的SVM最优决策树生成算法。算法以随机生成的决策树构建的SVM分类器对同一测试样本的分类正确率作为遗传算法的适应度函数,通过遗传算法寻找到最优决策树,再以最优决策树构建SVM分类器,最终实现SVM的多分类。将该算法应用于低空飞行声目标识别问题,实验结果表明,新方法比传统的1-a-1、1-a-r、SVM-DL和GADT-SVM方法有更高的分类精度和更短的分类时间。