认知无线电中基于小波变换和干扰温度估计的频谱感知

干扰温度是认知无线电领域中引入的一种衡量频段上干扰强度的量.本文提出了基于小波变换和干扰温度估计的频谱感知策略.该思想首先利用小波变换分析无线宽带系统中信号功率谱密度变化的奇异点,将整个宽带频谱分为几个子区域,实现对无线传播环境的"粗感知";再运用多窗谱估计与奇异值分解(MTM-SVD)算法进行处理,获得每个子区域的干扰温度值;最后与干扰温度门限比较判决,从而得到适合认知无线电系统应用的频谱空洞,完成对无线传播环境的"细感知".     

在Personal Oracle7上开发Windows应用程序

利用Ｐｒｏ ｆｏｒ Ｗｉｎｄｏｗｓ预编译器开发Ｗｉｎｄｏｗｓ应用程序，本文结合Ｗｉｎｄｏｗｓ编程特点，通过实例Ｗｉｎｐｃ．ｐｃ说明如何利用Ｐｅｒｓｏｎａｌ Ｏｒａｃｌｅ７ 开发Ｗｉｎｄｏｗｓ应用程序。     

修正的最小重新计算标准的增量式学习算法

静态算法在面对变化决策信息系统的约简时,表现出所得的约简有效性不够,无法描述决策系统的变化规律,从粗集理论出发,研究一种动态决策规则的最小重新计算标准,并在此基础上,结合决策规则的确定性准则,提出一个修正的最小重新计算标准的增量式学习算法,理论分析和实例验证表明了算法的正确性和有效性.     

基于核Fisher判别的分类器算法及其在语种识别中的应用研究

GMM与SVM的建模和识别性能具有较好的互补性,因此GMM-SVM在语种识别中得到广泛使用,以其为基础的GMM-MMI-SVM已成为语种识别的主流研究方法.但是SVM在判别时仅仅使用了训练样本中的一些特殊样本即支持向量,并没有使用全部样本,从而影响了系统识别性能的进一步提高.针对上述问题,提出一种基于核Fisher判别的分类算法-GMM-MMI-KFD.该算法的核心思想是用核Fisher准则(KFD)替代SVM分类准则,从语音片段中提取出特征向量序列,分别通过GMM-MMI分类器与GMM-KFD分类器进行判决打分.相对SVM,KFD更注重语音数据非线性分布的特点,并且将样本向高维空间H上投影后可以最大限度地增大类间距,减小类内距.实验数据表明,GMM-MMI-KFD方法在语种识别中具有更高的识别率.     

电台“指纹”特征初探

本文在简述人的“指纹”特征的基础上,说明了“指纹”特征的由来,论证了无线电通信电台“指纹”特征存在的可能性,给出了电台“指纹”特征的概念,分析了电台“指纹特征提取的可行性。     

直接序列扩频信号(DS-SS)的检测与参数估计

为了解决在低信噪比的情况下,直接序列扩频信号（DS-SS）的检测与参数估计问题,本文讨论了基于高阶统计理论的DS-SS的检测方法以及对DS-SS扩频码码型的估计.在仿真实验中,提出了一种将接收信号分段,利用数据累积窗技术来提高接收信号信噪比的方法.理论分析和计算机仿真结果表明本文的方法鲁棒性强,即使在信噪比很低的情况下,仍然能够检测出DS-SS,并能够对其参数进行准确有效地估计.     

基于局部行为搜索策略的半监督学习算法及其应用研究

近年来,半监督学习在模式识别和机器学习领域引起了广泛关注。在这些方法中,半监督支持向量机是非常主流的一类方法。然而,学习过程中热核函数的参数选择问题一直困扰着研究人员,若选取不当,学习性能会显著下降。为了解决该问题,本文提出一种新颖的基于局部行为搜索策略的半监督学习算法。新算法基于人类行为搜索策略,传统的支持向量机被正则化为拉普拉斯图。在搜索到特征空间的局部分布后,行为因子能够映射到样本邻域的潜在概率分布。为验证新算法有效性,本文分别进行了UCI数据集和实际通信辐射源特征数据集实验。实验结果显示与传统方法相比,新算法的分类结果能够更加有效和稳定。      

基于信号偏度先验信息的信号盲抽取算法研究

盲抽取算法是盲信号分离领域的热点研究方向.论文针对现有盲抽取算法运算量较大的不足,提出将度量信号非对称性的偏度作为代价函数,大大减小了运算量,同时解决了抽取信号的排序问题.进一步,根据感兴趣信号的偏度所在的区间范围,算法将SUMT外点法和基于偏度的方法相结合,提出基于偏度先验信息的代价函数,实现了对感兴趣信号的盲抽取.声音信号盲抽取的实验结果验证了本文算法的有效性.     

模糊近邻密度聚类与重采样的迁移学习算法

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。其中,基于聚类分析与重采样的迁移学习框架不需要直接估计域分布,且能够修正不同类型的域间差异,但其所采用的聚类算法对参数选择的鲁棒性及不同分布数据的适应性较差,并不能很好地适用于挖掘数据结构信息。为此,该文提出一种基于模糊近邻密度聚类与重采样的迁移学习算法。该方法对不同分布形状和密度的数据具有较好的鲁棒性并能够发现更多的近邻结构信息,能够从源域中迁移更多的有用知识用于目标域的学习。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。      

基于粗糙集理论的属性离散化算法

决策系统中连续属性离散化,即将一个连续属性分为若干属性区间并为每个区间确定一个离散型数值,对后继阶段的机器学习具有重要的意义。首先研究了满足决策系统最优划分的一种计算候选断点集合的算法,然后在基于条件属性重要度和贪心算法的基础上提出了一种确定结果断点子集的新启发式算法。所提出的属性离散算法考虑并体现了粗糙集理论的基本特点和优点,并能取得较理想的连续属性离散化结果。