一种基于机器学习的雷达目标跟踪算法

针对卡尔曼滤波算法中新息残差的理论值与实际值不一致所导致的跟踪器滤波精度下降的问题,文中在卡尔曼滤波算法的基础上,提出了一种新型的雷达目标跟踪算法。首先由发射机发射信号,雷达接收机接收到目标反射信号,对信号进行处理,用卡尔曼滤波算法对目标下一个方位进行跟踪,在跟踪的过程中,利用机器学习中的支持向量机回归算法来估算理论新息和实际新息残差的最小均方误差(自适应调节因子)进行训练,预测出目标下一个方位并不断减少与实际测量值间的误差,从而显示出预测轨迹,这样可以减少噪声误差的影响,实现目标的跟踪。     

基于GBDT算法的潜在5G用户预测研究与实现

5G用户规模发展是新时代新基建大背景下运营商5G网络建设的终极目标.传统的通过人工方式进行营销发展存在诸多不足,浪费大量人力物力财力.针对这些缺点,基于运营商O域和B域数据引入梯度提升决策树(GBDT)分类算法,通过学习存量5G用户正负样本在历史网络上产生的出账数据和网络数据建立5G用户分类预测模型,做到精准挖掘5G潜...     

一种李群机器学习线性分类算法研究

根据李群具有微分流形的性质,提出了一种李群机器学习的线性分类算法.该分类方法的思想是:首先将样本数据集嵌入到微分流形当中,每个实例对应着流形上的一个点,利用测地线距离度量两个实例问的距离;然后,根据测试实例和训练数据集中实例间测地线距离的代数关系,确定测试实例的分类.实验测试表明,该线性分类算法较k-最近邻算法(KNN)及NaiveBayes分类算法具有较高的分类精度.     

卫星导航高精度抗干扰算法研究

常用的自适应调零卫星导航抗干扰算法,可以对干扰进行很好的抑制,但自适应调零算法会对卫星信号的相位产生扭曲,导致抗干扰处理后的卫星信号无法用于高精度定位。研究数字多波束抗干扰算法,通过对卫星方向信号约束,达到在抗干扰的同时保证卫星信号相位稳定,实现高精度定位。该算法经分析和实际采样数据仿真验证,可实现强干扰条件下卫星导航高精度定位。     

基于机器学习算法的5G重点业务KQI和KPI关系研究

近年来,多媒体内容成为移动网络用户最重要的业务之一,用户更加关注端到端的5G网络用户业务感知质量。应用机器学习算法,构建5G网络中端到端视频业务和文件下载业务的感知质量模型,探索关键质量指标（KQI）与关键性能指标（KPI）的关系。仿真结果显示,该评估方法对提升5G网络运维的质量、实时性和准确性具有指导意义。     

一种基于N-gram模型和机器学习的汉语分词算法

汉语的自动分词,是计算机中文信息处理领域中一个基础而困难的课题。该文提出了一种将汉语文本句子切分成词的新方法,这种方法以N-gram模型为基础,并结合有效的Viterbi搜索算法来实现汉语句子的切词。由于采用了基于机器学习的自组词算法,无需人工编制领域词典。该文还讨论了评价分词算法的两个定量指标,即查准率和查全率的定义,在此基础上,用封闭语料库和开放语料库对该文提出的汉语分词模型进行了实验测试,表明该模型和算法具有较高的查准率和查全率。     

基于车路协同的开放道路应用场景落地研究

在5G+北斗的互联网时代,车路协同是开放道路实现的重要一环.车路协同的实现,需要硬件、软件和各类场景的规划与解决方案.硬件主要包括车端和路侧端的设备;软件包括高精度定位、高精度地图、五维时空、边缘计算平台、边云协同管理平台等;而应用场景,并没有明确的定义、规范,更无解决方案.基于此,文章提出了开放道路的交通效率应用场景和信息服务应用场景,给出了相应的场景描述,以及相应的场景解决方案.     

机器学习算法研究及前景展望

近年,随着人工智能的快速发展,机器学习逐渐成为学术研究的热点。机器学习是人工智能的核心,专门研究计算机怎样模拟和人类的学习行为,重新组织已有的知识结构并以此来改善自身功能。通过分析机器学习的经典算法中的BP神经网络算法,深度学习算法以及朴素贝叶斯算法的模型和理论依据来对机器学习做简单的介绍,同时阐述了经典算法在机器学习中的重要应用,最后探讨了机器学习未来的愿景。     

基于OTT的MR定位方法

测量报告（Measurement Report,MR)是一种终端上报的测量信息,能够最真实地反映用户在无线网络中的体验,对网络规划和优化都具有重要意义。但目前MR中不包含用户位置相关信息,导致运营商无法确定上报MR中用户感知差的准确位置。本文提出一种基于互联网提供的应用服务（Over The TOP,OTT）方式的MR定位方法,能够准确定位MR的地理位置,帮助运营商快速地评估网络覆盖水平等质量信息,进而有目的地进行网络规划和优化。     

基于5G语音质差自适应算法研究及应用

MOS通常被业界用于评价语音质量,它能够客观公正地反映用户语音业务的感知。通过路测获取数据的方式难度大、成本高,通常采用训练好的监督学习模型预测MOS。但运营商语音数据存在MOS低分数据占比低和时序变化的特性,这种数据特性影响了模型预测的精度和泛化性。在研究现有运营商数据采集系统和机器学习算法的基础上,提出了一种面向5G语音质差MOS评估的自适应算法。首先,基于全参评估的POLQA算法测试设备获取训练数据,保证了训练样本的准确性;其次,通过数据增强的方法,解决了质差样本获取难度大的问题;最后,基于自适应算法选型实现周期性动态地根据数据特征的时序变化选择最佳MOS预测模型,实现5G语音质量规模化、智能化的评估。     

基于机器学习的无线网络隐性故障智能定位系统研究

广泛使用业界优秀的开源技术和AI算法,对多个无线网络小区业务、性能指标结合历史数据进行异常检测,实现有监督的机器学习能力,基于循环神经网络（RNN）、孤立森林（Isolation Forest）和统计模型的智能定位算法,结合多系统多维度数据实现全网小区业务及性能的动态分析,主动定位和发现网络中设计缺陷、现场故障、软硬件未知漏洞等问题,总结定位问题形成案例库,并自学习优化定位算法,逐步完善智能学习条件和功能,实现小区级隐性故障的智能定位和发现。该系统已完成19776个小区隐性故障整治,系统隐性故障定位准确率为82%。     

基于机器学习的图像分割算法研究

图像分割是计算机视觉研究中重要的一部分,其主要目的是在图像中将兴趣域目标与背景分割,关系到后续的目标识别、图像理解等操作的准确性.经过几十年的发展,许多优秀的图像分割的方法被提出.机器学习是当今时代的研究热点,基于深度卷积神经网络等机器学习的图像分割研究进展迅速.总结介绍了应用于图像分割的几种典型机器学习方法,分析比较了相关的分割原理步骤、优缺点和发展现状.最后分析了基于机器学习的图像分割算法的发展方向.     

一种基于RTK和MEC的高精度定位实现方法

高精度定位系统是结合了现有的卫星定位技术、载波相位差分技术(RTK)和惯性测量技术,力求提高定位精度的准确性和连续性,使定位精度上升到厘米级,为自动驾驶提供精确的定位服务。进入5G时代,将5G网络的特性融入到高精度定位,使用5G网络的MEC网元增强数据解算能力,进一步提升定位精度。基于此,文章提出一种基于RTK技术和MEC网元的高精度定位方法,基于该方案的系统已在某道路示范区应用落地。     

基于机器学习的卫星干扰源定位系统

针对卫星干扰源定位系统的自动化程度低,定位质量依赖于操作者的经验,且系统定位性能难以优化的问题,本文提出了基于机器学习的卫星干扰源定位系统,利用定位过程对参数的调整和定位结果的质量指标数据来训练定位系统,学习定位规则和隐含在定位数据中的模式,从而在新的定位任务中具备较好的预测和决策能力,提高系统自动化水平和定位质量.     

一种面向光纤网络路径优化的机器学习改进算法

针对光纤网络通信中数据流传输路径质量影响网络资源利用率的问题,提出了一种改进的数据传输路径优化机器学习算法。首先,利用机器学习完成对初始数据的预处理,获取数据特征信息,完成数据流分类。基于对光纤跨度内数据流的分析,构建集群组完成数据路径的调整,实现网络资源的充分利用。其次,以包含特征参数的相似矩阵为约束条件,完成聚类分析的优化。根据数据特征参数建立相似矩阵,并在特征参数与通信路径的数据流类型之间建立函数映射关系。最后利用核函数对传输路径进行优化,实现网络传输路径的优化。实验针对包含多个光纤跨度的网络进行路径优化,并与传统的K-means聚类算法对比。测试中6种不同数据流的比例可以充分反映不同条件下的数据通信状态。实验结果表明:该算法的分类准确率为94.6%,平均执行时间为12.8 s,平均聚类变化度为31.3%。传统的K-means聚类算法分类准确率为84.6%,平均执行时间为20.8 s,平均聚类变化为46.2%。该算法的收敛时间也优于传统算法,其在网络数据传输中具有更高的准确性和实时性。     

基于机器学习的室内栅格化蓝牙定位系统设计

随着蓝牙通信模组的小型化和低功耗、低成本特点逐步推进,应用于室内的蓝牙定位算法和模型逐渐成熟。本文以室内栅格化蓝牙定位为定位基础,通过机器学习方式,对获取到的多单元蓝牙设备定位信息进行迭代校准。本设计能够形成精准的室内栅格化位置信息。     

机器学习算法在数据分类中的应用研究

互联网已经深入人们社会生活的各个领域,在这个过程中产生的网络信息数量呈现出一种指数级增加的特点.对当前的信息产业发展而言,需要在整合这些庞大数据源的基础上,有效解决信息混乱的问题.机器学习算法的诞生以及发展成熟为有效整合处理这些庞大的数据,提供了相应的技术支撑.故此,本文以机器学习算法的概述作为切入点,在分析机器学习中...