基于支持向量机的多类蛋白质折叠子预测

基于支持向量机，以氨基酸组成成分、氨基酸组成成分与氨基酸残基指数自相关函数组合两种特征提取方法构成的特征向量表示蛋白质序列，对多类蛋白质折叠子问题进行了相关研究。结果表明，由氨基酸组成成分与氨基酸残基指数自相关函数组合构成的特征参数集(其参数集以符号HOPT、PARJ、PONP、WOLS表示)，其预测精度比氨基酸组成成分特征参数集有不同程度的提高。对于独立测试样本集，HOPT、结果较好，采用“唯一的一对多”策略，其总预测精度为41．91％，比氨基酸组成成分提高6．94个百分点，这些结果说明自相关函数含有一定的蛋白质空间折叠信息，支持向量机对于小样本分类预测是一种非常有效的方法。     

激光陀螺分形噪声的理论与实验研究

给出了一种利用小波分解求取激光陀螺分形噪声参数的方法。采用dB10小波,分别对中精度和高精度激光捷联导航系统(LINS)100Hz导航数据做7次小波变换,估计出了两种陀螺中分形噪声的分形指数γ分别约为1和2;试验说明,在导航频率下,激光陀螺噪声表现出的不是随机游走,而是一种零偏不稳定性和角速率随机走,并对这一现象的成因进行了深入讨论。为了减少这种不稳定性,从激光陀螺设计制造角度,应提高光源输出功率和镀膜质量;从信号处理角度,应设计适合LINS的数字滤波算法。最后给出了利用FIR滤波器凹点作为陷波器的参数设计结果,实测数据证明,在阶数增加很少的情况下,实现了对3个陀螺抖动频率同时陷波,提高了激光陀螺数据输出精度。     

天波超视距雷达数据处理算法综述

数据处理是天波超视距雷达实现目标探测的关键技术之一。首先给出了天波超视距雷达数据处理所面临的困难,总结了数据关联、航迹融合、坐标配准、性能评估、杂波建模等,对新技术的发展进行了探讨,并指出检测前跟踪、雷达与环境系统一体化处理、基于多输入多输出的天波超视距雷达数据处理、测试与评估、协同处理与多源信息融合等将是天波超视距雷达数据处理的主要发展方向。     

图象平滑与边缘检测的模糊向量描述

本文对噪声和边缘的统计特征进行了分析，提出了以Ｐ１（ｉ，ｊ），Ｐ２（ｉ，ｊ）和Ｐ３（ｉ，ｊ）作为边缘、噪声和非边缘非噪声的尿属函数，并在此基础上建立它们的特征描述向量。借助于该特征向量，将图像平滑和边缘检测转化为一个模式识别的问题，从理论上讨论了解决图像处理中长期存在的去噪和保持边缘细节的折衷问题的思路，并构造了基于模糊模式识别的图像边缘检测和滤波的基本框架。     

基于模型切换的自适应背景建模方法

提出了一种基于模型切换的背景建模方法 (MSBM). 该方法以熵图像为纽带, 实现了不同精细程度的背景模型在空间上的自适应选取和在时间上的自适应切换. 对于亮度分布复杂度高的背景区域采用精细的模型以保证运动目标检测的精度, 反之采用简单的模型以降低计算量. 通过模型结构自适应结合参数自适应, 很好地兼顾了检测精度和计算代价. 基于高斯混合模型和时间平均模型的双模型切换式运动目标检测算法被用于实验研究, 结果表明这种算法的检测效果和单独采用高斯混合模型的检测效果相当, 而计算速度却比后者提高很多.     

基于提升框架的整数小波变换

提升框架可以从一个新的角度来构造小波滤波器,它的核心是确定预测算子和更新算子。该文 引进了多项式局部拟合方法来求取预测算子和更新算子,对每步提升下取整,就实现了整数小波变换。仿真结果表明,该方法应用于二维数字图像,在一定失真的前提下,具有较高的压缩比,而且小波系数与尺度系数都是整数,不需要量化步骤。因此,它对于整数数据压缩具有重要的意义。     

两级交互式多模型算法

在混合估计中,交互式多模型滤波器(IMM--Interacting Multiple Model)以其优越的性能而受到广泛的研究.由于马尔可夫参数的限定,交互式多模型在模型数较多时会出现精度下降,从而限制了它在高维参数空间建模的有效性.利用模型集的概念,首次提出了双马氏过程的模型切换假设,从而构造出一种两级交互式多模型滤波器.通过辨识系统噪声的多个统计参数比较了两级交互式多模型滤波器与常规交互式多模型滤波器.结果表明:对于大信噪比信源(即小的量测噪声),两级交互式多模型滤波器与常规交互式多模型滤波器性能基本相当;而对于小信噪比信源(即大的量测噪声),两级交互式多模型滤波器明显优于常规交互式多模型滤波器.     

一类双正交小波构造及其压缩性能分析

在应用提升框架构造一类双正交小波中,W.Sweldens等给出了预测算子和更新算子的一种求法。论文从时域角度出发,应用多分辨率分析理论、完全重建条件和脉冲函数给出了预测算子和更新算子的另一种求解方法,进而得出了对偶小波函数、对偶尺度函数、主小波函数和主尺度函数的显式表达式,与W.Sweldens等的方法相比,该文的方法更为简单易行。仿真结果表明,论文构造的小波具有优良的压缩性能。     

基于变精度容差粗集的鲁棒分类器

该文基于目标识别中出现的不确定问题,提出了一种改进的粗集模型:变精度容差粗集模型。利用粗集中信息容量的定义,对不确定系统进行属性约减,并利用约减后的结果进行目标识别,仿真试验表明,利用该粗集模型进行目标识别时,具有较高的识别率和较高的鲁棒性。