一种有效的等帧长帧同步盲识别方法

提出一种基于分层的矩阵秩特征的判别方法,解决了等帧长帧同步的盲识别问题。首先构造等帧长帧识别的分层模型,然后在各子层中利用小区域矩阵秩值等于1的特征寻找可能的帧长值,统计各可能帧长值出现的概率判断真实帧长值,最后将序列按照所求帧长的方式构造矩阵,判定满足特定秩值搜索窗的位置和移动搜索窗的距离获取同步信息,达到帧同步盲识别目的。理论分析了搜索窗宽度对识别算法的影响,并推导了算法容错性,得出了算法具有很好的鲁棒性,能够满足非合作的盲识别的要求。仿真结果验证了算法的有效性,表明算法具有一定的工程应用价值。     

一种JPDA的快速算法

为使标准JPDA算法能在实际工程中实时应用,着重在JPDA的主要计算环节进行了改进和实时性提升,提出了一种JPDA的快速算法。通过引入"关联目标类",对确认矩阵进行降维,即把一个高维数矩阵分解成若干"相互独立"的低维矩阵。提出了一种互联概率的递归计算方法,减少拆分矩阵巨大的内存占用需求。同时还对相关波门和滤波方差计算进行了改进。仿真结果表明,快速算法比标准JPDA算法的计算时间有显著缩短,在不是"太密集"的多目标环境下具有一定的工程应用价值。     

最优Hamilton圈的一种新算法

提出了一种行之有效的执行算法——换顶算法，对无向图权值矩阵的数据进行有效处理，通过交换顶点来寻找一条较优Hamilton圈。在整个过程中，权值矩阵的上三角数据为有效数据，只需要按一定的顶点交换规则对这部分数据进行调整就可以达到优化Hamilton圈的目的。提出了交换规则的思想，且通过选择适当的规则，先判定可行性再执行交换算法，节省了大量的运算时间，降低了算法的时间复杂性。该算法也适用于Hamilton链的情况。     

基于数据压缩的LSP参数高效量化算法

文中为解决超长帧编码系统中联合帧数过多导致LSP参数量化性能下降这个问题,将多项式拟合引入超长帧编码系统中,利用多项式拟合压缩LSP参数矩阵,以降低量化时实际联合的帧数。再用分裂矩阵量化器进行量化。仿真结果表明,在120 bps的参数量化速率下,此算法的量化性能优于矩阵量化算法(MQ),平均谱失真比MQ算法降低了0.0719 dB,平均分段信噪比提高了0.1971 dB。     

基于矢量分配的组合导航容错联邦滤波算法

针对高动态环境下飞行器组合导航系统因不确定故障导致导航精度下降的问题,提出了一种基于矢量信息分配的容错联邦滤波算法。设计矢量形式的故障检测函数,对各观测量进行单独的故障程度划分,克服了将故障子系统所有观测量同时隔离的缺陷；根据观测量是否异常,重构时变量测噪声矩阵和信息分配矢量系数,对子滤波器的状态变量进行信息分配,在隔离故障子系统异常观测量的同时,最大限度地利用正确观测信息。仿真结果表明,采用该算法能够充分发挥各导航子系统的优势,极大提高了导航子系统信息利用率,具有较高的精确性和容错性。     

基于BP神经网络的后勤装备资产寿命周期费用预测研究

BP神经网络就是指采用反向传播学习算法的前向多层人工神经网络，它具有分布式存储信息、高强的容错性、并行处理信息、自学习性和非线性映射逼近能力等运行特点。基于BP神经网络的后勤装备资产寿命周期费用预测模型的构建，通常按照初始化、构建网络、导入输入输出层和训练网络、决策、结论的步骤来完成。     

基于加权双曲线定位的DV-Hop改进算法

针对基于双曲线定位的DV-Hop算法中误差项的异方差性引起的定位误差大的问题,提出了一种基于加权双曲线定位的DV-Hop改进算法。算法分析了基于双曲线定位的DV-Hop算法模型中误差项的异方差性,用加权最小二乘法对异方差性进行纠正,对加权最小二乘法中的权值矩阵进行了理论推导并得到与跳数相关的最佳权值矩阵,使得误差项满足同方差性,所得估计值接近最佳线性无偏估计。仿真结果表明,所提算法在定位精度上较目前常见的基于双曲线定位的DV-Hop算法都有一定提高。     

基于面积比矩阵的加权特征向量点匹配算法

提出一种在仿射变换下点集关系描述算子--面积比矩阵,证明了其在仿射变换群下的不变性质;并由该性质推导得出特征向量(EA)匹配算法抗噪性能差的原因,在此基础上给出了基于面积比矩阵的加权特征向量算法.算法构造不同图像的面积比矩阵,对矩阵进行分解得到其特征值和特征向量,通过特征值进行加权获得图像中点的特征向量,比较图像点的特征向量获取匹配关系.因面积比矩阵的仿射不变性质,算法能实现仿射变换下点集精确匹配;采用的加权特征向量法改进了EA匹配法,具有更好的抗噪性能.实验表明算法切实可行.     

基于一类弱连续T-模的模糊Hopfield神经网络研究

基于一般的弱连续T-模与取大（V）模糊算子的复合，建立了具有一般意义的动态模糊神经网络——模糊Hopfield神经网络，并系统分析了该动态系统的性能：在Hamming距离意义下证明了该网络是稳定的，而且其平衡点（吸引子）具有全局Lyapunov稳定性。最后，提供了一种有效的学习算法。     

临近空间高超声速机动目标跟踪的IMM-QB算法北大核心

经典的交互式多模型(IMM)算法由于转移概率矩阵固定不变,在跟踪运动状态未知且多变的临近空间高超声速目标时存在一定的不合理性。通过采用准贝叶斯(Quasi-Bayesian)估计对转移概率矩阵在线调整的方法,与基于CV-CA-Singer的经典交互式多模型算法进行融合形成了IMM-QB算法。Monte Carlo仿真实验表明,IMM-QB算法对临近空间高超声速滑跃式机动目标的跟踪精度有一定程度的提高。     

线性系统的鲁棒容错控制设计方法

考虑了线性故障系统的鲁棒容错控制问题。利用状态反馈特征结构配置参数化结果，提出了一种鲁棒容错控制设计方法。该方法将故障系统的鲁棒容错控制问题转化为含有约束的最小化问题。数值算例及其仿真结果验证了所设计方法的简单性和有效性。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。     

一种改进的BP算法

ＢＰ算法是目前应用极为广泛的神经网络算法,但它也存在一些不足。文中提出了采用共轭梯度法及黄金分割相结合的改进ＢＰ算法（ＭＢＰ）,自适应调整学习率,提高了运算速度,减少了迭代次数。最后将标准ＢＰ算法和ＭＢＰ算法进行了比较,仿其结果表明：ＭＢＰ算法的学习次数和收敛速度得到极大改善。     

面向监督学习的稀疏平滑岭回归方法

岭回归是监督学习中的一个重要方法,被广泛用于多目标分类和识别。岭回归中一个重要的步骤是定义一个特殊的多变量标签矩阵,以实现对多类别样本的编码。通过将岭回归看作是一种基于图的监督学习方法,拓展了标签矩阵的构造方法。在岭回归的基础之上,进一步考虑投影中维度的平滑性和投影矩阵的稀疏性,提出稀疏平滑岭回归方法。对比一系列经典的监督线性分类算法,发现稀疏平滑岭回归在多个数据集上有着更好的表现。另外,实验表明新的标签矩阵构造方法不会降低原始岭回归方法的表现,同时还可以进一步提升稀疏平滑岭回归方法的性能。     

武器装备体系能力矩阵评估方法

针对武器装备体系能力难以客观、定量评估的问题,引入复杂网络理论,提出了基于矩阵运算的武器装备体系能力评估方法。分析了武器装备体系能力的概念,建立了武器装备体系的复杂层次网络模型,描述了装备网络的组成、运行过程,定义了装备网络的矩阵描述方法和矩阵运算规则,提出了装备网络作战能力描述参数,给出了装备网络能力的矩阵计算方法,进行了影响因素分析,最后通过实例验证了方法可行性、有效性和灵活性。     

融合图嵌入的Smooth-PCANet图像识别算法

主成分分析网络（Principal Component Analysis Network,PCANet）是一种简单的深度学习算法,在图像识别领域具有优秀的性能。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

某扫雷犁电液伺服系统的模糊神经网络控制

针对某扫雷犁电液伺服系统这一典型的非线性系统,使用基于减法聚类的模糊神经网络(FNN)自学习算法设计了控制器,其中减法聚类用于确定模糊神经网络的初始结构。在网络的学习过程中,对结论参数采用最小二乘法进行辨识,对前提参数采用误差反传算法进行调整;并使用AMESim软件搭建了扫雷犁的液压系统模型,利用其接口技术实现了与Simulink的联合仿真。实验结果表明模糊神经网络控制器的控制效果要优于传统的PID控制器。     

基于强化学习的移动自组织网络分步路由算法*

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高度的动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出了一种基于强化学习的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集来提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析,仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。     

强化学习框架下移动自组织网络分步路由算法

移动自组织网络是一种无基础设施、由移动通信节点组成的无线网络,具有高动态特性。传统的路由协议并不能适应节点移动性带来的频繁拓扑变化,简单的洪泛路由也会因开销过大降低网络的性能。针对如何在移动自组织网络中自适应地进行路由选择,提出强化学习框架下的分步路由选择算法。该算法以最小链路总往返时延为目标,基于强化学习进行路由搜寻,在筛选出符合目标需求节点集合的基础上,结合置信度选择路由。在链路变得不可靠时,数据包被广播给筛选出的邻居节点集以提升路由可靠性并降低开销。对提出的算法在分组到达率和路由开销等主要性能指标进行数值仿真分析。仿真结果表明,提出的分步路由算法相比于基于强化学习的智能鲁棒路由,在降低开销的同时,保持着相当的吞吐率。