邻近支持向量机的阵列波束优化

针对标准支持向量回归波束形成器的计算复杂度高、内存开销大、训练速度慢的缺点,提出了邻近支持向量机(Proximal Support Vector Machine,PSVM)波束优化方法。PSVM打破了通过对偶问题求解原问题的传统思维,将支持向量回归的约束条件等式化,直接对原问题进行分析与求解,给出了基于PSVM波束形成器的优化模型及具体实现过程,并进行了数值仿真实验。研究结果表明,在保持波束形成器性能基本不变的情况下,降低了计算复杂度,减少了内存开销,提高了训练速度。与传统的支持向量回归波束形成相比,具有良好的快速性,为波束形成器的优化设计提供了一种新的有效方法。     

面向像斑的高分辨率遥感影像自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市QuickBird和WorldView影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度（82%与82.67%）、常规支持向量机分类总精度（87.33%与88%）、最小二乘支持向量机分类总精度（88%与89.33%）相比,精度有明显提升,分类效果较好。     

基于聚集位向量的IPv6快速路由查找算法

随着IPv6协议的广泛应用,传统的IPv4路由表查找算法不再适应IPv6网络环境中路由转发的需要.IPv6具有巨大的地址空间,未来要面对的将会是海量IPv6路由表,而且128位的IPv6地址比IPv4需要更多的访存数.分析了IPv6路由结构的特点,介绍了IPv6中的各种路由查找技术,提出了基于聚集位向量的快速路由查找算法,并对该算法和常用的二分查找算法的性能进行了分析比较,实验结果表明该算法较好地提高了查找速度,减少了对内存的消耗.     

一种抗野值的UPF算法

为解决野值对滤波效果产生的不利影响,从改进粒子滤波器提议分布(proposal distribution)的容错能力入手,提出一种抗野值的UPF(unscented particle filter)算法.提出的抗野值容错算法将抗"飞点"的UKF(unscented Kalman filter)算法作为野值环境中的粒子取样策略,通过抗"飞点"UKF算法中引入的门限函数向量对新息的控制,进而实现UPF算法对野值容错的目的.仿真实验验证了所构造的容错滤波算法的有效性和实用性.     

基于支持向量机的装备故障诊断专家系统

针对现代化复杂武器装备故障诊断问题,结合支持向量机和专家系统的各自特点,提出了基于支持向量机的武器装备故障诊断专家系统整体结构和诊断模型.将支持向量机嵌入专家系统中,实现知识自动获取和快速逻辑推理,专家系统完成知识库管理与维护、符号推理诊断以及相关解释等工作,充分发挥支持向量机和专家系统两者的优势,提高了系统的综合诊断性能.     

基于特征点匹配的图像拼接算法研究

通过查找待拼接两幅图像的对应特征点以确定两幅图像的缝合点,进而确定两者的匹配位置,通过对图像的重叠区域进行平滑过渡处理,实现了待拼接图像的无缝拼接。实验结果表明,文中所提算法合理,取得了良好的效果。     

一种改进的系统效能评估方法及其应用

首先建立了在可靠性理论基础上的弹炮结合武器系统效能评估模型,并提出了对WSEIAC模型的改进方法.通过建立基于BP神经网络的武器系统作战能力向量的预测模型,克服了原先计算武器系统作战能力向量方法的局限性,提高了对武器系统作战效能评估的准确性和客观性.最后,将其运用到对弹炮结合武器系统效能评估中,仿真结果验证了该方法的可行性和有效性.     

由方阵范数导出的向量范数

如果在Ｃ＾ｎ＊ｎ上定义了方阵范数‖Ａ‖,那么借助一个Ｃ＾ｎ中的非零向量α,可以在Ｃ＾ｎ上定义一定向量范数‖ｘ‖α,使得它与给定的方阵范数‖Ａ‖相容,在一些常见的情形下,得到了这种向量范数的计算公式。     

武器系统经济性参数的支持向量机方法分析

采用一种基于支持向量机的武器系统费用分析方法.计算结果表明,这种方法有效解决了参数法对样本量要求较高以及对非线性问题处理能力较弱等问题.与传统方法相比较,有更好的拟合精度和泛化能力,因而该方法可以作为研究此类问题的新途径.     

高分辨率遥感影像的自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市Quick Bird和World View影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度(82%与82.67%)、常规支持向量机分类总精度(87.33%与88%)、最小二乘支持向量机分类总精度(88%与89.33%)相比,精度有明显提升,分类效果较好。