比例微分变步长盲源分离中高阶累积量的影响

介绍比例微分变步长法在盲源分离中的应用,着重阐述对于非高斯混合输出信号,高阶累积量对比例微分变步长盲源分离结果的影响.研究表明,比例微分变步长法不仅适用于高斯型混合输出信号,也适用于非高斯型混合输出信号.对于非高斯型信号,应考虑高阶累积量的贡献.将二阶、三阶和四阶累积量分别作为比例微分算法的控制量,结果表明,三者均能获得相同量级的收敛速度和分离精度,但四阶累积量的初始步长取值范围最大,为0.1~1.2;而二阶和三阶累积量的初始步长取值范围相对较小,仅为0.1~0.4.因此,基于比例微分变步长算法的盲源分离技术,通过合理选择累积量阶数,可适用于不同类型的混合源信号的分离.

自然梯度盲源分离加速收敛的衡量依据

所有信号均有既定的峭度累积量,无论是固定步长自然梯度盲源分离或变步长自然梯度盲源分离,从分离信号峭度累积量变化的角度看,观察分离信号峭度累积量随步长迭代(固定步长迭代,或变步长迭代)过程的前后之差值e(k)变化,可衡量自然梯度盲源分离稳定加速收敛的观察指标就存在于e(k)曲线的变化特征中.仿真实验结果表明:e(k)曲线迭代开始阶段(变化率接近0)和变化部分的集中程度是两个重要观察指标.当衡量构成与自然梯度盲源分离输出程度紧密关联的稳定加速方法的有效性时,该特征指标就是一个参考依据.

基于数据挖掘技术的客户流失预警模型

结合客户细分的思想，提出了一种基于慢启动的频繁模式挖掘算法，并基于该算法提出了一种新的电信企业客户流失预警模型，湖南某大型电信企业基于该客户流失预警，在其一个地市分公司进行了客户维系与挽留二期工程的实施试点．试点结果表明，提出的客户流失预警模型具有良好的预警功能。