融合标签文本的k-means聚类和矩阵分解算法

针对推荐系统中依赖用户对项目的评分信息带来的稀疏性问题,提出一种融合标签文本的k-means聚类和矩阵分解的推荐算法。该模型首先对项目信息构建项目特征画像,利用k-means聚类提取项目的潜在特征数量,然后利用隐语义模型LFM进行矩阵分解,将用户-评分矩阵进行分解重构得到预测评级,并根据排序推荐。将算法在MovieLens数据集上进行实验,结果表明该推荐算法的均方根误差(RMSE)和绝对平均误差(MAE)表现较好,在ml-latest-small数据集中的准确率(precision)和召回率(recall)较次优算法分别提升了14.5%和20.7%。通过将k-means聚类应用到用户的潜在兴趣和项目的潜在特征提取中,提升了推荐算法的有效性。

K-means算法在隐语义模型中的应用

隐语义模型(LFM)是文本挖掘领域的重要模型,将它应用于推荐系统的评分预测具有预测精度高和占用内存小的优点。但由于时间开销较大,LFM模型并不适合用于处理大规模稀疏矩阵。针对此问题,论文将K-means算法引入到LFM模型的评分数据处理,得到改进模型K-LFM。在K-LFM模型中,利用K-means算法对评分矩阵中的用户和项目数据进行聚类处理,然后重构评分矩阵降低原始矩阵的稀疏程度和矩阵规模,最后用重构后的评分矩阵训练模型,预测评分。通过在movielens数据集上实验发现K-LFM模型在运行时间上较LFM模型有大幅降低,而预测精度没有受到明显影响。

基于时频点聚类的LFM信号波达方向估计

基于空间时频分布(spatial time-frequency distribution,STFD)的多重信号分类(multiple signal classification,MUSIC)算法常用于非平稳信号波达方向(direction of arrival,DOA)估计,其关键是选取合适的信号时频点.文中针对传统时频MUSIC算法不能提取各信号时频点且在小角度间隔时估计性能不佳的问题,以线性调频(line frequency modulation,LFM)信号为研究对象,提出了基于时频点聚类的DOA估计算法.该算法首先对阵列接收信号进行白化,利用白化后的接收信号构造STFD矩阵,达到抑制STFD矩阵的交叉项、突出信号自项的目的,然后利用K均值聚类提取各信号时频点,最后运用MUSIC算法估计DOA.对不同角度间隔和不同信噪比时三种算法的估计均方根误差进行了仿真对比,结果表明:相比经典时频MUSIC算法,文中算法在小角度间隔和低信噪比时有更好的估计性能.

基于k分辨FB级数展开的多分量LFM信号分离

针对傅里叶-贝塞尔变换(FBT)难以估计和有效分离多分量LFM信号的问题,提出了一种k分辨-FB(k-FB)级数展开结合dechirp的信号分离与估计算法。在FB级数的基础上引入k分辨参数,通过理论推导,得出了信号频率与级数的关系,证明了参数估计精度与k取值正相关。通过解线频调和k-FB级数计算,实现了信号分离重构和参数估计。在不同信噪比、信号功率比和k分辨条件下对信号的分离精度进行了仿真研究,并与基于分数阶傅里叶变换(FrFT)的方法进行了对比。仿真结果验证了算法的有效性。

海杂波背景下自适应脉冲压缩的性能与分析

针对经典脉冲压缩匹配滤波器距离旁瓣高、不利于检测邻近距离小目标的局限性,文献[2]和[3]提出了自适应脉冲压缩方法,在高斯背景下对P3取得了良好的压缩效果。但其多普勒容限性能差,且杂波环境简单。在此基础上,该文采用相位编码脉内线性调频信号,分析了海杂波背景下自适应脉冲压缩方法的性能,进行了仿真。仿真结果表明,在海杂波背景下,该方法具有距离旁瓣低、多普勒容限大、能检测多目标等优点。