基于多尺度信息熵特征的数据流快速聚类研究

由于数据流规模较大,产生和更新的速度较快,因此数据流中有价值的信息很难被充分挖掘。针对这种情况,研究一种基于多尺度信息熵特征的数据流快速聚类方法。对数据流实施降维和标准化处理,提取数据流的多尺度特征,包括压缩比数、数据流平均值、数据流峰值以及数据流峭度。计算多尺度特征的信息熵权重,选取数据流快速聚类中心,将数据流样本划分给聚类中心,完成数据流快速聚类。实验结果表明,所研究聚类方法的聚类质量系数均大于0.9,说明该方法的聚类能力更强。

深度特征选择网络在雷达信号识别中的应用

在现有的雷达辐射源信号识别研究中,传统人工提取到的特征虽具有较为良好的物理表征,但特征中还存在冗余、噪声特征,而通过深度神经网络虽可以挖掘到对信号更深层次的表达,但其特征存在的"黑箱"难以解释性无法避免.结合人工特征良好的物理表征性和深度学习强大的学习能力,本文提出将一种深度特征选择网络(DFS,Deep Feature Selection)应用到雷达信号识别技术中. DFS通过在深度神经网络的输入层和第一隐藏层之间增添一对一层,获取针对每维特征与分类相关性度量得到的权值,以此权值作为衡量标准,加强敏感特征的输入影响,削弱冗余、噪声特征的输入影响,提高分类准确率.方法先对雷达信号提取复杂度特征、小波脊频级联特征、信息熵特征,合并建立原始特征集,利用DFS进行学习训练,以达到在输入级别实现特征选择的目的.本文已利用上述方法对5类辐射源信号进行仿真实验,识别效果良好,验证了方法有效.

基于双向搜索与改进贪婪算法的测试点优选研究

作为计算机科学与技术的典型应用领域,测试点的优选技术是测试性设计的关键;在对测试性模型相关性关系分析的基础上,针对不同的测试需求,在提出了相应的优化方法:对于完成基本功能的开机测试,提出了基于双向搜索的测试点优选算法;对于系统级诊断测试,提出了基于改进动态贪婪算法的测试点优选算法;根据不同的应用对象使用相应的算法,减少了影响因素,加强了算法针对性,能够有效的提高测试点选取速率,降低测试成本。

基于BP神经网络优化算法的MIDI文件中主旋律提取

本文对多音轨的MIDI文件提取出能表征音乐主旋律音符的时值、音高、音强等特征参数;再对各音轨音符序列进行音程差的统计和信息熵的求解;初步排除一些非常明显的伴奏旋律,对剩余候选音轨提出一种优化的基于BP神经网络算法的模型,实现对主旋律音轨的自动定位,使主旋律提取的准确性提高到96%。