一种复值可分离的泛函网络学习算法

泛函网络是最近提出的一种对神经网络的一般化推广。与神经网络不同,它处理的只是一般的实值泛函模型,针对该问题,将实值泛函神经元推广到复值泛函神经元,再对复值泛函神经元的结构作了变形,提出了一种复值泛函网络新模型,给出了基于梯度下降法的复值可分离泛函网络学习算法。采用复分析的方法,利用单一泛函神经元模型,借助于正交边界和实步长函数概念求解复值XOR分类问题。通过理论分析可看出,相比复值神经网络,用复值泛函网络解决问题具有很强的计算能力。

基于L-BFGS理论求解复程函方程的地震波复走时计算方法

地震波复走时在处理几何射线理论面临的焦散问题有着重要作用。为了获得一种精度高且更为高效的复走时计算方法,将L-BFGS最优化理论引入分离的复程函方程中用于求取等效虚慢度,直接利用复走时实部、虚部正交的条件为目标函数,减少了梯度矩阵的一次乘积,利用计算梯度的正演部分作为复走时计算部分,得到了一种求解复程函方程的L-BFGS快速推进复走时计算方法。通过对解析法、动力学射线追踪法、高斯牛顿—共轭梯度快速推进法、L-BFGS快速推进法计算结果的精度和效率分析,表明L-BFGS快速推进法在精度和效率上均具有一定的优越性,也能适应在实际应用中的大规模计算需求。

改进的复值快速独立分量分析算法

针对复值快速独立分量分析算法(CFastICA)对初始权值敏感且收敛速度较慢的问题,提出了改进的CFastICA算法。该算法首先利用牛顿下降因子优化牛顿迭代的收敛方向,使分离矩阵在一定程度上接近最优值,然后去除牛顿收敛因子,利用普通牛顿迭代实现分离矩阵快速收敛。仿真实验表明:提出的算法拥有和牛顿下降CFastICA同样的收敛精度,收敛时间比牛顿下降CFastICA减少了近53%,且在低SNR下,提出算法的综合收敛性能明显优于CFastICA和牛顿下降CFastICA算法。

一种快速复值自适应滤波算法

本文提出了一种基于欧几里德方向集方法的复值快速自适应滤波算法，它的计算复杂度为 Ｏ（Ｎ），并在理论上证明了该算法的稳定性。它的性能通过将其应用于自适应ＦＩＲ滤波中来加以说明，计算机仿真结果表明了该算法具有较快的收敛速度，这为自适应复值滤波提供了一种新方法。

复矩阵截断奇异值分解的一类混合算法

截断奇异值分解是一类非常重要的矩阵分解,其在病态模型问题分析等领域有广泛的应用.该文主要研究复矩阵截断奇异值分解的有效算法,将问题转化为复Stiefel乘积流形上的黎曼优化问题,进而设计基于乘积流形的黎曼混合牛顿法求解.为有效求解黎曼牛顿方程,从降低系统维数和简化计算入手,通过克罗内克积和复矩阵拉直算子将其转化为易于求解的标准实对称线性方程组.数值实验和数值比较验证该文所提算法针对复矩阵截断奇异值分解问题是高效可行的.

基于复小波变换相位信息的谐波检测算法

小波变换因其良好的时频局部化特性,可用来进行谐波分析。但由于不同尺度的小波函数在频带相互混叠,使得现有利用小波系数幅值及在此基础上改进的各种算法都无法实现谐波的准确检测。该文提出利用复小波变换的相位信息来分析谐波的方法,利用改进递归复小波变换在不同尺度时,信号复小波变换系数的相位变化周期来确定信号的谐波频率,进而确定谐波的幅值;与 FFT 和幅值检测法相比,该方法能消除 FFT 算法的频谱泄露,提高了谐波检测的精度,且适用于含有非整数次谐波的信号。通过在 LabVIEW中的实例验证,说明该方法能有效地消除 FFT 算法的频谱泄露和小波函数频带混叠造成的不良影响,有效地提高了谐波检测的精度。

复信号功率估计的高效算法及其优化

该文讨论了用于含噪复值信号功率估计的两种结构简单、计算高效、可具有预测特性、可保证输出估计恒为正值的功率估计系统。功率估计的偏差和方差可以通过优化设计FIR子系统来达到最小或减小。用于移动通信CDMA系统功率控制的仿真表明:控制能力提高,低信噪比时系统差错率下降。

复值相干模量蚂蚁体技术

蚂蚁体算法是通过模拟自然界蚂蚁的觅食行为而总结出的一种正反馈仿生学算法机制。蚂蚁体技术已经广泛应用于断层预测,实现断层裂缝的自动追踪。文中回顾了蚂蚁体技术的发展历程,研究了影响蚂蚁体追踪质量的6个参数。传统的蚂蚁体技术基于地震方差体,信噪比和分辨率相对较低,文中提出了基于多道局部复值相干的蚂蚁体预测断层技术。该方法将复值相关算法和蚂蚁体算法结合起来追踪断层,得到复值相干模量蚂蚁体。实际应用表明,该方法既克服了多道局部复值相干边缘检测技术受地层边界影响大、对多组断层预测困难的缺点,又克服了传统蚂蚁追踪方法对断层预测不全面、干扰信息多的缺点。同时,人工解释结果验证了该方法具有较高的准确度和可靠性。

二维复值Ginzburg-Landau方程的一个高阶紧致ADI差分格式

对二维复值金兹堡朗道(Ginzburg-Landau,GL)方程提出一个基于时间分裂的高阶紧致交替方向隐式有限差分格式。本文通过时间分裂法将GL方程分裂成一个非线性子问题及两个线性子问题,对非线性子问题以及其中一个线性子问题均通过精确积分进行计算,并对另一线性子问题构造紧致交替方向隐式差分格式进行数值计算。实际计算中,在每一时间步,利用追赶法求解一族常系数三对角线性代数方程组,从而使得算法既具有较高精度又拥有较快的计算速度。数值实验表明该算法在时间和空间方向分别具有二阶和四阶精度,并模拟了方程的一些动力学行为。

离散PSO算法动态性能分析及参数选择

针对标准PSO算法的参数选择缺乏理论依据这一问题,研究了粒子在收敛域内的参数取值及对应的运动轨迹,得出寻优系统在收敛域内取值并不一定都能达到最优值的结论。进而应用离散系统分析理论,指出在收敛域内复特征根的模值与相角会影响系统的寻优效率,并通过理论分析推导出模值和相角与标准PSO算法中的惯性权重和加速因子的关系,从而在理论上确定了参数选择的原则。根据上述理论分析结果,提出五种参数选择建议,实验仿真结果证明所提参数选择的有效性。在考虑算法随机性的情况下,建议复特征根的模值取0.8左右,相角在90°附近取值。

基于混合搜索方向的前向复值神经网络的学习算法

复值有限内存BFGS(CL-BFGS)算法能有效用于求解复数域的无约束优化问题,但其性能容易受到记忆尺度的影响.为了解决记忆尺度的选择问题,提出一种基于混合搜索方向的CL-BFGS算法.对于给定的记忆尺度候选集,采用滑动窗口法将其划分成有限个子集,将各子集元素作为记忆尺度计算得到一组混合方向,选择使目标函数值最小的混合方向作为当前迭代的搜索方向.在迭代过程中,采用混合搜索方向的策略有益于强化对最新曲率信息的利用,便于记忆尺度的选取,提高算法的收敛速度,所提出的CL-BFGS算法适用于多层前向复值神经网络的高效学习.最后通过在模式识别、非线性信道均衡和复函数逼近上的实验验证了基于混合搜索方向的CLBFGS算法能取得比一些已有算法更好的性能.

人工蜂群优化算法在复数盲源分离中的应用

针对复值信号的源数估计和有序分离等关键技术,提出一种基于人工蜂群优化的源数未知的复值盲源分离方法,该方法首先利用交叉互验技术来估算复数源信号的个数,然后通过人工蜂群算法优化峰度的绝对值来获得最佳分离向量,并实现了逐次恢复源信号的目的.仿真实验结果表明,该方法不仅能依峰度绝对值的降序实现服从任何分布源信号的盲分离,同时比其他方法具有更优越的估计性能.另外,提出一种基于峰度的欠定复盲源分离算法,该算法根据信号的统计特性构造了用于欠定混合情况下盲抽取向量的代价函数,然后通过人工蜂群算法优化其函数来获得最佳分离向量,通过多次分离来实现欠定复盲源分离的目的.通过对混合分布类型的复值源信号欠定盲分离仿真实验验证了该算法的有效性.

舰载相控阵雷达光束指向控制策略研究

为改善在舰载相控阵雷达的光束控制中指向精度的参数指标,同时增强光束控制器性能与舰载相控阵雷达检测的准确性,本文通过相关影响因素分析,选取合理的器件参数,期望达到最佳效果。然后研究基于分数阶耦合复值神经网络的光束指向控制策略,通过对分数阶复值神经网络的投影同步的研究证明,系统的投影同步可以控制光束的指向。采用哈里斯鹰算法(HHO)对液晶相控阵进行光束指向精度优化,仿真实验结果表明,本文设计的全局与局部并行优化策略的哈里斯鹰算法,归一化精度误差由100数量级优化为10-4数量级,有效提高了舰载相控阵雷达的检测精度。

基于PSNR-NC函数优化和非抽样双树复小波变换的自适应多重水印算法

针对多重水印信息的有效嵌入和提取,提出了一种基于峰值信噪比-归一化相关系数函数(PSNR-NC)优化和非抽样双树复小波变换的自适应多重水印算法。该算法首先利用PSNR-NC函数来确定水印的最佳嵌入位置,其次通过非抽样双树复小波变换-奇异值分解(UDTCWT-SVD)算法将多个相互独立的水印信息嵌入到彩色宿主图像中,最后通过水印提取算法在含水印图像中提取多重水印,有效实现了多个版权信息的嵌入和提取。实验结果表明,嵌入水印图像具备良好的不可见性,所提算法对常见的图像处理攻击,特别是在抵抗JPEG压缩、噪声攻击和滤波攻击方面表现出较强的鲁棒性。

结合Tri-training和CV-CNN的半监督PolSAR图像分类

现有深度学习算法应用于PolSAR图像分类时,较少考虑该图像数据的复数特点,使得数据的复数域信息不能被充分利用;同时,深度学习需要大量的标签样本作为模型的训练样本,但是PolSAR图像可获取的标签样本十分有限。针对上述问题,结合Tri-training算法和复值卷积神经网络(CV-CNN)提出了半监督PolSAR图像分类算法。首先通过Wishart分类器和Tri-training算法获取一些可靠性较高的伪标签样本,然后将其加入到复值卷积神经网络的训练样本中并用于模型训练,最终完成图像分类任务。通过四幅PolSAR图像分类的仿真实验表明,该算法不仅能够有效提升伪标签样本的可靠性,同时还可提高模型的分类准确率。

基于CV-FISTA网络的稀疏孔径ISAR成像方法

逆合成孔径雷达(inverse synthetic aperture radar,ISAR)在雷达目标识别、空间监视和弹道导弹防御等领域发挥着重要作用。针对传统稀疏孔径ISAR成像算法对参数敏感和收敛速度慢的问题,提出一种基于复值快速迭代收缩阈值算法网络的稀疏孔径ISAR成像恢复方法。将加速近端梯度方法引入稀疏重构算法中,并将其迭代步骤构建为深度展开网络的隐藏层,构建初始参数相同的随机散射点和飞机散射点的数据集,将复值一维距离像作为网络的输入,利用ISAR像对应的标签对网络进行训练和验证。该方法直接处理复数数据替代传统的分实虚部两路计算方法,显著减少了计算负担。仿真实验表明,相较于传统模型驱动算法,通过对网络进行训练避免了手动调参过程,收敛速度更快,成像质量更高,而且对于特征差异较大的数据具有更好的泛化能力。

基于透明介质成像的光学散射神经网络

近年来,随着神经网络的发展,多种光电神经网络框架相继提出,在图像和语音处理等方面表现出强大的应用潜力。设计一种新型的基于透明介质成像的光学散射神经网络框架。描述透明介质双向散射传播的物理特性,采用多层堆叠散射介质构建神经网络单层智能单元,并利用非线性光电材料薄膜实现非线性激活,级联单层智能单元构建深度网络物理模型;根据双向散射物理模型构造对应的双向数字复值神经网络,并根据复值求导链式法则推导数字权重更新的后向传播算法,其复值网络权重参数通过调控散射介质的物理参数来实现;在MNIST数据集上验证其智能分类的有效性。