基于多元正态概率模型的贝叶斯概率矩阵分解研究

传统的概率矩阵分解技术,忽视了信息消费者间的信任关系和关注关系,使其推荐性能和推荐质量不断下降,针对以上问题,提出基于多元正态概率模型的贝叶斯概率矩阵分解算法,以多元正态概率模型作为先验分布,实验中通过计算Gibbs sampling过程中迭代次数来达到数据的稀疏性。在联合概率未知和条件概率易得等情况下,引用Gibbs sampling技术进行计算,实验中引用MAE、RMSE两种方法进行误差评价。实验结果表明:在稀疏矩阵的检测中,改进的贝叶斯概率矩阵分解算法的预测精密度更加稳定,对缓解矩阵稀疏性问题更加有效。

一种自适应跳频中的干扰检测算法

为提高跳频通信系统的可靠性和稳定性,根据线性数字调制信号的特点,对信号进行非线性变换,应用变换后信号的功率谱密度中所包含的信号特征信息,提出了一种适合于自适应跳频的干扰检测算法。该算法基于贝叶斯决策理论,属于盲信干(信噪)比检测。仿真结果表明,该算法满足跳频通信系统的要求。

一种高斯白噪声中的信道质量自适应估计算法

提出了一种自适应的信道估计算法,适用于线性数字调制信号在高斯白噪声中的情况。该算法是一种盲信噪比估计,应用了模式识别技术。估计在基带完成,完全用软件实现。仿真结果表明,这种方法具有准确度高、占用内存小、计算速度快和所需数据量小等特点,符合实时信道估计的要求。