将提升类小波变换(lifting wavelet-like transform,LWLT)应用于矩量法(method of moment,MOM)快速求解电场积分方程(electric fieldintegral equation,EFIE),对生成的稀疏化线性系统采用模基参数估计(model based parameter esti matio...将提升类小波变换(lifting wavelet-like transform,LWLT)应用于矩量法(method of moment,MOM)快速求解电场积分方程(electric fieldintegral equation,EFIE),对生成的稀疏化线性系统采用模基参数估计(model based parameter esti mation,MBPE)算法求解,可获得小波域的宽带解,结合小波逆变换,最终实现目标电磁散射特性的宽频分析。通过不同三维散射体的计算分析,验证了算法的正确性。与传统模基参数估计算法相比,所提算法在计算时间和内存耗费上均有很大改善。展开更多
为了探索多标签数据集中每个标签所具有的特定特征,针对标签特定特征进行有效的利用,提出基于聚类提升树的多标签学习方法(multi-label leaning based on boosting clustering trees,MLL-BCT).建立MLL-BCT整体框架,通过引入聚类特征树...为了探索多标签数据集中每个标签所具有的特定特征,针对标签特定特征进行有效的利用,提出基于聚类提升树的多标签学习方法(multi-label leaning based on boosting clustering trees,MLL-BCT).建立MLL-BCT整体框架,通过引入聚类特征树来挖掘数据样本之间的相关性,以树形结构保存数据的内在关联;通过引入随机子集训练每个标签的若干分类树来学习标签特定特征,增强特征对单个标签表达,提升分类性能.将所提出的方法在flag、emotions等11个数据集上与经典的特定特征领域多标签学习方法(LIFT、LLSF、REEL、LLSF-DL)进行对比试验.结果表明:新方法在各评估指标(Hamming Loss、One-error、Ranking Loss、Average Precision、Micro-averaged F-Measure)上均具有明显的性能提升,且方法具备简单灵活性.展开更多
文摘将提升类小波变换(lifting wavelet-like transform,LWLT)应用于矩量法(method of moment,MOM)快速求解电场积分方程(electric fieldintegral equation,EFIE),对生成的稀疏化线性系统采用模基参数估计(model based parameter esti mation,MBPE)算法求解,可获得小波域的宽带解,结合小波逆变换,最终实现目标电磁散射特性的宽频分析。通过不同三维散射体的计算分析,验证了算法的正确性。与传统模基参数估计算法相比,所提算法在计算时间和内存耗费上均有很大改善。