基于最小错误判决准则的LDPC码码长及码字起点识别

现有LDPC码开集识别算法以码长及码字起点为已知条件进行识别,这导致算法的实际应用受限,为了克服这一缺点,提出了一种基于最小错误判决准则的码长及码字起点识别算法。首先,根据码长及码字起点估计值对接收序列进行截取构造码字分析矩阵;然后,对分析矩阵进行高斯列消元并获取疑似校验向量,进一步基于最小错误判决准则筛选出LDPC码校验向量;最后,寻找在不同码长及码字起点遍历值处校验向量个数的最大值,实现码长及码字起点的识别。仿真实验结果表明,在误码率为10^(-3)量级时,针对IEEE802.16E协议下的LDPC码,算法的识别率达到100%。

最小总风险准则的贝叶斯网络个人信用评估模型

将最小总风险准则MOR与贝叶斯网络分类器相结合,提出了一种新型信用评估模型。在两个真实数据集上以MOR用10层交叉验证对贝叶斯网络信用评估模型进行了测试,并与最小错误概率准则MPE的贝叶斯网络分类器的结果进行了对比。结果表明,基于MOR的贝叶斯网络分类模型可以有效地减小信用评估风险。

基于三角模融合准则的滤波算法

本文针对线性和非线性混合滤波技术的不足 ,提出了一种基于三角模融合算子的混合滤波算法 .此算法根据信息融合的竞争性、互补性、冗余性的特点 ,运用三角模算子对边界点进行融合判断 ,从而根据融合结果 ,进行混合滤波 .本算法很好地克服了单源判别边界点误报风险大、可靠性和容错性差的弊端 ,改进了滤波性能 .后续实验证明了本算法的有效性 。

自然言语的韵律组织中的不确定性及其在语音合成中的应用

本文对自然言语的韵律组织中的不确定性及其对合成语音自然度的影响进行了初步探讨 ,并在此基础上 ,提出在韵律预测中用最小错误概率准则代替传统的最大生成概率准则 ,从而在预测结果中保留多种等价的韵律实现。本文还进一步提出一种将基于最小错误准则的韵律预测与单元选择结合的算法 ,首先根据最小错误准则在所有候选单元中筛选出最不可能造成韵律错误的样本 。

基于改进型D—S证据理论的决策层融合滤波算法

本文针对线性和非线性混合滤波技术的不足 ,提出了一种基于改进型I) -s证据理论的融合滤波算法 .本算法首先分析了基本D -S证据理论组合准则缺陷的产生原因 ,从而采取消去证据间相关性、自适应地分配矛盾信息给与冲突有关的焦元等措施 ,改进了基本D—s证据理论的组合准则 ,提高了其融合性能 .在此基础上 ,本算法又根据混合滤波器单源判别边界点误报风险大、可靠性和容错性差的弊端 ,增加了多子源判决准则 ,利用改进了的D-S证据理论的组合准则 ,实施融合判决 .后续实验证明了本算法的有效性 。

基于主动判别函数的手写体识别(英文)

提出了一种新的基于主动判别函数的手写体识别方法.首先,提出了主子空间中基于统计特征的主动原型模板并给出了对应于待识模式的最优主动原型模板.然后,提出了主动判别函数,它是两个加权距离之和;其中一个是待识模式与主子空间的距离,另一个是待识模式与次子空间的距离.其次,作为主动判别函数的参数,主动原型模板的约束可应用最小分类错误准则进行优化,这一最优约束有助于提高主动判别函数的识别正确率.最后,在银行票据中使用的手写金融汉字样本库上进行实验.实验结果表明,主动判别函数在手写体识别方面是非常有前景的.

基于正交水印的盲水印检测技术

提出一种稳健的盲水印检测技术.利用水印信号与主数据之间的正交性,水印检测时不需要使用原始数据并且可以彻底消除主数据噪声的干扰,从而大大提高了水印检测器的稳健性.无论是根据Neyman-Pearson准则还是最小错误概率准则,理论分析表明本文检测器在性能上可以取得很大改善.利用对水印加权的分组技术,盲水印检测器在性能上逼近非盲水印检测器.各种失真下的实验结果表明这种盲水印检测技术是有效的.

基于MCE训练算法的说话人辨认系统

提出了一种基于最小分类错误准则的概率神经网络的训练算法。实验结果表明, 该系统及其MCE学习算法在20个说话人辨认应用中利用5s清晰语音获得98.9%的辨认率，利用15s电话语音获得86.2%的辨认率。

电子战环境下组网雷达检测性能分析与仿真

运用分布式检测中的最小错误概率准则分析了组网雷达对目标的检测性能,将雷达受干扰的程度分为无干扰、局部干扰和全部干扰,并研究不同干扰强度下组网雷达数据融合中心对目标的检测概率。最后,就不同干扰强度对组网雷达的影响以及数据融合中心与单站雷达之间检测性能作比较分析,得出了一些有意义的结论。

基于渐近优化检测器的数字水印最佳检测阈值的确定

数字水印系统中检测阈值的大小会影响到检测器的检测效果。渐近优化检测器是一种采用Rao检验方式的盲水印检测算法,但其检测阈值是完全凭经验人为设定的,为了使渐近优化检测器阈值的确定客观与精确,利用最小差错概率准则对检测阈值进行了理论分析,并具体给出了一个水印检测系统错误率达到最小的最佳检测阈值的计算公式。实验结果表明,该方法能使水印检测系统的错误率在理论上达到最小,同时检测阈值的大小具有自适应性和客观性。

基于平均余弦符合度下的本原BCH码盲识别

为克服现有BCH码识别算法在低信噪比下适应性差的缺点,提出了一种基于平均余弦符合度的识别算法。首先遍历可能的码长值以及m级本原多项式域,进行初始码根校验匹配,从而完成码长识别;然后在识别出码长前提下,遍历m级本原多项式下的GF(2~m)域,其最强纠错能力的本原多项式即为GF(2~m)域生成多项式;最后求取所有连续码根最小多项式对应的最小公倍式,完成编码生成多项式识别。在校验匹配过程中,引入了平均余弦符合度统计量,基于软判决下符合度的统计特性以及最小错误判决准则求解出最优门限,从而实现本原BCH码参数快速识别。仿真结果表明,推导的符合度统计特性与实际情况一致,所提算法能在低信噪比下有效完成参数识别,同时具有较好的低信噪比适应能力,在信噪比为5 dB,码长为511的条件下,能够完成参数的可靠识别,与目前算法相比,所提算法性能优于现有的软判决算法,且比硬判决算法提升1~3.5 dB。

高误码率下LDPC稀疏校验矩阵重建

针对LDPC重建问题,提出了一种可直接重建LDPC稀疏校验矩阵的算法。首先,根据传统重建算法原理,详细分析了传统重建算法存在的缺陷以及缺陷存在的原因;其次,基于LDPC稀疏矩阵的特性,通过多次随机抽取码字中部分比特序列进行高斯消元,同时为了可靠实现抽取的比特序列能包含校验节点,基于一次抽取包含校验节点的概率,确定多次随机抽取的次数;最后,在误码条件下,基于疑似校验向量关系成立的统计特性和最小错误判决准则,实现稀疏校验向量的判定。仿真结果表明,所提算法在误码率为0.001的条件下,针对目前IEEE 802.11协议中大部分LDPC的重建率能达到95%以上,且噪声稳健性优于传统的重建算法,同时所提重建算法不仅不再需要对校验矩阵稀疏化处理,而且对于双对角线与非双对角线形式的校验矩阵都具有较好的通用性。

基于假设检验的红外弱小目标感兴趣区域提取算法

根据假设检验的基本原理,提出了一种红外弱小目标感兴趣区域检测算法。该方法首先按照最小错误概率准则抽取图像中目标的感兴趣区域,然后在这些区域里进行目标提取和分析。实验结果表明,该方法很好地克服了一些传统方法中冗余计算多和分析难度高等缺点,非常适合于红外弱小目标的高性能检测。

低信噪比下循环码识别

针对硬判决分析方法存在计算复杂度高且容错性差的缺点,本文提出了一种直接利用软判决序列完成循环码识别的新算法.首先从编码代数结构出发,推导出循环码生成多项式因子对应的对偶空间与码字能构成校验关系这一结论;其次基于该结论,遍历码长可能值,在GF(2)上,将多项式x n+1分解为不可约因子及其对应幂次的乘积,当所遍历因子的对偶空间正好与码字序列构成校验关系时,即可识别出循环码码长;最后遍历构成校验关系因子的幂次,最终完成生成多项式的识别.为利用软判决序列完成校验关系检测,引入了平均校验符合度概念,基于其统计特性和最小错误判决准则,实现了生成多项式不可约因子以及幂次的快速识别.仿真结果表明,推导的符合度统计特性与实际情况相吻合,同时算法具有较好的低信噪比容错性能,在3dB的噪声环境下,码长以及生成多项式识别率能够达到95%以上,与硬判决方法相比,在增加较小的计算复杂度下,识别性能提升将近1dB.在智能通信或是认知无线电领域具有较好的应用前景.

空时联合处理分辨性能下界的研究

针对相控阵雷达阵列天线空时快拍数据模型,研究空时二维联合分辨下界(STJRL,简称联合下界).从检测理论出发,采用最小错误概率准则,给出了联合下界关于信噪比、空时信号波形、分辨概率的表达式.联合下界表达式与一维分辨下界比较表明空时二维联合分辨充分利用了回波信号在空间频率和多普勒频率上的二维差异,分辨性能优于一维分辨.通过Monte Carlo仿真比较了空时联合分辨下界和信息论准则方法(AIC)、最小描述长度方法(MDL)得到的实验分辨性能,结果表明AIC与MDL方法的δt/δtf～RSN曲线都在联合分辨理论下界曲线之上,而似然比检测器δt/δtf～RSN曲线与空时联合分辨下界曲线符合得很好.

基于迭代消元的卷积码快速识别

针对现有算法在卷积码参数识别过程中存在计算量大、容错性差的缺点,提出了一种基于迭代消元的快速识别方法.算法首先在理论上分析了基于传统高斯消元识别算法的性能,验证并给出了可靠出现一次校验向量的最少消元迭代次数;其次,通过遍历可能的最小校验约束长度和卷积码码率,构建消元矩阵,求解疑似校验向量;最后基于最小错误判决准则设定判决门限,实现在高误码率下校验多项式矩阵快速识别.仿真结果表明,推导的理论性能与仿真结果一致,提出的算法具有较强的容错性能.与现有方法相比,复杂度明显降低.在智能通信或通信侦察领域具有较好的应用前景.

基于深度神经网络的多传感器联合信号检测方法

针对多传感器分布式接收中的信号检测问题,提出了一种最小错误概率准则下的联合检测方法。所提方法采用分布式软信息融合处理策略,将多传感器信号检测视为二元假设检验,借助深度神经网络优异的函数逼近能力,在对神经网络结构、目标函数和网络输入输出进行分析基础上,给出了基于深度神经网络的假设检验后验概率求解方法。各独立接收单元利用深度神经网络估计信号有无两种假设的后验概率,然后送入融合中心,计算联合后验概率分布,并做出判决。与传统处理过程依赖严密的数学推导不同,所提方法参数解析和特征提取无需人工解算。最后,通过仿真实验对所提方法有效性进行了验证,并与现有方法进行了对比。结果表明,所提方法能够实现多个传感器信号有效融合,随着接收单元数目增加,能够显著提升信号检测概率,并降低虚警概率;与当前典型的S/K融合方法相比,所提方法在低信噪比下具有明显优势。

统计假设检验方法在全极化SAR变化检测中的应用

本文以全极化SAR数据为研究对象。由于全极化数据相干矩阵T3或协方差矩阵C3服从复wishart分布,所以首先在此分布的基础上利用统计假设检验方法构建似然比参数,用以表征地表地物的变化程度,然后利用基于广义高斯分布模型的EM迭代算法(GGM-EM)对变化信息进行初提取,最后充分考虑上下文信息,利用概率松弛迭代算法对初检测信息进行优化。该方法不仅全自动提取变化信息,而且经过非相干平均、初始分类、分类结果优化3次降斑去噪处理,因此检测精度较高。通过与传统对数比值法的比较,证明该方法的有效性。