利用稀疏贝叶斯理论的跳时估计方法

当跳频信号的频率不在预设的频率集中时,为了提高跳时估计的正确率,提出了一种基于稀疏贝叶斯理论的跳时估计方法。该方法首先在信号模型中设置频率偏差参数;其次利用狄利克雷过程以及稀疏贝叶斯理论,设计接收信号模型中各个参数的迭代规则,并在每次迭代中利用频率偏差参数修正频率字典矩阵;最后,算法收敛时可得到用于计算谱图的稀疏矩阵,进而可以得到跳时的估计值。仿真结果表明,该算法估计的跳时正确率高于其他方法,并且计算的谱图的真实性也高于其他方法。

稀疏信号结构性噪声干扰下的感知矩阵优化

针对具有结构性噪声干扰的稀疏信号处理问题,该文提出一种基于贝叶斯理论的感知矩阵优化设计方法。结合具有加性干扰的稀疏信号模型,通过对感知矩阵进行能量约束,最小化信号的后验协方差矩阵的迹,实现感知矩阵的优化设计。仿真不同信号稀疏度和重构算法时,感知矩阵优化对信号重构误差和重构时间的影响;分析信号先验信息存在偏差时,感知矩阵优化对重构效果的影响。仿真结果表明,优化后的感知矩阵能够更好地获取稀疏信号中的重要信息,信号重构精度的均方误差减小约15～25 dB,重构时间减少约40%。

相关向量机及其在铜锍吹炼中的应用研究

相关向量机(Relevance Vector Machine,RVM)是一种新的在稀疏贝叶斯概率模型的基础上发展起来的基于统计学习理论的机器学习方法,它比支持向量机(Support Vector Machine,SVM)有更多优点,已成为数据挖掘的又一高效有力工具.本文研究了RVM在铜锍吹炼中的应用,用RVM对某冶炼厂铜锍吹炼过程参数进行预测,结果表明,RVM在处理小样本、非线性、高维数据时效果较好,并且在某些方面优于SVM.