基于迭代列消元法的线性分组码参数盲识别

针对线性分组码参数盲识别容错性能差的问题,提出基于迭代列消元法的线性分组码参数盲识别方法。首先对截获矩阵应用迭代列消元法,将其相关列对应各个窗内的转移矩阵中的列向量作为候选校验向量,再根据截获矩阵对偶码空间归一化维数来识别码字长度和同步时刻,最后将对偶码字进行初等行变换识别校验矩阵。仿真结果证明,与以往盲识别方法相比,所提方法容错性能好,适用于各种码率的线性分组码的码字长度、同步时刻和生成多项式识别。

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.

低信噪比地震资料FDOC-seislet变换阈值消噪方法研究

地震数据本质上是时变的,不仅有效同相轴表现出确定性信号的时变特征,而且复杂地表和构造条件以及深部探测环境总是引入时变的非平稳随机噪声.标准的频率-空间域预测滤波只适合压制平面波信号假设下的平稳随机噪声,而处理非平稳地震随机噪声时,需要将数据体分割为小窗口进行分析,但效果不够理想,而传统非预测类随机噪声压制方法往往适应性不高,因此开发能够保护地震信号时变特征的随机噪声压制方法具有重要的工业价值.压缩感知是近年出现的一个新的采样理论,通过开发信号的稀疏特性,已经在地震数据处理中的数据插值以及噪声压制中得到了应用.本文系统地分析了压缩感知理论框架下的地震随机噪声压制问题,建立了阈值消噪的数学反演目标函数;针对时变有效信息具有的可压缩性,利用有限差分算法求解炮检距连续方程,构建有限差分炮检距连续预测算子(FDOC),在seislet变换框架下,提出一种新的快速稀疏变换域——FDOC-seislet变换,实现地震数据的高度稀疏表征;结合非平稳随机噪声不可压缩的特征,提出了一种整形迭代消噪方法,该方法是一种广义的迭代收缩阈值(IST)算法,在无法计算稀疏变换伴随算子的条件下,仍然能够对强噪声环境中的时变有效信息进行有效恢复.通过对模型数据和实际数据的处理,验证了FDOC-seislet稀疏变换域随机噪声迭代压制方法能够在保护复杂构造地震波信息的前提下,有效地衰减原始数据中的强振幅随机噪声干扰.

一种增强的K-prototypes混合数据聚类算法

针对K-prototypes算法处理混合数据时精度不高等问题,提出了一种增强的K-prototypes混合数据聚类算法(An Enhanced K-prototypes Mixed Data Clustering Algorithm,EKPCA).首先定义了一种新的距离计算公式,扩大了数据之间的差异性,有利于对簇边缘数据进行合理划分;其次选取较多初始原型来覆盖数据的整体信息;最后迭代消去多余原型,得到数据集的真实分类.在8个UCI数据集上对算法进行评测,实验结果表明EKPCA算法有较高聚类精度.

矿产预测中的成矿因子选择方法:以滇东南金矿预测为例

由于矿产地质信息的复杂性和不确定性,难以建立精确的数学模型来确定矿产资源的分布状况.非线性分析建模技术,如人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)等,给矿产预测工作提供了新的途径.这类方法在处理数据时可以避免数据分析和建模的困难,即不须理解各种成矿因子与矿床(点)之间的相互关系,只须选择已知的矿床(点)和非矿产(点),进行"黑箱"学习.虽然经过合理的训练,这类方法能够得到较高的预测精度,但由于其分类过程的非线性特性,难以获得容易理解的分类规则,提供成矿因子的知识.本文采用基于SVM的迭代特征消去(Recursive Feature Elimination,RFE)技术(SVM-RFE),即在SVM模型的训练过程中,采用RFE特征选择方法,从所有输入的成矿因子中选择出对矿床(点)能正确预测的重要因子,以提供对输入模型的成矿因子的客观评价.通过对滇东南地区金矿预测的实践表明,采用SVM-RFE技术从原始10类成矿因子中自动选择6类进行预测的精度从68.42%提高到94.74%,并且得到该区域进行矿产预测的成矿因子重要性依次是:Au异常、As异常、侵入岩、下三叠统与中三叠统之间的平行不整合面、上二叠统与三叠系的平行不整合面、断裂交汇点密度、石炭系和下二叠统间的平行不整合面、中上泥盆统和石炭系间的平行不整合面、Sb异常和Hg异常,从中选取前6类成矿因子进行SVM训练得到的预测精度最高.这一结论可为在该区域进行矿产预测的资料选取,以及对成矿因子的理解提供支持.

一种线性分组码参数的全盲识别算法

提出了一种基于迭代列消元法的线性分组码参数全盲识别算法。该方法首先对截获二进制码流构造截获矩阵,然后对截获矩阵进行迭代列消元法,利用相关列的归一化数目最大值来识别码字长度和同步时刻。同时,对截获矩阵进行迭代列消元法后的矩阵,选取其中一个小矩阵窗内相关列都是全零列,将其对应的转移矩阵中的列向量横向放入校验矩阵,完成校验矩阵的识别。此外,根据相关列和独立列中的码元0的比例减去1的比例的统计特性差异,提出了判别相关列和独立列的门限。仿真结果证明,在误码率为0.01时,该文算法仍能取得很好的效果。

基于高斯噪声模型的马尔可夫网络构建算法

针对小样本集构建稀疏马尔可夫网络计算量大和求解精度不高的问题,提出一种基于高斯噪声模型的迭代噪声消减(iterative noise reduction,INR)算法。该算法首先利用回归误差的高斯特性筛选相关变量,然后通过boosting方法的自回归更新策略逐步改进学习能力,最后采用赤池信息准则(Akaike information criterion,AIC)避免出现过拟合。此外,给出了自回归更新公式,实现了可控的学习错误率并分析了计算复杂度。实验结果表明,INR能有效构建高维稀疏网络,在学习效率和精度方面具有明显优势。