基于混合模重构的kNN回归

对于线性回归中k NN(k-Nearest Neighbor)算法的k值固定问题和训练样本中的噪声问题,提出一种新的基于重构的稀疏编码方法。该方法用训练样本重构每一个测试样本,重构过程中,l_1-范数被用来确保每个测试样本被不同数目的训练样本来预测,以此解决kNN算法固定k值问题;l_(2,1)-范数导致的整行稀疏被用来去除噪声样本,以避免数据集上的噪声对重构产生不利影响。实验在UCI数据集上显示:新的改进算法比原来的kNN算法在线性回归中具有更好的预测效果。

用于Nested阵列的多测量矢量DOA估计算法

Nested阵列协方差矩阵向量化后可认为是单测量矢量(Single Measurement Vector,SMV)模型,基于追踪算法和正交匹配追踪等算法在SMV模型下估计多个信源精度不高。针对这一问题,在空间平滑算法的基础上,提出了一种用于Nested阵列的多测量矢量(Multiple Measurement Vector,MMV)DOA估计算法。将SMV模型转为MMV模型,基于奇异值分解的1范数重构算法进行测向。仿真结果表明,基于所提MMV模型的1范数重构算法能够准确估计出目标数多于阵元个数的信号的波达方向。