一种基于APES算法的弱ADS-B信号参数估计方法

星基广播式自动相关监视(ADS-B)是能够用于广域范围内飞行目标监视的新一代监视技术,是ADS-B系统的重要发展方向。相对于一般的陆基ADS-B系统,星基ADS-B系统信号需要更长距离链路传输,因此系统接收端接收到的信号较弱,会对信号处理和解码造成严重的影响。针对星基ADS-B信号的特点,介绍了一种基于幅度和相位估计(APES)算法的弱ADS-B信号参数估计方法:首先对信号进行非相干解调并译码,找到信号的高置信度码位,之后利用高置信度码位处的信号集合对信号使用改进后的APES算法进行频率和相位估计,估计值可用于对信号重新相干解调从而提高信噪比和正确译码概率。为了提高算法效率,该方法先利用快速傅里叶变换(FFT)对信号频率进行粗估计后,再使用APES算法进行精估计。仿真结果表明,在低信噪比和低采样率的情况下,算法达到了较高估计精度。

基于Duffing系统与APES算法的DFIG定子匝间故障检测新方法

简要介绍了Duffing振子信号检测和幅度相位估计(APES)算法的原理,提出将Duffing振子信号检测与APES算法相结合的双馈感应风力发电机(DFIG)定子匝间故障检测新方法。利用Duffing振子参数敏感性及对背景噪声的强免疫性,根据相轨迹图变化判断是否存在待测故障特征,在此基础上结合APES算法确定故障特征的振幅,弥补了Duffing振子无法提供准确幅值的不足。仿真结果证明了所提方法的实用性和有效性。

基于AP聚类算法的联邦学习聚合算法

在传统的联邦学习中,多个客户端的本地模型由其隐私数据独立训练,中心服务器通过聚合本地模型生成共享的全局模型。然而,由于非独立同分布(Non-IID)数据等统计异质性,一个全局模型往往无法适应每个客户端。为了解决这个问题,本文提出一种针对Non-IID数据的基于AP聚类算法的联邦学习聚合算法(APFL)。在APFL中,服务器会根据客户端的数据特征,计算出每个客户端之间的相似度矩阵,再利用AP聚类算法对客户端划分不同的集群,构建多中心框架,为每个客户端计算出适合的个性化模型权重。将本文算法在FMINST数据集和CIFAR10数据集上进行实验,与传统联邦学习FedAvg相比,APFL在FMNIST数据集上提升了1.88个百分点,在CIFAR10数据集上提升了6.08个百分点。实验结果表明,本文所提出的APFL在Non-IID数据上可以提高联邦学习的精度性能。

结合特征金字塔网络的半监督AP聚类算法

为使AP算法对图像进行聚类时充分考虑不同尺度的特征及有效利用未标记数据的特征,提出了结合特征金字塔网络的半监督AP聚类算法(Semi-supervised AP clustering Based on Feature Pyramid Networks, FPNSAP)。FPNSAP算法使用改进的特征金字塔网络来获得图像不同尺度的特征图,对不同大小的特征图进行融合,获得图像的高级语义特征,识别不同大小、不同实例的目标;k近邻标记更新策略可以动态增加标记数据集样本数量,充分利用未标记数据的特征,提高AP算法的聚类性能。FPNSAP算法与四个经典算法(FCH、SAP、DCN和DFCM)在Fashion-MNIST、YaleB和CIFAR-10数据集上进行实验对比,结果表明,FPNSAP算法具有较高的聚类性能,同时算法的鲁棒性更好。

基于改进属性约简的细粒度并行AP聚类算法

Affinity Propagation(AP)聚类算法将所有数据点作为潜在的聚类中心,在相似度矩阵的基础上通过消息传递进行聚类.与传统聚类方法相比,对于规模很大的数据集,AP是一种快速、有效的聚类方法.正是这样,属性约简对于AP算法非常重要.另外,在大规模并行系统的设计中,细粒度并行是实现高性能的基本策略.提出了一种基于改进属性约简的细粒度并行AP聚类算法(IRPAP),将粒度思想引入到并行计算中.首先分析了并行计算中的粒度原理.然后用改进的属性约简算法对数据集预处理.此算法并行计算并选择差别矩阵元素,降低了时间空间复杂度,最后用AP算法聚类.整个IRPAP算法将任务划分到多个线程同时处理.实验证明,对于大规模数据集的聚类,IRPAP算法比AP算法效率更高.

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。

一种用于公交站点聚类的AP算法

针对公交站点全球定位系统数据采集过程中定位精度较低的问题,提出一种用于公交站点聚类的AP算法。AP算法以相似度矩阵为基础,根据聚类对象自动进行分类判断,依靠2点之间消息传递迭代更新得到最佳的聚类结果。针对公交站点数据特征选择参考度,提出个数控制和距离控制的改进方法。实验结果表明,该算法能够准确得到公交站点聚类个数,有效排除噪声点,执行效率满足要求。

合成孔径雷达原始数据压缩AP算法幅相比特分配研究

该文研究合成孔径雷达原始数据压缩AP算法,由非正态信源率失真不等式下界结合拉格朗日乘子法推导了幅相比特分配的微分熵公式,指出幅度微分熵和相位微分熵决定了幅相比特分配。进一步研究了相位的均匀分布特性和幅度的瑞利分布特性,由连续信源微分熵定义推导了幅相比特分配的幅度均值公式,指出幅度均值是决定幅相比特分配的唯一因素。根据统计直方图和概率密度之间的关系,给出了更为一般情况下的幅度相位微分熵计算公式。两种幅相比特分配方案各有优点,都可以实现幅度相位比特的自动分配。真实数据实验证实了该方法的有效性。

一种变步长AP-REE算法的研究

为了提高自适应滤波器的滤波性能,提出了一种变步长的AP-REE算法。通过分析AP-REE算法权值误差和权值均方误差的二阶统计量,获得了参数迭代步长的一个优化解,促进了AP-REE算法在迭代方向上均方误差的收敛速度。仿真结果表明,相比较于定步长的AP-REE算法,变步长的AP-REE算法获得了更快的收敛速度。

基于初始偏向度的AP算法聚类性能优化研究

在对AP算法仿真研究过程中发现,样本数据点作为类代表点的初始偏向度取值,与算法最终聚类性能有着密切的联系。针对两者之间的数量关系展开深入研究,通过建立初始偏向度多重单目标优化模型,限定算法花费时长在可设定的范围内,确定初始偏向度最优取值,使得算法聚类准确率取得最优,同时花费时长相对较小。实验结果表明,对于三种经典的标准数据集4k2-far、wine和iris,优化后的AP算法与优化前相比,在降低花费时长的同时提高了聚类准确率,从而有效提高算法的聚类性能。

AP算法在图像聚类中的应用研究

文章提出采用分块加权颜色直方图作为图像特征,将Affinity Propagation(AP)聚类算法应用到图像聚类中,并将该算法加以实现,进行算法性能研究,实验结果表明AP聚类算法应用于图像聚类能够取得较好的效果。

合成孔径雷达原始数据AP-TCQ压缩算法

研究了合成孔径雷达原始数据幅相压缩算法(Amplitude and Phase,AP)和网格编码量化(Trellis codedquantization,TCQ),提出了合成孔径雷达原始数据AP-TCQ压缩算法。将I,Q两路原始数据转化为极坐标下相同大小的幅度-相位数据,根据率失真不等式由拉格朗日乘子法推导了基于幅度微分熵和相位微分熵的最优比特分配公式,然后用对应的比特数分别进行幅度和相位的网格编码量化。文中还探讨了TCQ码书的构成对AP-TCQ压缩算法性能的影响,通过理论分析和实验结果比较指出:幅度数据采用瑞利分布Lloyd-Max码书进行TCQ量化(Rayleigh trellis coded quantization,RTCQ),相位数据采用均匀分布Lloyd-Max码书进行TCQ量化(Uniform trellis coded quantization,UTCQ),具有最佳的量化性能。与I,Q两路原始数据采用TCQ算法和已有的AP算法相比,该方法能够很好地保留原始数据的相位信息,且能够实现幅度相位压缩量化比特自动分配,具有更好的压缩性能。

AP聚类算法的分析与应用

Affinity propagation(AP)聚类算法是通过消息传递实现聚类的,不需要事先指定聚类数目.对于规模较大的数据集,AP聚类是一种快速、有效的聚类方法,这是其他传统聚类方法所不能及的,如K-centers方法.研究了AP算法的原理和步骤,通过实验,证明了AP聚类算法的实用性和有效性.

一种迭代加权更新的带加速算子的半监督AP聚类算法

为了提高AP算法的数据集分类准确度和收敛速度,提出一种基于改进AP算法的迭代加权更新的带加速算子的半监督AP聚类算法(AP-SSM)。该算法采用带约束的标签映射的方法对样本所属子簇进行分类,在采用传统AP聚类算法上引入了迭代加权更新方法来吸引度参数和适选度参数,并在算法聚类过程中引入了加速因子,考虑到了子簇自身数据中心和权重值的加速因子可以提高聚类精度和算法收敛性能。仿真实验结果表明,AP-SSM算法相比AP、AP-VSM、SAP算法,在数据集分类准确度和算法运行速度上具有更好的效果。

基于AP聚类的分簇网络拓扑控制算法

针对无线传感器网络LEACH协议分簇过程中存在的簇头节点分布不均匀、选取时未考虑节点剩余能量的问题,提出了一种基于近邻传播聚类的自适应双选分簇网络拓扑控制算法(ADSAP)。ADSAP在参考AP聚类算法中聚类中心的选举策略的同时引入参考节点概念,能够根据当前参考节点的状态选择性的使用基于AP聚类的分簇策略或基于参考节点的分簇策略。两种分簇策略综合考虑了无线传感器网络中各个节点的剩余能量以及节点与汇聚节点间距离因素,能够在获取分布较为均匀的簇头节点的同时避免出现自身剩余能量较低的节点当选簇头节点的情况出现。仿真结果表明:基于ADSAP分簇算法的LEACH协议(ADSAPLEACH)相比于原LEACH协议分簇算法能够使簇头分布更加均匀、簇头选举更为合理、网络能耗更加均衡,有效延长了整个传感器网络的寿命。

改进的AP聚类算法研究

AP聚类算法是Frey和Dueck在2007年提出的一个先进的聚类方法.该算法具有较传统聚类算法更好的聚类性能,已被成功地应用于计算机科学的研究领域.为了获得高质量的聚类集,原始AP算法的迭代是在全部数据点之间交流信息,直到收敛.由于这种算法在计算数据时需要占用二次CPU时间,不适用于大规模的数据集,因此,本文在AP算法的基础上提出了一种有效的聚类算法.该算法在迭代时可修剪不必要的信息,且在计算消息收敛的同时确定迭代集群,并对算法进行了实验,证明算法是有效的.

一种自适应AP算法的matlab实现

AP算法是Fey BJ.等人提出的一种聚类算法.与传统的K均值聚类算法相比,AP算法不需要选择初始的聚类中心点,因此,聚类结果更客观.但AP算法中相似度矩阵对角线上的偏向值需要人为设定,而这个值会影响到聚类数目;另外,当AP算法发生震荡时,算法无法自动退出震荡.为解决AP算法中的振荡问题及相似度矩阵对角线上元素值的确定问题,王开军等人提出了自适应AP算法,逐步改变偏向值p,得到不同的聚类结果,再根据聚类结果的Silhouette指标,找出最好的Silhouette指标对应的偏向值及聚类结果.当震荡发生时,逐步增加阻尼因子?值,直到算法退出震荡.使用MATLAB实现了自适应AP算法和Silhouette评价指标,为后续的研究工作打下基础.

一种基于AP-Entropy选择集成的风控模型和算法

近年来互联网金融网贷领域涌现出了众多的风控问题,对此采用多种特征选择方法预处理风控领域的数据指标,构建了全面的针对企业信用的风控指标体系,采用stacking集成策略研究了基于AP-Entropy的信用风险模型。信用风险模型有两层学习器,引入选择集成思想,从种类和数量上筛选基学习器。首先,在Logistic回归、反向传播神经网络、AdaBoost等经典机器学习算法中,采用AP聚类算法选出适合企业信用风险的异质学习器作为基学习器;其次,在每次学习器迭代中,利用熵对学习器择优,自动选出F1值最高的基学习器,其中改进基于熵的学习器选择算法,提升了基学习器选择过程的效率,降低了模型的计算成本,模型选取XGBoost作为次级基学习器。实验结果表明,文中提出的模型和其他模型相比具有更好的学习效果和更强的泛化能力。

AP数据源融合算法构建基因调控网络

针对单一数据集构建基因调控网络算法数据量不足及构建网络结果不精确的问题,提出一种基于能力与信任(AP)的数据源融合算法.该算法将基因表达数据、蛋白质相互作用数据和基序数据集,分别通过控制与被控制双向数据流传输来分析和构建基因调控网络,并与ReMoDiscovery,CLR和C3Net三种已开发模型在酵母全基因组网络构建结果的AUC值进行对比.对比结果表明,该算法在构建基因调控网络算法方面执行效率更高、收敛性更强.

基于AOG的战场情况事件模型和AP聚类算法

在不断收集累积海战场信息的过程中,由于缺乏统一的战场事件模型支持,所得到的部分信息只以文字形式表达,无法快速直观地把握战场信息,也无法研究事件内部及事件之间的关系。针对上述问题,研究了海战场时空事件的与或图(AOG)模型,基于反向传播过程建立了事件整体亲和度计算规则,并利用仿射传播(AP)聚类算法实现了非对称亲和度下的事件聚类。研究结果表明,AOG模型可直观地表示海战场时空事件,清晰地把握事件涉及的实体、时空以及事件内部各要素之间的关系。在AOG模型的基础上,使用AP聚类算法能够根据事件之间的亲和度对事件进行有效聚类。