基于空间信息的DBN图像分类快速训练模型

数据的指数级增长及算法本身的复杂性使深度信念网络(DBN)面临着学习效率问题。根据DBN的样本图像与空间信息无关的特点,建立了DBN图像分类快速训练模型,提出了基于多幅样本图像线性叠加合成思想的DBN图像分类算法—LSMI算法。利用信息熵理论,证明了样本图像与空间信息无关的特点,并以ORL库为依据进行了验证。根据正态历经性,提出了LSMI算法,并以COREL库和MIT库为仿真对象,与其他改进算法进行对比,从正确识别率和算法时间复杂度等指标,判断该算法的有效性。仿真结果表明LSMI算法在保证识别率不变的同时,大幅度降低了算法的训练时间,达到快速学习的目的。

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。

一种鲁棒水声基阵波束形成方法的研究

研究水声基阵波束形成器的鲁棒性问题。由于水声信号的复杂性以及波束形成方法在处理水声基阵的实际问题时存在各种误差,为提高波束形成器的鲁棒性,提出一种改进SVM的方法。首先在支持向量回归运算模型中引入加载量,再利用拉格朗日法来对含有Hubert损失函数的回归模型进行计算,并将改进方法应用于水声基阵,不仅可以减小运算量,同时可以提高波束形成器的鲁棒性。最后通过计算机仿真和水池实验数据验证,并与加载采样矩阵求逆(Loading Sample MatrixInversion,LSMI)方法进行对比。实验结果表明:在无失配、水声基阵接收信号的方向存在偏差以及基阵阵元存在轻微扰动的各种情况下,都具有比LSMI强的鲁棒性。

稳定的天线阵自适应波束形成方法研究

运用基于MVDR的样本协方差矩阵求逆(SMI),对角加载技术样本协方差矩阵求逆(LSMI),以及基于凸优化准则的最小最大准则(MinMax)方法对天线阵的自适应波束形成的稳定性进行了研究。仿真结果表明,在存在导向矢量误差的情况下,LSMI方法比SMI稳定性有所提高;在自适应旁瓣电平输出方面,MinMax方法具有较大的改善。