基于联合信息的重加权置信传播算法

针对最优映射下低密度奇偶校验(LDPC)编码调制系统无迭代增益的问题,采用因子图和互信息方法对系统进行了研究,提出了一种基于联合信息的重加权置信传播算法。和传统迭代接收算法相比,该算法改进了迭代结构,不仅增加了调制器,获得了格雷映射下的迭代增益,而且在解调器的外信息中引入加权符号信息,在译码器的外信息中引入指数型先验信息,合成为联合信息,增大解调器和解码器之间的平均互信息值,进一步提高了系统性能。从互信息角度说明该算法的合理性,同时分析了权值和自适应指数对算法性能的影响。给出了在瑞利衰落信道下的仿真结果,验证了该算法的有效性和优越性。

MSML-BERT模型的层级多标签文本分类方法研究

层级多标签文本分类相比普通的多标签文本分类更具有挑战性,因为文本的多个标签组织成树状的层次结构。当前方法使用相同的模型结构来预测不同层级的标签,忽略了它们之间的差异性和多样性。并且没有充分地建模层级依赖关系,造成各层级标签尤其是下层长尾标签的预测性能差,且会导致标签不一致性问题。为了解决以上问题,将多任务学习架构引入,提出了MSML-BERT模型。该模型将标签结构中每一层的标签分类网络视为一个学习任务,通过任务间知识的共享和传递,提高各层级任务的性能。基于此,设计了多尺度特征抽取模块,用于捕捉不同尺度和粒度的特征以形成不同层级需要的各种知识。进一步,设计了多层级信息传播模块,用于充分建模层级依赖,在不同层级之间传递知识,以帮助下层任务。在该模块中,设计了层次化门控机制,为了过滤不同层级任务之间的知识流动。在RCV1-V2、NYT和WOS数据集上进行了充分的实验,结果显示该模型的总体表现尤其是在下层长尾标签上的表现超过了其他主流模型,并且能维持较低的标签不一致比率。

MPSO算法优化BP网络的数字调制识别方法

数字调制信号的识别方法有很多,其识别效果不尽相同。为了提高数字调制信号在不同信噪比(Signal-to-Noise Ratio,SNR)下的识别性能,提出了一种基于改进粒子群(Modified Particle Swarm Optimization,MPSO)算法优化BP网络的识别方法。针对七种常见的数字调制信号,提取了六个瞬时特征参数,其中R_(σa)参数是改进得到的,同理类推得到R_(σp)。为了在保持基本粒子群(Particle Swarm Optimization,PSO)算法优点的基础上进一步提高算法的性能,增加了对粒子邻域信息的参考,再用MPSO算法优化BP网络的权值和阈值。从仿真实验可以看出,应用此方法,七种信号的识别率都可以达到86%以上,从而证明了该方法能有效地提高数字调制信号的识别性能。