基于压缩感知的空间目标三维雷达成像方法

对于稳定飞行的空间目标,俯仰向上的多圈次回波数据是稀疏分布的,从有限的观测数据中反演目标的三维反射率函数是不适定问题,观测噪声也会影响反演的结果,因此传统的FFT算法不再适用,必须引入适当的先验信息才能生成目标的三维图像.文章针对空间目标轨道的运动特性,首先推导了回波俯仰向表达式,然后结合目标散射中心稀疏分布特性和压缩感知原理,提出了一种基于多圈次稀疏观测的空间目标三维成像算法.该方法利用噪声单元估计噪声门限,当观测模型满足约束等距性质时,利用加权迭代的压缩感知算法进行成像处理,生成目标的三维图像.最后结合实测轨道模型,仿真验证了在低信噪比下,基于噪声估计的压缩感知算法能实现对目标三维像的精确重构.     

并行协作骨干粒子群优化算法

为解决骨干粒子群优化(Bare-Bone Particle Swarm Optimization,BBPSO)的早期收敛问题,本文通过粒子的运动行为分析了导致BBPSO早期收敛的因素,并提出并行协作BBPSO,该算法采用并行的主群和从群之间的协作学习来平衡勘探和开采能力.为了增强主群的勘探能力,提出动态学习榜样策略以保持群体多样性;同时提出随机反向学习机制以实现从群的从全局到局部的自适应搜索功能.在14个不同特征的测试函数上将本文算法与6种知名的BBPSO算法进行对比,仿真结果和统计分析表明本文算法在收敛速度和精度上都有显著提高.     

基于模拟关系的编译优化实现正确性验证方法

编译器中通常采用各种优化方法来提高目标代码的质量,为了实现较好的效果,一些编译优化算法通常十分复杂,很容易给可靠性和安全性带来隐患.现有的编译器缺陷大部分是由优化阶段引起的.传统的编译优化正确性研究大部分只关注优化算法的正确性,但是只有该算法被正确的实现了才能确保实际运行的优化过程是正确的.本文提出一种基于模拟关系的方法来验证编译优化实现的正确性.在每次优化结束后,我们通过建立优化前代码和优化后代码之间的模拟关系生成优化正确应满足的逻辑条件,然后验证逻辑条件是否成立从而判定编译优化的实现是否正确性.以优化编译中的常量折叠优化和变量替换的验证作为示例显示了本方法的有效性和可靠性.     

采用空间稀疏性的单星无源定位方法

针对传统单星定位中,参数估计和目标定位被分为两个独立阶段造成定位不优化的问题,提出了一种采用空间稀疏性的单星无源定位方法.该方法通过持续测量目标信号的多普勒频率,利用干扰源位置在地面分布的空间稀疏性,通过构建干扰信号的多普勒频率与地理位置满足的凸优化问题来实现干扰源定位.该定位方法利用了干扰信号的累积时间和干扰源位置的空间分布信息,在一个阶段中完成卫星定位.仿真证实该方法在单星定位中可得到较高的定位精度.     

相空间重构和正则极限学习机的网络流量预测

网络流量预测一直是网络研究技术中的热点,针对网络流量变化的时变性、混沌性,提出一种相空间重构和正则极限学习机的网络流量预测模型。首先收集大量的网络流量历史样本,并进行相应的预处理,然后根据混沌理论确定最优延迟时间和嵌入维数,并重构网络流量学习样本,最后采用正则极限学习机建立网络流量预测模型,并进行仿真对比实验。结果表明,相对于其它网络流量预测模型,本文模型可以更加准确描述网络流量的非线性变化特点,提高网络流量预测精度,预测结果具有一定实用价值。     

MIMO干扰信道下的协作干扰对齐优化算法

干扰对齐是将来自其他发射机的干扰信号对准到同一信号子空间,从而减少对期望信号的干扰的一种传输技术,近年来得到了广泛的关注.本文为K用户多输入多输出(MIMO)干扰信道系统提出了一种协作干扰对齐优化算法.通过对信道的奇异值分解,基于矩阵弦距离,不仅选出一组最好的特征子信道来传输信号,而且还选取一组有利于有用信号远离干扰信号的预编码矩阵,这样,可以最大化减少干扰对有用信号的影响.另外,本文还根据得出的预编码矩阵来计算和优化干扰抑制矩阵.本文算法在没有用迭代的基础上来计算预编码矩阵和干扰抑制矩阵,这样不仅使整个系统的复杂度大大降低,进一步,仿真结果显示容量和能量效率较其他算法有明显改进,这也正是最近受到广泛瞩目的绿色通信所要求的.     

基于海量物联网数据的压缩感知及其并行处理

物联网是当前人们的研究热点,本文提出使用压缩感知理论处理大规模的物联网中产生的海量数据.压缩感知是一种能够在采样的同时实现数据压缩的采样方法,它可以通过降低采样率显著减少采集的数据量,但压缩感知算法的计算复杂度高、对信号的适应性差.针对压缩感知方法的缺点,本文尝试对压缩感知算法并行处理方法以提高压缩感知的计算速度,同时引入冗余字典构造稀疏变换基以提高压缩感知对信号的适应性.     

RM算法的运行时开销研究与算法改进

RM算法是经典的固定优先级实时调度算法.而在嵌入式实时系统中,系统的工作负荷往往是由很多频率快、执行时间较短的任务组成.因此,直接使用RM算法进行任务调度会由于实时操作系统中任务的上下文切换开销而导致嵌入式系统资源利用率的降低.分析了基于RM算法调度的任务之间的抢占关系,并建立了以任务属性为参数的上下文切换开销模型.在该模型的基础上,通过优化任务的释放时间来降低RM算法导致的系统运行时任务切换开销.最后的实验结果验证了该策略的有效性.     

基于改进 ＰＳＯ￣ＢＰ 神经网络算法的半导体材料带隙宽度预测

半导体材料的带隙宽度对其性能有重要影响,准确预测带隙宽度对半导体材料的研究具有重要意义。通过密度泛函理论计算半导体材料带隙宽度通常需要耗费大量的时间且预测精度较低,因此建立了一种基于统计学方法和改进PSO-BP神经网络算法的半导体材料带隙宽度预测模型,用于提高带隙值的预测精度。该模型先通过统计学的方法对半导体材料带隙宽度数据集的特征属性进行分析和选择,而后利用改进的PSO-BP神经网络算法挖掘特征属性与带隙值之间隐含的数学关系。实验结果表明,该预测模型相比于对照模型的均方误差降低了25％以上,可靠性达到了75.15%,可广泛应用于需要大量预测半导体材料带隙宽度的场合中。     

小样本目标识别问题下的BN参数学习

目标识别问题中存在大量不确定信息, 利用BN可以对不确定信息及其相互关系进行学习与推理。但是, 目标识别问题的样本量较小, 在参数学习过程中, 常因观测数据不足产生误差, 需要引入单调性信息等专家经验, 针对这一问题, 提出最小元算法。首先, 利用最小元表达单调性信息, 将其转化为参数学习可以直接利用的先验信息; 然后, 基于保序回归思想, 对参数学习结果进行优化, 消除误差, 得到相对准确的网络参数。以空中目标识别为仿真背景, 与最小子集算法比较, 验证了该算法在准确度与复杂度等方面的优势。