一种运用SVM分类的多源态势数据关联方法

阐述如何利用多手段获取的战场多源目标态势数据生成战场态势一张图,进一步提高海上方向的监控能力。针对多源目标态势数据存在的时空误差、属性模糊等问题,提出一种运用支持向量机(Support Vector Machine,SVM)分类的多源态势数据关联方法。运用机器训练学习方式,获取不同误差下的多源态势关联,识别非线性特征参数,构建多源态势数据关联算法模型,有效形成目标批号和时空位置的唯一性。通过模拟真实数据进行验证,结果表明该算法实现效果较好,在多源态势融合方面具有较好的实用价值。     

量子遗传神经网络语音水印算法

传统的BP神经网络通常以梯度下降法作为训练搜索算法,极易陷入局部最优。本文将量子遗传算法引入到神经网络,提出了一种改进量子遗传算法优化BP神经网络系数的语音水印算法。首先利用改进量子遗传算法的良好全局搜索特性,优化BP神经网络的初始系数找出粗略解,然后采用梯度算法精细搜索出神经网络的最优权值和阈值系数,提高网络的收敛精度。理论分析和实验仿真表明,与传统的BP神经网络和遗传算法优化神经网络系数相比,本文提出的神经网络输出误差更小,有更大的水印容量。      

基于555趣味电路实验案例教学的研究与应用

文中采用实验教学案例的教学模式,实现了555定时器应用的实验教学,并根据进阶式的实验教学内容,通过翻转课堂、对分课堂、线上+线下等方式有效地推动了实验教学案例的实施。相比传统实验教学,基于实验案例教学的效果得到了显著提升,有效地提高了学生的工程实践能力和创新能力。     

采用归一化最小均方误差准则的LM-BP算法

传统神经网络通常以最小均方误差(LMS)或最小二乘（RLS）为收敛准则,而在自适应均衡等一些应用中,使用归一化最小均方误差（NLMS）准则可以使神经网络性能更加优越。本文在NLMS准则基础上,提出了一种以Levenberg-Marquardt（LM）训练的神经网络收敛算法。通过将神经网络的误差函数归一化,然后采用LM算法作为训练算法,实现了神经网络的快速收敛。理论分析和实验仿真表明,与采用最速下降法的NLMS准则和采用LM算法的LMS准则相比,本文算法收敛速度快,归一化均方误差更小,应用于神经网络水印系统中实现了水印信息的盲提取,能更好的抵抗噪声、低通滤波和重量化等攻击,性能平均提高了4%。      

一种改进的量子神经网络训练算法

针对训练多层激励函数量子神经网络(MAF-QNN)时权值与量子间隔的目标函数存在冲突,导致收敛速度和网络性能下降的问题,该文提出一种改进的量子神经网络的训练算法。通过设计输出均方误差和这一目标函数对权值和量子间隔进行统一训练,同时引入Levenberg-Marquardt(LM)算法降低目标函数陷入局部极小值的概率,实现了对量子神经网络的高效训练。实验结果表明,该文提出的训练算法有效减少了迭代次数,显著提高了网络收敛精度,可应用于数据分类、函数逼近等场合,扩展了多层激励函数量子神经网络的应用领域。     

一种SQUID传感器基线漂移和工频干扰联合抑制新方法

基于超导量子干涉器件的低频微弱磁场测量系统,在无磁屏蔽环境下工作时容易受到大地磁场和输电线路干扰,测量数据中混叠有严重的基线漂移和工频谐波干扰。为了提高微弱磁场信号检测性能,本文提出了一种基线漂移和工频干扰联合抑制新方法。该方法首先利用噪声辅助的多维经验模式分解部分重构信号,消除基线漂移带来的非平稳性影响。然后根据工频干扰的短时平稳特性,采用最小二乘法对工频干扰进行抑制。数值仿真和不同环境下实测数据处理结果表明,与自适应滤波方法相比,本文方法对于基线漂移和工频干扰具有更好的处理效果,满足系统在野外无磁屏蔽条件下的应用要求。      

采用量子神经网络的音频水印新算法

提出了一种采用小波变换和量子神经网络的音频数字水印算法。首先对分帧的音频信号进行小波分解,利用量子神经网络将音频信号的小波低频系数映射为数字水印;然后利用分类准确小波低频系数替换少量分类模糊的小波低频系数,提高水印检测正确率。实验结果表明,通过合理选择替换门限,可以提高算法的鲁棒性,有效抵御噪声、低通滤波、重采样、重量化等攻击。在无门限条件下,相比BP神经网络的水印检测正确率平均提高约1%。