摘要:设计了一种新的适用于大数据的管理和分析模型——大数据随机样本划分（Random sample partition，RSP）模型，它是将大数据文件表达成一系列RSP数据块文件的集合，分布存储在集群节点上。RSP的生成操作使每个RSP数据块的分布与大数据的分布保持统计意义上的一致，因此，每个RSP数据块是大数据的一个随机样本数据，可以用来估计大数据的统计特征，或建立大数据的分类和回归模型。基于RSP模型，大数据的分析任务可以通过对RSP数据块的分析来完成，不需要对整个大数据进行计算，极大地减少了计算量，降低了对计算资源的要求，提高了集群系统的计算能力和扩展能力。本文首先给出RSP模型的定义、理论基础和生成方法；然后介绍基于RSP数据块的渐近式集成学习Alpha计算框架；之后讨论基于RSP模型和Alpha框架的大数据分析相关计算技术，包括：数据探索与清洗、概率密度函数估计、有监督子空间学习、半监督集成学习、聚类集成和异常点检测；最后讨论RSP模型在分而治之大数据分析和抽样方法上的创新，以及RSP模型和Alpha计算框架实现大规模数据分析的优势。

摘要:雷达信号分选是电子对抗的关键技术，提取和补充新的特征参数是解决复杂体制雷达信号分选难题的有效手段。鉴于模糊函数是表征信号内在结构上的有效工具，本文采用改进粒子群算法（Particle swarm optimization，PSO）快速搜索信号的模糊函数主脊切面，并提出一种基于局域差分的模糊函数主脊切面特征提取方法，提取出差值和、差值最大值和差值分布熵3个特征，以表征不同信号波形结构上的局域差异；然后通过模糊C均值算法对提取的特征参数进行聚类性能分析。最后使用LFM，BFSK，CON，QPSK，M-SEQ及BPSK共6种典型信号进行实验。实验结果表明，在固定信噪比下，当SNR不低于0 dB时，CON，LFM及BFSK信号的平均聚类准确率达到98.7%，6类信号的平均准确率为93.2%。在0~20 dB动态信噪比环境下，平均分选准确率仍保持在80.5%以上，且算法具有较好的特征提取时效性，证明了所提方法的可行性和有效性。

摘要:现有的压缩感知MIMO-OFDM信道估计方法多采用正交匹配追踪算法及其改进的算法。针对该类算法重构大规模的数据存在计算复杂度高、存储量大等问题，提出了基于梯度追踪算法的MIMO-OFDM 稀疏信道估计方法。梯度追踪算法采用最速下降法对目标函数解最优解，即每步迭代时计算目标函数的搜索方向和搜索步长，并以此选择原子得到每次迭代重构值的最优解。本文使用梯度追踪算法对信道进行估计，并与传统的最小二乘估计算法、正交匹配追踪算法的性能和计算复杂度进行比较。仿真结果表明，梯度追踪算法能够保证较好的估计效果，减少了导频开销，降低了运算复杂度，提高了重构效率。

摘要:在基于视频图像的群组行为识别方法中，传统的深度学习方法大多使用标准（最大/平均）池化操作对卷积特征进行处理，并且未考虑群组行为中的关键人物对群组行为分类的重要性。针对以上问题，本文提出一种基于注意力机制的模型来检测群组行为视频中的行为，重点关注活动中的关键人物，根据注意力权重的不同分配动态地对卷积特征进行池化，最终正确识别视频图像中的群组行为。此模型在群组行为数据集CAD（Collective activity dataset）和CAE（Collective activity extended dataset）上的识别准确率优于许多使用标准池化结构的现有模型。

摘要:现有的多源迁移学习算法对回归问题的研究极少，大多是解决对称的二分类问题，本文提出了加权多源TrAdaBoost的回归算法，其中误差容忍系数能一定程度解决源领域样本权重缩减过快的问题，提高了算法的效果。在修改后的Friedman #1回归问题上进行了实验，验证了该算法的有效性，误差容忍系数可以提高大约0.01的分数。将该算法应用到电力通信网的行业问题中，提出了异常站点（业务数量缺失严重的站点）检测与真值预测模型，在特征工程中使用了社交网络分析的方法，充分考虑了站点在拓扑图中的重要性。最终的实验效果进一步验证了算法的有效性。

摘要:机器学习涉及一些隐含的敏感数据，当受到模型查询或模型检验等模型攻击时，可能会泄露用户隐私信息。针对上述问题，本文提出一种敏感数据隐私保护“师徒”模型PATE-T，为机器学习模型的训练数据提供强健的隐私保证。该方法以“黑盒”方式组合了由不相交敏感数据集训练得到的多个“师父”模型，这些模型直接依赖于敏感训练数据。“徒弟”由“师父”集合迁移学习得到，不能直接访问“师父”或基础参数，“徒弟”所在数据域与敏感训练数据域不同但相关。在差分隐私方面，攻击者可以查询“徒弟”，也可以检查其内部工作，但无法获取训练数据的隐私信息。实验表明，在数据集MNIST和SVHN上，本文提出的隐私保护模型达到了隐私/实用准确性的权衡，性能优越。

摘要:提出了一种异构多中继压缩转发系统理论模型，其中继节点将模拟信号量化压缩成数字信号后，以不同功率经高斯信道发送给目的节点，目的节点经合并译码得到信源节点信息的估计值。然后对该种模型提出了相应的理论分析框架，并根据高斯信源（Chief executive officer,CEO）问题和香农信道容量理论推导出系统模型的表达式。最后结合总功率受限的情况，在信源节点与中继节点之间进行了功率分配，使得系统性能最优。仿真结果表明，该系统的信噪比性能优于同条件下的放大转发系统。

摘要:大数据时代，大规模数据往往由多个数据源组成并服务于多个数据驱动型应用程序。由于数据源的可信度不同，不同数据源往往会产生数据冲突，使得难以判断哪些信息是真实的。近年来，真值发现方法通过从多个数据源中找到最符合现实的真值来解决冲突而成为研究热门。当前真值发现算通常假设实体某个属性只有一个真值，然而在现实中，实体具有多个真值的情况更为常见。针对多值实体提出了一个多真值发现算法，该算法将多真值发现转化为一个函数优化问题。根据对目标函数的求解选取置信度最高的多个值作为实体的真值。同时在计算描述值的置信度时，提出一种非对称的支持度计算方法，结合相似值的支持对其置信度进行修正。通过多个真实数据集上的实验表明本文算法的准确性优于现有的真值发现算法。

摘要:针对投影子空间正交性测试（Test of orthogonality of projected subspaces，TOPS）对宽带信号波达方向估计（Direction?of?arrival, DOA）存在角度分辨率较低，且易出现伪峰的问题，提出了一种加权TOPS的宽带DOA估计新方法。该方法通过最大化各频率点信号子空间与噪声子空间特征值区分度选择参考频点，同时利用信号子空间投影代替其零空间投影；然后利用正交频率子空间测试法（Test of orthogonality of frequency subspaces， TOFS）对平方TOPS法的判定矩阵进行加权修正；最后对判定矩阵求迹实现宽带DOA估计，避免了奇异值分解。与现有的TOPS法、平方TOPS以及TOFS相比，该方法提高DOA估计精度，能够有效剔除伪峰，降低了算法复杂度，且对间隔相近信源DOA估计分辨率更高。仿真实验结果验证了该方法的有效性。

摘要:研究了一种基于压缩传感的实时目标跟踪算法。该算法结合多特征和压缩传感目标跟踪，增加随机测量矩阵提取多个特征用于检测，在跟踪时采用基于boosting的框架，利用多实例的正负样本包特性，提高置信区间估计，实现了实时的目标跟踪。实验结果及分析表明，本文方法在目标运动、姿态变化以及被部分遮挡的情况下，可在原压缩传感目标跟踪算法的基础上提高跟踪的可靠性；与传统的单一特征目标跟踪算法相比，由本方法提取的两种不同类型的特征具有互补性，使得跟踪的鲁棒性较好，能达到稳定、实时的跟踪效果。

摘要:为解决传统多曝光图像融合的实时性和动态场景鬼影消除问题，提出了基于灰度级映射函数建模的多曝光高动态图像重建算法。对任意大小的低动态范围（Low dynamic range,LDR）图像序列，仅需拟合与灰阶数目相同个数而不是与相机分辨率个数相同的视觉适应的S形曲线，利用最佳成像值判别方法直接融合，提高了算法的融合效率，能够达到实时性图像融合要求。对动态场景的融合，设计灰度级映射关系恢复理想状态的多曝光图像，利用差分法检测运动目标区域，作鬼影消除处理，融合得到一幅能够反映真实场景信息且不受鬼影影响的高动态范围图像。

摘要:三维物体表面重建在现代临床医学、场景建模和林业测量等方面有着重要应用价值。为了更好地理解三维物体表面形状，本文先介绍了三维空间离散点集的Alpha形状的相关概念。在分析表面重建的Alpha?shape算法的基础上，本文提出一种自适应步长的Alpha?shape算法。通过kd?tree和k近邻平均距离来动态更新α值，使得算法在处理点集密度较大的区域时也能以较少的遍历次数进行表面重建，从而改善了重建效果并提高了算法运行效率。大量随机数据和现实三维采样数据的实验结果表明，本文提出的改进算法与原始算法相比，能大幅度地提高运行效率。

摘要:网络空间中具有纷繁复杂的多种态势要素、要素属性以及要素之间的错综关系。对这些信息能否清晰准确地分析并描述，直接关系到所建立的网络空间态势模型的准确性、完备性 和有效性。本文采用知识表示方法，对网络空间中的关键态势信息要素进行描述。首先分析了网络空间态势信息知识的特点，提出了对网络空间态势信息进行知识表示的重要作用。其次研究了基于本体的知识表示理论，分析了采用本体表示网络空间态势的动机。最后提出了基于本体的网络空间态势信息要素知识表示方法，并详细介绍了该方法的实现手段。本文研究可以有效促进网络空间态势的感知、建模与可视化，为网络空间相关技术的研究提供有效的参考依据。

摘要:研究了相干分布式信号源的二维中心波达方向估计（Direction of arrival， DOA）。利用三维交叉阵的对称特性，用求根的方法和广义ESPRIT算法分别估计出相干分布式信号源的中心俯仰角和中心方位角。所提算法无需知道相干分布式信号源的角信号分布函数，并且只需要一维谱搜索。此外，非圆信号的引入使得算法获得了更高的估计精度。计算机仿真验证了算法的有效性。

摘要:近年来深度学习发展迅猛。由于深度学习的概念源于神经网络，而激活函数更是神经网络模型在学习理解非线性函数时不可或缺的部分，因此本文对常用的激活函数进行了研究比较。针对常用的激活函数在反向传播神经网络中具有收敛速度较慢、存在局部极小或梯度消失的问题，将Sigmoid系和ReLU系激活函数进行了对比，分别讨论了其性能，详细分析了几类常用激活函数的优点及不足，并通过研究Arctan函数在神经网络中应用的可能性，结合ReLU函数，提出了一种新型的激活函数ArcReLU。实验证明，该函数既能显著加快反向传播神经网络的训练速度，又能有效降低训练误差并避免梯度消失的问题。

摘要:针对多尺度行人检测的问题，本文提出一种基于融合特征金字塔网络（Feature pyramid networks，FPN）和Faster R-CNN(Faster region convolutional neural network)的行人检测算法。首先，对FPN和区域建议网络（Region proposal networks，RPN）进行融合；然后，对FPN和Fast R-CNN进行融合；最后，在Caltech数据集、KITTI数据集和ETC数据集上分别对融合FPN和Faster R-CNN的行人检测算法进行训练和测试。该算法在Caltech数据集、KITTI数据集和ETC数据集上的mAP (mean Average Precision)分别达到69.72%， 69.76%和89.74%。与Faster R-CNN相比，该算法不仅提高了行人检测精度，而且在多尺度行人检测的问题上也获得了较为满意的检测效果。

摘要:模糊粗糙集由于能够处理实数值数据，甚至是混合值数据中的不确定性受到人们的广泛关注,其最重要的应用之一是特征选择,相关的特征选择方法已有不少研究,但其快速的特征选择算法研究很少。实际中的数据一般含有噪声点或信息含量低的样例,如果对数据集先筛选出代表样例,再对筛选的样例集进行数据挖掘便会降低挖掘计算量。本文基于模糊粗糙集，先根据样例的模糊下近似值对样例进行筛选,然后利用筛选样例的模糊粗糙信息熵构造特征选择的评估度量,并给出相应的特征选择算法,从而降低了算法的计算复杂度。数值试验表明该快速算法具有有效性,并且对控制筛选样例个数的参数给出了建议。

摘要:谱聚类将数据聚类问题转化成图划分问题,通过寻找最优的子图,对数据点进行聚类。谱聚类的关键是构造合适的相似矩阵,将数据集的内在结构真实地描述出来。针对传统的谱聚类算法采用高斯核函数来构造相似矩阵时对尺度参数的选择很敏感,而且在聚类阶段需要随机确定初始的聚类中心,聚类性能也不稳定等问题,本文提出了基于消息传递的谱聚类算法。该算法采用密度自适应的相似性度量方法,可以更好地描述数据点之间的关系,然后利用近邻传播（Affinity propagation,AP）聚类中“消息传递”机制获得高质量的聚类中心,提高了谱聚类算法的性能。实验表明,新算法可以有效地处理多尺度数据集的聚类问题,其聚类性能非常稳定,聚类质量也优于传统的谱聚类算法和k-means算法。

摘要:为了进一步提高旁瓣抑制的效果，本文提出一种基于小波变换空间变迹的合成孔径雷达图像旁瓣抑制方法。该方法对成像后的复数图像分别进行实部和虚部的二维小波分解，对分解后得到的各子通道进行空间变迹旁瓣抑制，将旁瓣抑制后的各子通道数据通过小波重构得到实部数据和虚部数据，再对重构后的实部数据和虚部数据分别进行空间变迹旁瓣抑制，最终生成基于小波变换空间变迹旁瓣抑制后的复数图像。实验结果表明，该方法能够在基本不损失图像分辨率的基础上，有效抑制图像的旁瓣电平。

摘要:采用问卷调查与自动抓取相结合的方式，采集用户信息、用户评分等旅游数据，对数据做分层抽样，生成包含用户旅游喜好信息的“智慧旅游”数据集。围绕该数据集，预处理用户评分并执行基于用户聚类的协同过滤算法，以计算目标用户与聚类中心的相似性。结合分层抽样模型生成的旅游喜好信息，输出混合推荐列表。实验结果表明：相比基线，混合分层抽样与协同过滤的推荐模型对评分预测的均方根误差（Root mean square error, RMSE）和平均绝对误差（Mean absolute error,MAE）分别降低11.5%~64.9%和18.8%~47.7%。混合推荐的准确率和召回率相比基线也有较大程度提升，旅游景点推荐效果良好。