摘要:多元线性回归分析是一种常用的统计分析工具。本文针对传统多元线性回归分析在处理大数据时，特别是具有层次结构的数据，提出了基于层次结构数据的偏回归系数计算模型。该模型通过计算下层中每个部分的偏回归系数及上下层之间的层次结构矩阵，来计算上层的总体偏回归系数。本文从理论研究和实际数据试验验证了新模型与传统多元线性回归模型在计算回归系数的等效性。同时，新模型能有效解决隐私数据的保护问题，实现计算的并行处理，提高了大数据处理能力。

摘要:针对大型滚转机器轴承故障诊断应用场景,传统故障识别技术通常存在诊断识别精度低的问题。为此,本文在频域分析基础上,提出了一种新的数据挖掘框架——关联频繁模式集挖掘框架(Associated frequency patterns mining framework, AFPMF),由数据预处理、关联频繁模式集挖掘和故障状态监测组成。首先,在数据预处理过程中,AFPMF在时域上使用时间窗分块划分机械振动数据流,再使用傅立叶变换对数据流进行时频变换实现故障频率特征提取。其次,使用基于滑动窗的关联频繁模式树构建压缩树,求解关联频繁模式集,实现数据挖掘过程。最后,根据数据挖掘结果中出现的振动频率判别潜在故障,从而实现监测故障状态。通过对比AFPMF和传统方法在轴承故障诊断应用场景的实验结果可知,相比传统方案,AFPMF具有更优的故障识别性能。

摘要:移动群智感中激励更多用户参与感知任务并提供高质量数据是研究的热点问题之一。针对在线到达的激励机制中,用户提供数据的质量以及其信誉值没有得到足够重视等问题,提出用户在线参与感知任务的信誉评价方法并构建其评价模型。综合考虑用户历史和现实的信誉记录,建立了信誉更新算法模型,设计了基于信誉更新的多阶段在线激励机制QOM。仿真结果表明,该算法能够帮助平台获得更好的效用,提高雇佣效率。

摘要:传统的PNN神经网络具有很强的容错性、学习过程简单、训练速度快等特点，本文在传统PNN神经网络的基础上，利用LMS对其在心音分类方面进行优化，进而提高心音分类与预测的准确性。LMS-PNN神经网络算法对心音的信号运用窗函数进行分帧，利用双门限法确定数据的值，运用LMS算法对相应的参数进行调试，并将去噪后的数据以mat格式保存，提取出各个心音的短时自相关系数以及短时功率谱密度，并运用PNN神经网络，抽取40000个样本数据进行训练，并将各个心音进行等级划分与预测。 从PNN神经网络的模式层输入训练数据后，通过仿真测试可得，LMS—PNN神经网络预测准确率可达可达96%以上。

摘要:将鲸类发出的叫声脉冲信号与主动声呐或通信信号正确识别与分类，对提高海洋被动声学监测以及水下声呐探测或水下声学通信系统的稳定性和可靠性具有十分重要的作用。本文选取鲸声中具有代表性的Click信号和三类传统的具有代表性的声呐信号(CW, LFM, HFM)作为研究对象，提出了一种基于时频特征的抹香鲸Click与传统声呐信号的分类方法。首先，利用滤波、小波去噪和端点检测方法实现鲸声去噪以及信号自动摘取；然后，基于四类信号的短时傅里叶变换时频图，对信号时频轮廓进行多项式拟合，并提取多项式的系数作为信号时频特征；最后，分别使用BP(Back Propagation)神经网络和支持向量机对四类信号进行分类与识别。分类结果验证了所提出算法和方法的有效性。

摘要:本文旨在运用协方差矩阵和系统聚类法研究区域管制扇区复杂性指标间关系。基于对区域管制扇区结构和流量分布特征的分析,构建7个复杂性指标。以国内37个区域管制扇区数据为样本,结合可视化协方差矩阵阐明复杂性指标相关性。研究表明,区域各扇区面积相差悬殊(变异系数194.75%),但流量在不同路径的分布均匀程度比较一致(变异系数9.02%)；扇区范围越大,往往流量在各路径上的分布越均匀(相关系数0.54~0.59),但扇区流量反而越低(相关系数-0.06~-0.13)；以并类距离0.70为界,扇区复杂性指标分为静态和动态两类,且静态指标共性强于动态指标。

摘要:为了实现硅胶颗粒中杂质的自动剔除，提出杂质识别算法，并设计了自动化的杂质剔除装置。首先通过摄像机实时采集硅胶散料图像，利用Visual C++ 结合OpenCV将图像进行预处理、形态学运算、边缘检测等过程，将杂质识别定位。然后基于RS-232通讯协议实现与单片机通讯，传递杂质的位置信息，控制相应的剔除机构动作，最终实现硅胶与杂质的分离。经验证，本系统能够有效地对杂质的进行识别和剔除，其剔除率达到95%，满足设计要求。本装置采用了“分区域剔除算法”结合“高压气体”的方式进行杂质剔除，具有动作响应快、剔除精度高的优点，有效提高生产效率，降低生产成本。

摘要:作为一类码率不受限的纠删码，Luby变换(Luby transform, LT)码已成功地应用于无线通信，实现数据的可靠传输。度分布是影响LT码性能优劣的关键因素。然而，传统的鲁棒孤子分布(Robust Soliton Distribution, RSD)在LT码码长较短下的性能不够理想。针对该问题，提出一种适用于二进制删除信道(Binary Erasure Channel, BEC)的新型LT码度分布优化方法。基于度分布重要特性，采用人工鱼群算法(Artificial Fish Swarm Algorithm, AFSA)对RSD中某些重要度数的比例进行寻优。仿真结果表明，与类似方法及传统的RSD相比，采用新度分布进行LT编码可降低译码开销，并节约编译码耗时。

摘要:本文提出一种融合改进遗传算法和关联规则的数据挖掘方法。首先将遗传算法交叉算子和变异算子进行自适应改进，使其在迭代过程中能够根据函数适应度值自适应调节。然后将改进后的自适应遗传算法融入到关联规则中，充分利用遗传算法良好的全局搜索能力，提高处理海量数据关联规则的挖掘效率。为了避免无用规则，减少不相关性的存在，在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法，与传统方法相比，该方法提高了算法的收敛速度和鲁棒性。

摘要:摘 要: 针对半导体器件在封装工艺中出现表面缺陷，及缺陷形态多样性和不可预测性而带来的模型适应性低等问题，提出了基于双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题，对训练图像进行反射变换等操作构造虚拟样本，然后使用Bi-2DPCA对图像进行降维压缩，提取图像主要特征，再由改进的AlexNet网络进行缺陷识别分类，并提出正态随机采样层，将其加在AlexNet网络的卷积层后进行下采样，同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明，提出的算法较相关算法有较高的识别率，并在实际的SMA塑封图像数据上得到了验证，同时该算法具有较好的泛化性能。

摘要:在说话人确认任务中，得分规整可有效调整测试得分分布，使得每个说话人的得分分布接近同一分布，从而提升系统整体性能。在本文中，直接从开发集中获得针对待识别目标说话人的大量冒认者得分，利用无监督聚类手段对这些得分进行筛选，并采用混合高斯模型来拟合得分分布，挑选均值最大的高斯单元作为得分规整的参数并将其应用于说话人的得分规整。在NIST SRE 2016测试集上，相对于其它得分规整算法，采用无监督聚类得分规整的方法可有效提升系统性能。

摘要:为了解决零中频接收机中射频链路正交下变频两路本振信号固有的相位不完全正交、幅度不完全一致特性对接收机解调性能的影响，本文提出了一种针对FM信号特点的解调算法。该算法具有天然的抗正交失配及完全实时跟踪特性，不需要建模、训练、参数解算等复杂数学运算，也不需要额外的硬件开销，简单易行。仿真实验表明本文提出的解调算法在任何正交失配条件下，都具备与理想正交下变频时相同的解调性能，并在实际工程应用中验证了其有效性与可靠性。

摘要:民用导航雷达的方位分辨率与天线孔径尺寸相关，大孔径天线在工程实践中受等多种条件制约，难以广泛应用，对此本文提出一种基于拉格朗日的方位超分辨方法。对方位信号向量进行数据补充，将卷积扫描模型转换为矩阵-向量乘积形式。对天线方向图奇异值分解，结合BFGS算法构造二次规划观测模型。利用拉格朗日法计算模型最优解，进而重建目标原始方位信号，实现目标方位超分辨。实验结果表明，在信噪比(SNR)为10~20dB时，本文方法具有良好的分辨效果，与对偶-对数障碍法相比，该方法可获得较高的信号重构误差比(SRER)。

摘要:为了提升相关滤波算法在目标遮挡、快速运动及背景干扰等情况下跟踪结果的精确度和鲁棒性,提出一种基于深度特征与局部约束掩膜的相关滤波算法。在经典相关滤波算法的基础上,利用学习得到的二值矩阵作为局部约束掩膜对滤波器能量分布进行裁剪,使模板信息更加集中,实现目标搜索区域扩大的同时有效抑制循环矩阵方式处理样本时产生的边界效应；将深度特征引入特征提取过程中,通过对目标样本进行旋转、翻折和高斯模糊等处理,扩充训练样本数量,使特征模板学习到更为丰富的目标信息。与主流算法进行对比实验,验证本文算法在处理目标遮挡、背景嘈杂以及光照变化等干扰时的鲁棒性。

摘要:针对欠定盲源分离问题, 提出了增强信号稀疏性的方法,并把具有噪声的基于密度空间聚类与寻找密度峰值聚类相结合用于估计混合矩阵。首先,把时域观测信号变换成时频域的稀疏信号,通过单源点检测突出信号的线性聚类特性,并采用镜像映射将线性聚类转变成致密聚类以便于进行密度基的聚类分析;然后,利用密度空间聚类搜寻密集数据堆中高密度的点和与之相应的邻域,以自动形成聚类簇的数量和初步聚类中心;最后,把获得的聚类数量作为密度峰值聚类的输入参数,在数据簇的范围内搜索其密度峰值以实现对聚类中心位置的进一步修正。以上方法不仅可提高混合矩阵的估计精度,而且估计量具有较高的一致性。

摘要:语音转换通常是指将一个人的声音个性化特征通过“修改变换”，使之听起来像另外一个人的声音，同时保持说话内容信息不变。近年来，随着信息处理和机器学习技术的快速发展，语音转换技术也得到了突飞猛进的进步。为此，在简要介绍语音转换基本概念的基础上，重点综述了近几年语音转换的典型模型和方法，分析了语音转换的关键技术，列举了语音转换技术的主要应用场景，梳理了目前语音转换中仍存在的若干技术问题，并展望了语音转换研究的发展方向。

摘要:光声成像作为一种兼具高光学对比度和大超声探测深度的新兴成像方法，突破了传统光学成像技术分辨率与成像深度相互制约的壁垒，获得了空前快速的发展，其中，光声显微成像技术继承了光声成像技术的优点，采用声学或光学聚焦的成像模式，可以实现高对比度、高分辨率的生物组织结构、分子与功能成像，在神经学、眼科、血管生物学和皮肤学等研究领域具有潜在应用价值。为此，首先介绍了光声成像技术的原理和分类，然后围绕光声显微成像(Photoacoustic microscopy, PAM)技术这一主题，重点综述了新型PAM技术的发展情况、PAM焦深（Depth of focus, DoF）延拓技术以及PAM的生物医学应用。最后，总结了PAM技术发展存在的挑战，并对未来发展方向进行了展望。

摘要:针对传统波达方向（Direction of arrival, DOA）估计算法在阵列模型误差条件下估计性能下降的问题，提出了一种基于残差网络（Residual network, ResNet）的DOA估计算法。该算法根据神经网络数据驱动不依赖阵列流型的特点，从广义互相关（Generalized cross-correlation, GCC）中提取特征，将提取的特征作为神经网络深层分类器的输入，对信号分类；根据分类结果选取对应子区间数据进行训练，建立ResNet学习特征与DOA估计之间的非线性映射关系，形成一个数据驱动的稳健DOA估计系统。仿真与实验验证结果表明，该算法有效地解决了传统DOA算法在阵列模型误差条件下无法准确得到DOA结果的问题。

摘要:激励更多用户参与感知任务并提供高质量数据是移动群智感知研究的热点问题之一。针对在线到达的激励机制场景中，参与用户提供数据的质量以及其信誉值没有得到足够重视等问题，本文提出用户在线参与感知任务的信誉评价方法并构建其信誉评价模型。综合考虑用户历史和现实的信誉记录，建立信誉更新算法模型，设计基于信誉更新的多阶段在线激励机制(Reputation-updated online mechanism,ROM)。仿真结果表明，该算法能够帮助平台获得更好的效用，提高收集数据的质量从而提高雇佣效率。

摘要:为提升相关滤波算法在目标遮挡、快速运动以及背景杂乱等情况下跟踪结果的精确度和鲁棒性，提出了一种基于深度特征与局部约束掩膜(Local constrained mask, LCM)的相关滤波跟踪算法。在鉴别性相关滤波跟踪算法的基础上，利用学习得到的二值矩阵作为LCM对滤波器的能量分布进行裁剪，对模板边缘与测试图像之间产生的响应值进行抑制，实现扩大目标搜索区域的同时降低边界效应对跟踪结果的影响；将深度特征引入到特征提取过程中，通过对目标样本进行旋转、翻折和高斯模糊等处理，扩充训练样本数量，使模板学习到更为丰富的目标信息。与主流算法进行对比实验，验证了本文算法在处理目标遮挡、背景嘈杂以及光照变化等干扰时的鲁棒性。

摘要:针对欠定盲源分离问题, 提出了增强信号稀疏性的方法,并把具有噪声的基于密度空间聚类与寻找密度峰值聚类相结合用于估计混合矩阵。首先,把时域观测信号变换成时频域的稀疏信号,通过单源点检测突出信号的线性聚类特性,并采用镜像映射将线性聚类转变成致密聚类以便于进行密度基的聚类分析;然后,利用密度空间聚类搜寻密集数据堆中高密度的点和与之相应的邻域,以自动形成聚类簇的数量和初步聚类中心;最后,把获得的聚类数量作为密度峰值聚类的输入参数,在数据簇的范围内搜索其密度峰值以实现对聚类中心位置的进一步修正。以上方法不仅可提高混合矩阵的估计精度,而且估计量具有较高的一致性。

摘要:传统的概率神经网络（Probability neural network, PNN）具有很强的容错性、学习过程简单、训练速度快等特点。为提高传统PNN在心音分类方面的性能，利用最小均方(Least mean square, LMS)方法对其进行优化，进而提高心音分类与预测的准确性。LMS-PNN算法对心音的信号运用窗函数进行分帧，利用双门限法确定数据的值，运用LMS方法对相应的参数进行调试，并将去噪后的数据以mat格式保存，提取出各个心音的短时自相关系数以及短时功率谱密度，并运用PNN，抽取40 000个样本数据进行训练，并对各心音进行等级划分与预测。从PNN的模式层输入训练数据后，由实验数据验证可知，LMS-PNN算法的预测准确率可达96%以上。

摘要:在说话人确认任务中，得分规整可有效调整测试得分分布，使每个说话人的得分分布接近同一分布，从而提升系统整体性能。直接从开发集中获得针对待识别目标说话人的大量冒认者得分，利用无监督聚类手段对这些得分进行筛选，并采用混合高斯模型来拟合得分分布，挑选均值最大的高斯单元作为得分规整的参数并将其应用于说话人的得分规整。在NIST SRE 2016测试集上的测试结果表明，相对于其他得分规整算法，采用无监督聚类得分规整的方法可有效提升系统性能。

摘要:正确识别与分类鲸类发出的叫声脉冲信号与主动声呐或通信信号，对提高海洋被动声学监测以及水下声呐探测或水下声学通信系统的稳定性和可靠性具有十分重要的作用。本文选取鲸声中具有代表性的Click信号和3类具有代表性的传统声呐信号作为研究对象，提出了一种基于时频特征的抹香鲸Click与传统声呐信号的分类方法。首先，利用滤波、小波去噪和端点检测方法实现鲸声去噪及信号自动摘取；然后，基于4类信号的短时傅里叶变换时频图，对信号时频轮廓进行多项式拟合，并提取多项式的系数作为信号时频特征；最后，分别使用反向传播(Back propagation,BP)神经网络和支持向量机对4类信号进行分类与识别。分类结果验证了所提算法和方法的有效性。

摘要:运用复杂网络理论，对TCGA胃癌数据进行了筛选与降维，筛选出275个胃癌相关的基因，获得样本容量为40的胃癌ⅡB期样本组和样本容量为36的胃癌ⅢA期样本组。通过分析胃癌ⅡB期样本组与胃癌ⅢA期样本组的基因变化率，建立节点（基因）间的连边关系，从而构建了胃癌恶化过程的基因表达网络。引入综合中心性指标对网络进行分析，筛选出17个综合中心指数较高的基因。应用复杂网络的相关理论对胃癌基因网络进行社区划分，发现17个综合中心指数较高的基因全部落在一个规模较大的连通的子网络中，此拓扑结构与胃癌基因表达网络的关键节点一致。通过综合分析获取了胃癌恶化过程中的关键基因，提供了良好的胃癌恶化早期的预警信号。

摘要:提出了一种融合改进遗传算法(Genetic algorithm, GA)和关联规则的数据挖掘方法，首先将GA交叉算子和变异算子进行自适应改进，使其在迭代过程中能够根据函数适应度值自适应调节；然后将改进后的自适应GA融入到关联规则中，充分利用GA良好的全局搜索能力，提高处理海量数据关联规则的挖掘效率。为了避免无用规则，减少不相关性的存在，在此基础上融入亲密度以提高关联规则的可靠性。在Hadoop大数据平台上通过分析交通数据验证优化后的算法，与传统方法相比，该方法提高了算法的收敛速度和鲁棒性。

摘要:针对大型滚转机器轴承故障诊断应用场景中传统故障识别技术通常存在诊断识别精度低的问题，在频域分析基础上提出了一种新的数据挖掘框架——关联频繁模式集挖掘框架（Associated frequency patterns mining framework, AFPMF），由数据预处理、关联频繁模式集挖掘和故障状态监测组成。首先，在数据预处理过程中，AFPMF在时域上使用时间窗分块划分机械振动数据流，再使用傅立叶变换对数据流进行时频变换实现故障频率特征提取。其次，使用基于滑动窗的关联频繁模式树构建压缩树，求解关联频繁模式集，实现数据挖掘过程。最后，根据数据挖掘结果中出现的振动频率判别潜在故障，从而实现监测故障状态。通过对比AFPMF和传统方法在轴承故障诊断应用场景的实验结果可知，相比传统方案，AFPMF具有更优的故障识别性能。

摘要:针对传统多元线性回归分析(Multiple linear regression, MLR)在处理大数据时，特别是具有层次结构的数据，提出了基于层次结构数据的偏回归系数计算模型。该模型通过计算下层中每个部分的偏回归系数及上、下层之间的层次结构矩阵，来计算上层的总体偏回归系数。从理论研究和实际数据试验验证了在计算回归系数时新模型与传统MLR模型具有等效性。同时，新模型能有效解决隐私数据的保护问题，实现计算的并行处理，提高了大数据处理能力。

摘要:为了解决零中频接收机中射频链路正交下变频两路本振信号固有的相位不完全正交、幅度不完全一致特性对接收机解调性能的影响，本文提出了一种针对FM信号特点的解调算法。该算法具有天然的抗正交失配及完全实时跟踪特性，不需要建模、训练和参数解算等复杂数学运算，也不需要额外的硬件开销，简单易行。仿真实验表明本文提出的解调算法在任何正交失配条件下，都具备与理想正交下变频时相同的解调性能，并在实际工程应用中验证了有效性与可靠性。

摘要:作为一类码率不受限的纠删码，Luby变换(Luby transform, LT)码已成功地应用于无线通信，实现数据的可靠传输。度分布是影响LT码性能优劣的关键因素。然而，传统的鲁棒孤子分布(Robust soliton distribution, RSD)在LT码码长较短下的性能不够理想。针对该问题，提出一种适用于二进制删除信道(Binary erasure channel, BEC)的新型LT码度分布优化方法。基于度分布重要特性，采用人工鱼群算法(Artificial fish swarm algorithm, AFSA)对RSD中某些重要度数的比例进行寻优。仿真结果表明，与类似方法及传统的RSD相比，采用新度分布进行LT编码可降低译码开销，并节约编译码耗时。

摘要:运用协方差矩阵和系统聚类法对区域管制扇区复杂性指标间关系进行研究。基于对区域管制扇区结构和流量分布特征的分析，构建7个复杂性指标。以国内37个区域管制扇区数据为样本，结合可视化协方差矩阵阐明复杂性指标相关性。研究表明，区域各扇区面积相差悬殊（变异系数194.75%），但流量在不同路径的分布均匀程度比较一致（变异系数9.02%）；扇区范围越大，往往流量在各路径上的分布越均匀（相关系数0.54~0.59），但扇区流量反而越低（相关系数-0.06~-0.13）；以并类距离0.70为界，扇区复杂性指标分为静态和动态两类，且静态指标共性强于动态指标。

摘要:民用导航雷达的方位分辨率与天线孔径尺寸相关，大孔径天线在工程实践中受等多种条件制约，难以广泛应用。本文提出一种基于拉格朗日的方位超分辨方法。对方位信号向量进行数据补充，将卷积扫描模型转换为矩阵-向量乘积形式。对天线方向图奇异值分解，结合BFGS算法构造二次规划观测模型。利用拉格朗日法计算模型最优解，进而重建目标原始方位信号，实现目标方位超分辨。实验结果表明，在信噪比(Signal to noise ratio, SNR)为10~20 dB时，本文方法具有良好的分辨效果，与对偶-对数障碍法相比，该方法可获得较高的信号重构误差比(Signal reconstruction to error ratio, SRER)。

摘要:针对半导体器件在封装工艺中出现表面缺陷，及缺陷形态多样性和不可预测性而带来的模型适应性低等问题，提出了双向二维主成分分析和改进的卷积神经网络相结合的缺陷识别方法。首先为克服样本不均匀带来的识别精度低问题，对训练图像进行反射变换等操作构造虚拟样本，然后使用双向二维主成分分析法(Bilateral two-dimensional principal component analysis,Bi-2DPCA）对图像进行降维压缩，提取图像主要特征，再由改进的AlexNet网络进行缺陷识别分类，并提出正态随机采样层，将其加在AlexNet网络的卷积层后进行下采样，同时在全连接层中引入DropConnect来提高网络的泛化性能。实验表明，提出的算法较相关算法有较高的识别率，并在实际的表面贴装工程（Surface mount assembly,SMA）塑封图像数据上得到了验证，同时该算法具有较好的泛化性能。

摘要:为了实现硅胶颗粒中杂质的自动剔除，提出杂质识别算法，并设计了自动化的杂质剔除装置。首先通过摄像机实时采集硅胶散料图像，利用Visual C++ 结合OpenCV将图像进行预处理、形态学运算及边缘检测等过程，将杂质识别定位。然后基于RS-232通讯协议实现与单片机通讯，传递杂质的位置信息，控制相应的剔除机构动作，最终实现硅胶与杂质的分离。经验证，本系统能够有效地对杂质进行识别和剔除，其剔除率达到95%，满足设计要求。本装置采用了“分区域剔除算法”结合“高压气体”的方式进行杂质剔除，具有动作响应快、剔除精度高的优点，有效提高生产效率，降低生产成本。