基于高阶循环累积量和支持矢量机的分级调制分类算法

利用观测样本的高阶循环累积量特征,提出一种基于支持矢量机的分级调制分类算法 ,实现了对QAM调制信号的自动识别。该算法具有较快的分类器训练速度和较低的复杂度, 对时延和相位旋转具有稳健性,并可在干扰环境下实现对感兴趣信号调制类型的识别。理论 分析和仿真结果均证明了算法的正确性和有效性。     

基于核主成分的支持矢量机信用评级

本文提出模糊支持矢量机的模糊规则提取方法,针对当前SVM的常见模型参数选择的方法的不足,引入遗传算法的自动模型选择优化方法;考虑到信用评级数据的非线性特征,提出了新的信用评级核主成分(KPCA)的特征提取方法,减少指标间的相关性,提高模型的预测精度;使用上市公司数据进行了实证分析,实验结果证明了该信用评级方法优于神经网络的方法,证明了该方法适用性。     

基于主成分分析法的数码相机指标分类

本文行以当下11种品牌共计19种产品为研究对象,运用主成分分析法对消费者关心的7个指标进行统计分析,并进行特征分类。结果表明,光学变焦,显示屏像素,重量,价格为一类,广角数值,显示器尺寸为一类,有效像素为一类。在调查中探究影响数码相机价格的最主要因素,结合实际情况分析,让消费者了解这些因素,避免因为数码相机的各种因素而导致购买出现问题。文章中所包含的7个因素是大家在选购时最常见的几种因素,丈中尽量为消费者的购买作一些合理性的建议。     

基于核主成分分析的二次雷达脉冲信号初始特征提取

针对二次雷达脉冲信号的特征选择与分类问题进行研究,提出了一种基于核主成分分析(KPCA)的初始特征提取方法。根据二次雷达脉冲信号的特点,首先经过数据整编、预处理,获取样本的初始特征参数;然后利用KPCA方法对特征参数进行主成分组合,以消除信号特征间的相关性和压缩特征向量的维数,最后利用聚类工具进行分类。数学分析和可视化实验结果都表明这种分析方法是有效的。试验还表明,KPCA在特征选取方面性能优于PCA。     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

基于主成分分析法的宏观经济分析

通过选取2000年-2017年的国家宏观经济指标(共计19个)划分成5大风险进行实验,利用主层次分析法,对近十年来宏观经济数据进行分析,通过数据阐述过去10年经济的冷热特征,在宏观经济运行中出现的风险及领域,最后结合数据以及经济周期的相关知识对未来三年可能出现的风险给出相关建议。     

干扰环境下的信号调制识别

针对干扰环境提出了一种基于独立成分分析（ICA）和支持矢量机（SVM）的通信信号调制识别算法。算法利用多天线接收技术,采用独立成分分析方法寻求观测样本矢量的统计独立分量,设计了以二值支持矢量机（SVM）为基础的多值分类器,该算法具有较高的训练速度和较好的分类性能。仿真表明,当信干比大于10 dB、移动速度小于12 m/s时,算法的总体正确识别率超过0.9。干扰环境下的信号调制识别研究具有较重要的实际工程应用意义。     

基于主成分分析的供货商选择研究

本文针对402家供应商进行量化分析排名。首先,整体分析A、B、C的需求量,整体的供货量,误差在某范围内的订单数。然后,个体分析每家供应商,确定评价指标,用主成分分析法各供应商按供应的原材料对应,将这个结果作为第一个指标。最后,利用SPSS求解,给出最终的供应商排名。     

基于主成分分析和K-means聚类分析的地区经济发展研究

地区经济的发展受制于该地区的自然资源、经济等因素,资源基础较好的地区会凭借其优势迅速发展,基础较弱的地区发展则较为缓慢,最终导致各地区之间经济发展的不平衡。如何平衡好地区经济的发展,将会决定我国未来经济发展的前景,促进我国地区经济协调发展将是国家经济发展的一项重大任务。为了综合评价我国各省市自治区的经济发展水平,缓解当前地区经济发展不平衡的现状,本文运用主成分分析法和聚类分析法对建立的相关指标体系进行分析,并根据分析结果提出相关的改进建议。     

基于主成分分析确定黑龙江省主导产业

黑龙江省是东北老工业基地的重要省份之一,在国家提出了振兴东北老工业基地的背景下,黑龙江省的重振与发展有着至关重要的意义.结合黑龙江省产业发展的现状,选取16个主导产业选择的代表性指标,利用主成分分析对19个产业部门的基本数据进行分析,结果确定黑龙江省应重点发展的6个主导产业.     

调制方式的动态TOPSIS识别

提出了基于动态理想解法（TOPSIS）的调制识别方法,将各特征参数看成一个整体,对各个调制方式判别打分,根据得分高低来判定调制样式。该方法简单、方便,弥补了传统判决树法判决门限难于选取的缺点,同时克服了神经网络法训练时间长、对算法要求高的难题。仿真验证了所提方法的有效性,在信噪比10 dB以上时正确识别率接近100%。     

采用广度优先搜索邻居聚类的通信信号调制识别

针对短波通信中无法避免的码间串扰问题,研究了聚类算法在信号调制识别中的作用,提出了一种利用广度优先搜索邻居(BFSN)聚类处理循环统计量特征的分类算法。该算法将循环统计量特征峰值作为聚类输入对象,通过BFSN聚类分析,剔除延时信号、噪声等造成的奇异类峰值,克服了多径效应产生的码间串扰影响,实现了2FSK、4FSK、BPSK、QPSK、16QAM、π/4-QPSK、π/4-DQPSK、8PSK等8种调制信号的自动识别。仿真表明,该算法聚类后提取的特征参数抗多径干扰能力强,同信道均衡方法相比识别正确率有5%的性能优势。低信噪比环境下的信号调制识别具有重要的工程应用意义。     

一种最大分类间隔SVDD的多类文本分类算法

文本分类是信息检索和文本挖掘的关键技术之一。提出了一种基于支持向量数据描述(SVDD)的多类文本分类算法,用支持向量描述训练求得包围各类样本的最小超球体,并使得分类间隔最大化,在测试阶段,引入基于核空间k-近邻平均距离的判别准则,判断样本所属类别。实验结果表明,该方法具有很好的泛化能力和很好的时间性能。     

一种基于分类搜索的Gold误码修正算法

扩频系统侦察对抗时,在低信噪比下估计得到的扩频码存在严重误码,会影响信号解扩解调质量。通过Gold码与其对应m序列优选对的基本特性结合互相关函数特征,提出了一种严格的Gold码分类,并得出一种基于分类搜索的误码修正算法,〖JP2〗通过比较待测Gold码与各类样本Gold码互相关函数的三值分布特性,可以快速搜索准确定位到正确的Gold码,实现误码完全修正。当Gold码的误码率不高于11%时,算法可实现对误码的完全修正,能有效降低扩频信号盲处理的信噪比门限。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去 相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律 的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA) 的遥感 图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方 根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了9155% ,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很 好的应用前景。     

一种基于贪婪算法的CORDIC改进算法

针对传统串行坐标旋转数字计算方法（CORDIC）耗时且占用较多资源的缺点,提出了一种旋转模式下CORDIC算法的新型改进算法,该改进算法可用来代替直接数字频率合成器(DDS)查找表进行正余弦的计算。通过采用贪婪算法实现对CORDIC旋转方向与旋转角度的优化,从而可以达到串行转并行和减少迭代次数、节约资源的目的。该算法可以应用于三角函数的复杂函数的硬件实现中。仿真结果表明,在迭代次数相同的情况下,改进算法较传统算法可以获得更高的精度。最后,在Xilinx FPGA的Spartan-3E芯片上实现了改进的CORDIC结构。与传统CORDIC算法相比,在运算精度为10-5时,可以节省Slices、LUTs(Look Up Tables)资源分别为28%和25%。     

基于客户价值的客户分类及保持策略研究

客户分类是企业成功的关键,是企业实施客户关系管理的基础,是成功实施客户保持战略的首要任务.本文首先从客户当前价值、潜在价值、忠诚度三个维度来分析如何建立客户价值指标体系.然后结合某汽车4S店构建基于BP神经网络的客户细分模型实际,按照客户的不同价值将客户分为低价值低潜力、低价值高潜力、高价值低潜力、高价值高潜力四类,最后根据客户细分结果分析各类客户的特点并提出相应的保持策略.     

基于AdaBoost的组合网络流量分类方法

针对单一分类方法在训练样本不足的情况下对于小样本网络流分类效果差的特点, 通过自适应增强（Adaptive Boosting, AdaBoost）算法进行流量分类。算法首先使用CFS(Correlat ion-based Feature Selection)特征选择方法从大量网络流特征中提取出少量高效的 分类特征,在此基础上,通过AdaBoost算法组合决策树、关联规则和贝叶斯等5种单一分类 方法实现流量分类。实际网络流量数据测试表明,基于AdaBoost的组合分类方法的准确 率在所选的几种算法中是最高的,其能够达到9892%,且相对于单一的分类算法,组合流 量分类方法对于小样本网络流的分类效果具有明显提升。     

基于小生境演化算法的混合核函数SVM参数寻优算法

提出了一种基于小生境演化算法的混合核函数SVM参数寻优算法,该算法定义随机交叉变异模板决定实数编码小生境演化算法的交叉变异位,利用该小生境演化算法对混合核函数的SVM参数寻优,最终得到性能良好的SVM分类器。仿真实验表明,通过使用该算法对UCI数据集分类识别,能够找到SVM分类器的最优参数,混合核函数SVM比单一核函数SVM算法具有更好的分类性能。