为了降低支持向量机(SVM)算法在高阶多元位置相移键控(M-ary Position Phase Shift Keying,MPPSK)系统的信号检测复杂度,在分析常用SVM多分类算法的基础上,提出了一种新的具有更低复杂度的类二分法SVM。为了进一步提高高阶MPPSK信号检...为了降低支持向量机(SVM)算法在高阶多元位置相移键控(M-ary Position Phase Shift Keying,MPPSK)系统的信号检测复杂度,在分析常用SVM多分类算法的基础上,提出了一种新的具有更低复杂度的类二分法SVM。为了进一步提高高阶MPPSK信号检测性能,提出一种新的SVM特征向量提取方法,调制矩阵法,并将两种方法结合起来,用于高阶MPPSK系统的信号检测。仿真结果表明:类二分法SVM能显著降低多分类SVM的算法复杂度,调制矩阵选取特征向量法能够显著提高高阶MPPSK系统的检测性能,两种方法结合用于高阶MPPSK系统,可以在有效降低复杂度的前提下保证期望的检测性能。展开更多
小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成...小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题.为此,提出回归函数的小波支持向量机鲁棒估计方法(小波支持向量回归,WSVR,Wavelet Support Vector Regression).该方法中首先提出并证明了一种新的小波支持向量机(WSVM,Wavelet Support Vector Machine),用于确定初始参数值方法,这种方法能够确定合理的网络结构和合适的初始参数值,保证含有粗差的样本点的残差绝对值较大;然后使用一种构造的M-估计作为目标函数,并提出了自适应确定阈值方法.仿真结果表明,使用这种方法得到的回归模型不仅具有良好的多尺度逼近特性,而且有较好的鲁棒性和较高的推广性能,具有较高的理论和应用价值.展开更多
文摘为了降低支持向量机(SVM)算法在高阶多元位置相移键控(M-ary Position Phase Shift Keying,MPPSK)系统的信号检测复杂度,在分析常用SVM多分类算法的基础上,提出了一种新的具有更低复杂度的类二分法SVM。为了进一步提高高阶MPPSK信号检测性能,提出一种新的SVM特征向量提取方法,调制矩阵法,并将两种方法结合起来,用于高阶MPPSK系统的信号检测。仿真结果表明:类二分法SVM能显著降低多分类SVM的算法复杂度,调制矩阵选取特征向量法能够显著提高高阶MPPSK系统的检测性能,两种方法结合用于高阶MPPSK系统,可以在有效降低复杂度的前提下保证期望的检测性能。
文摘小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题.为此,提出回归函数的小波支持向量机鲁棒估计方法(小波支持向量回归,WSVR,Wavelet Support Vector Regression).该方法中首先提出并证明了一种新的小波支持向量机(WSVM,Wavelet Support Vector Machine),用于确定初始参数值方法,这种方法能够确定合理的网络结构和合适的初始参数值,保证含有粗差的样本点的残差绝对值较大;然后使用一种构造的M-估计作为目标函数,并提出了自适应确定阈值方法.仿真结果表明,使用这种方法得到的回归模型不仅具有良好的多尺度逼近特性,而且有较好的鲁棒性和较高的推广性能,具有较高的理论和应用价值.
