一、AN ITERATED-SUBSPACEMINIMIZATION METHODS WITHSYMMETRIC RANK-ONE UPDATING（论文文献综述）
赵洋[1]（2021）在《复杂噪声背景下的稀疏测向方法研究》文中进行了进一步梳理“如无必要,勿增实体”。这是着名的奥卡姆剃刀原理,是渗透于从古至今所有哲学、艺术与科学领域的基础思想。稀疏表示理论以及后来在其基础上发展而来的压缩感知理论正是该节省性原则在现代统计学、机器学习、信号处理领域的集中体现。阵列信号参数估计是雷达、声纳、通信等系统的原理性技术,其基本任务如测向、定位、跟踪与许多现存或即将到来的技术增长领域紧密联系,如无人机（Unmanned Aerial Vehicle,UAV）、无人驾驶、3D打印等。随着测向系统的不断改进和突破,各种低成本、小型化的新型雷达不断涌现,同时目标隐身以及干扰技术也在不断升级换代,阵列信号处理系统所面临的电磁环境日益复杂,传统的子空间类测向方法在小快拍、低信噪比、空域临近信号以及复杂背景噪声环境等非理想场景愈发无法胜任测向任务。最近二十年引起学者广泛关注的稀疏表示理论为解决参数估计问题提供了新思路,此类方法对一些非理想环境表现出极强的适应能力。本文从噪声抑制角度出发,着眼于稀疏重构与阵列信号处理过程中的区别和联系,考虑网格的存在对阵列参数估计的影响,研究了高斯白噪声、高斯有色噪声、alpha白噪声和alpha色噪声背景下的稀疏测向方法,并取得了一些有意义的成果。具体的研究工作可以概括如下:第一,针对贪婪算法处理测向问题时存在角度分辨能力有限的问题,提出了一种利用子空间信息的新算法（Noise Subspace Reprojection OMP,NSR OMP）。该算法在匹配追踪算法的架构下,有机融合了两个子空间的有效信息:使用信号子空间作为重构信号,减小了算法寻优的工作量的同时降低了噪声对支撑集选择的干扰;使用噪声子空间修正算法的支撑集选取规则,提高了算法的分辨力。仿真试验验证了所提方法继承了匹配追踪类算法小快拍性能好且运算量小的优点,同时极大改进了原始算法角度分辨力差的问题。第二,利用阵列输出协方差矩阵的对称Toeplitz特性,可以经由两次矩阵变换过程将DOA估计问题从复数域的多测量矢量（Muitiple Measurement Vector,MMV）问题转化为实数域的单测量矢量（Single Measurement Vector,SMV）问题。该过程在保证测向性能的前提下将ULA阵列的DOA估计问题简化。又从去冗余的角度定义了一种线性变换对阵列输出四阶累积量协方差矩阵进行降维,使其满足实值化条件,从而将上述方法推广到四阶累积量。第三,针对现有的基追踪（Basis Pursuit,BP）类测向方法计算量较大的问题,基于第二点中提出的二阶统计域和高阶统计域的实值向量化测向模型,我们分别提出了适用于高斯白噪声和高斯有色噪声背景下的BP测向方法。由于算法只需要解决低变量数的SMV问题,比现有的BP测向方法计算效率更高。算法无需进行特征值分解,节省计算量的同时对信源数是否被准确估计不敏感。又将处理实值化SMV问题的ISL0算法引入测向问题,该算法对正则化参数的设置准确度要求不高,可以有效解决基于四阶累积量的凸优化算法设置正则化参数困难的问题。第四,针对现有的离格测向方法计算量较大的问题,建立了DOA估计的实值化离格模型。采用第三点中提出的算法对DOA与网格误差进行交替迭代求取,分别提出了适用于高斯白噪声和高斯有色噪声背景下的离格测向方法,后者填补了现存离格测向方法无法处理高斯有色噪声的空白。与现有的同类算法相比,所提算法在一定程度上减小了运算时间,提高了离格类测向算法的实用性。通过计算机仿真验证了所提算法的有效性。第五,基于分数低阶统计量（Fractional Lower Order Statistics,FLOS）的子空间方法需要较大的快拍数、较高信噪比门限才能处理alpha噪声背景下的测向问题。针对该问题,我们分析了相位分数低阶矩（Phase Fractional Lower Order Moment,PFLOM）协方差矩阵满足范德蒙德分解定理的条件,将PFLOM与协方差匹配准则相结合,提出了两种适用于alpha白噪声背景下的无网格测向方法。仿真实验验证了所提方法与现有的同类算法相比可以在较低信噪比、较少快拍数的不利条件下有效解决强冲击性alpha白噪声背景下的稳定测向问题。第六,针对现存适用于alpha噪声的测向方法只能处理alpha白噪声的问题,本文将一种全新的统计量—分数阶累积量（Fractional Order Cumulant,FOC）引入测向问题,并简要分析了该统计量对alpha色噪声的抑制机理。借助该统计量对alpha色噪声的抑制作用,结合本文前面章节的内容提出了适用于alpha色噪声环境下的离格、无格稀疏测向方法,填补了现存测向方法无法妥善处理alpha色噪声的空白,并通过仿真实验验证了所提算法的有效性。
孟祥主[2]（2021）在《针对多视角数据场景的子空间学习方法研究》文中研究指明在大数据时代,人们所获得的数据正在以指数的规模快速增长。从不同视角下收集到的大量不确定性数据和模糊数据体现出了多模态、高维度的特征,这类数据频繁地出现在人们生产、生活中的各个角落。面对海量的多视角高维数据,如何高效快速地对多视角高维数据进行有效地分析、处理是机器学习、数据挖掘等领域的研究热点。尽管近年来相应算法的提出可以为其提供解决方案,但仍然不能满足工业、农业、生产生活等领域中日益增长的需求。本文主要针对多视角场景下的高维数据分析问题进行展开,利用子空间学习方法、信息融合方法、多视角学习方法等诸多技术手段对该课题的各个方面进行研究。本文主要对多视角高维数据场景下的维数约简（Dimension Reduction,DR）、信息融合（Information Fusion,IF）、通用性学习框架（General Learning Framework,GLF）等问题进行研究。首先,本文提出了多视角维数约简算法对高维数据进行降维,以提高多视角高维数据分析任务的效率;然后,本文针对多视角高维数据的信息融合问题提出了一个多视角非负矩阵分解方法,以提高不同视角间信息融合的性能;最后,本文针对如何构建通用性多视角子空间学习框架问题提出了两个通用性学习框架,将大多数单视角子空间学习方法扩展到多视角学习场景中。因此,本文针对多视角高维数据场景下的子空间学习方法进行了广泛的研究,并取得了下述成果:（1）面对高维数据的维数约简问题,基于低秩表示的子空间学习方法被广泛地应用,然而这类方法通常忽略了样本空间的局部拓扑结构,同时不能被直接用来解决多视角问题。针对目前低秩子空间学习算法存在的问题,本文在充分利用低秩子空间学习算法优势的基础上,将样本空间中的局部结构化信息引入到构建样本间低秩关系矩阵的过程中,提出了两个基于局部低秩结构的多视角维度约简算法——多视角局部低秩嵌入和多视角低秩保持嵌入。前者采用样本间的局部低秩关系构造合适的流形结构,并提出一个基于中心视角的方案以充分挖掘视角间的互补性和兼容性信息;后者提供了三种不同的嵌入方式来保持每个视角下的低秩重构结构,并将所有视角信息集成到一个公共的低维子空间中,最小化其与每个视角之间的不一致性程度。（2）不同于单视角信息,不同视角之间的信息不仅相互独立而且彼此互补,因此如何恰当地融合不同视角的信息依然是一个难题。针对多视角数据的信息融合问题,本文提出了图一致性非负矩阵分解方法以实现不同视角之间的信息融合,充分考虑了各视角内的潜在结构信息与视角间的互补信息。该算法通过非负矩阵分解技术发掘各个视角下的潜在结构信息,同时利用视角间和视角内的图结构信息保持彼此之间的一致性。因此,本文旨在通过新的多视角信息融合算法对各个视角下的高维特征实现恰当的信息融合,以提高多视角高维数据处理的性能。（3）子空间学习方法近年来被广泛地应用在高维数据处理领域中,但是这些方法通常无法直接被应用到多视角场景下,同时子空间学习方法间的模型原理、假设偏置差异很大。针对如何构造通用的多视角子空间学习框架问题,本文提出了两个通用性多视角子空间学习框架——相似度一致性正则化多视角学习和图结构一致性多视角学习,旨在将现有的大部分子空间学习方法直接扩展到多视角学习领域,同时还能充分地挖掘多视角高维特征的丰富信息。前者提出了基于样本间相似度一致性的正则项来挖掘视角间的互补性信息,并提出两个分别基于成对视角和中心视角的策略将单视角子空间学习算法（包括流形学习,线性子空间学习及其核函数的变种）拓展到多视角场景中;后者提出了基于异构图的图结构一致项以发掘不同视角间的补充信息和探索多个视角之间的相关性,并在多视角学习过程中保持了各视角中的图结构信息以发掘多视角特征中的多样性信息。综上所述,本文针对多视角场景下高维数据处理过程中的一系列问题进行研究,并详细介绍了相关研究成果及创新点,希望借助本文提出的研究成果能够为多视角高维数据分析领域开拓新的解决思路。
耿阳李敖[3]（2021）在《面向非规则簇结构的聚类算法研究》文中认为随着信息技术的高速发展,人类所积累的数据量呈现爆炸式增长,除了对这些数据进行存储与查询,如何从中挖掘有价值的模式和规律越发受到研究者的关注。作为数据挖掘的基本工具,聚类分析旨在自适应地从无标签数据中发现可能的分簇模式,可以为众多高层的数据分析算法提供底层支持,已被广泛应用于图像处理、统计分析、电子商务、生物信息、社会科学等众多领域。由于不存在明确的类别定义和数据标签信息,聚类算法设计需要引入一些额外的先验准则来产生分簇结果,不同的先验准则也导致了最终形成的簇具有不同的特点。考虑到实际场景中数据分布的不规律性,其潜在的簇往往具有非规则结构,基于密度与基于图的聚类方法能够较好发现这些非规则的簇结构,因而成为了聚类分析领域的研究热点。然而现有的基于密度与基于图的聚类方法存在各自的缺陷,前者对于密度或尺度分布不均匀的簇结构可能出现过分割或欠分割现象;后者在无监督构图过程中可能会形成低质量图结构,导致聚类结果的退化。此外,在面对分布式存储的高维大数据时,如何发现其中非规则的簇结构也是一项具有挑战性的任务。本文针对上述问题展开了探索,具体做了以下工作:1.提出了一种能够同时发现不同形状、密度、尺度的聚类算法。算法引入了一种全新的密度度量方式――K近邻相对核密度,其能够同时探测到具有不同密度水平的簇结构。基于该密度度量,定义了核心样本概念,核心样本之间通过定义K近邻密度图相互连接,具有较强密度连通性的核心样本被视作一个簇。此种表示可以应对一个簇中存在多个局部密度核心的情形,具有更强的鲁棒性。此外,还提出了一种无效参数过滤算法,方便进行参数选择。2.针对高维大数据提出了一种分布式密度聚类算法。借助分布式计算优势,在每个子机上对部分数据进行密度划分,每个划分出的部分可看做原始数据的一个微分局部,可假设其近似嵌入到一个低维子空间中。引入子空间高斯模型对其进行建模可获得局部数据的一个紧致表示,进一步提出了针对子空间高斯模型的快速参数估计方法。3.针对聚类任务提出了一种基于图低频重组迭代的特征学习方法。相比其传统图聚类方法进行一次性的构图与划分,所提方法采用图与特征交替优化的思路,从而能避免因一次低质量构图所带来的聚类性能退化。4.针对雷暴识别与追踪这一特殊的时空数据场景,提出了一种聚类的解决方案。其中,针对非规则空间数据引入了冗余高斯表示法,针对高斯模型之间的重叠指标设计了一种快速蒙特卡洛估计法,采用双帧聚类思路同时实现雷暴的识别与追踪。
姚远[4]（2021）在《异构迁移学习方法研究》文中指出随着信息技术的飞速发展,各行各业产生的数据呈现爆炸式增长,且这些数据具有多源、异构等特点。如何对来自不同领域的数据进行知识迁移已经成为学术界和工业界共同关注的焦点问题。为了有效地解决上述问题,迁移学习作为一种新兴的机器学习框架应运而生。其利用一个或多个辅助领域（即源领域）的大量有类标数据的知识,帮助相关却类标稀缺领域（即目标领域）的数据进行学习,进而建立出可靠的学习模型。目前大多数迁移学习的研究主要集中在同构场景中,即源领域和目标领域数据具有相同的特征表示。虽然同构迁移学习的研究已经取得了丰硕成果,但是这些同构迁移学习方法并不能直接应用在异构场景中,即源领域和目标领域数据具有不同的特征表示。在实际应用中,异构场景也较为普遍。例如,源领域和目标领域数据分别是采用不同语言撰写的文章。因此,为了补足同构迁移学习的短板,本文以异构迁移学习为研究对象,围绕单源异构迁移学习和多源异构迁移学习两个层面逐步展开研究。具体而言,本文的主要研究内容和创新总结如下:（1）针对单源异构迁移学习中领域内部判别能力较弱的问题,提出判别式联合分布自适配方法。该方法利用线性特征变换寻找一个最优的公共子空间,使得在此空间中可以同时提升领域内部的判别性以及领域之间的迁移性。在寻找到最优公共子空间以后,最近邻分类器被用于分类目标领域的无类标数据。在多组跨领域分类任务上的实验结果表明,该方法可以有效提升源领域和目标领域内部的判别能力。（2）针对单源异构迁移学习中特征适配与分类交替执行时,最优化过程不太稳定的问题,提出判别式分布对齐框架。该框架在利用跨领域有类标数据学习一个自适配分类器的同时,不仅明确缩减了领域之间分布的差异,而且显示增强了领域内部的可分性。基于该框架,线性投影函数和两种不同的损失函数分别被载入其中,进而衍生出两种不同的方法。在多组跨领域分类任务上的实验结果表明,该框架的分类准确率显着超越了交替执行特征适配与分类的方法。（3）针对单源异构迁移学习中线性特征变换能力有限的问题,提出柔性迁移网络。该网络利用非线性特征变换学习一个最优的公共子空间,在匹配领域之间判别面方向的同时,减小了领域之间分布的差异。为了尽可能消除负迁移的影响,该网络采用目标领域无类标数据的软类标信息对领域之间的条件分布进行对齐。此外,由于软类标的准确性会随着迭代次数的增加而不断提升,因此该网络又引入一个自适应的系数去不断提升软类标的重要程度。在多组跨领域分类任务上的实验结果表明,该网络的分类准确率显着超越了采用线性特征变换的方法。（4）针对多源异构迁移学习中多个源领域较难有效适配的问题,提出条件加权对抗网络。该网络利用非线性特征变换搜寻一个最优的公共子空间,通过对抗地学习特征变换器、领域鉴别器以及分类器来进行适配和分类。此外,为了深入刻画不同源领域的重要程度,该网络引入一个精妙的条件加权机制,其不仅根据每个源领域与目标领域之间条件分布的差异来为每个源领域分配相应的权重,而且减小了所有源领域和目标领域之间条件分布的差异。在多组跨领域分类任务上的实验结果表明,该网络可以较好地将多个异构源领域的知识迁移至目标领域。总体而言,本文紧扣异构迁移学习,分别提出判别式联合分布自适配方法、判别式分布对齐框架、柔性迁移网络以及条件加权对抗网络。在多组跨领域分类任务上的实验结果验证了上述所提方法的有效性,因此本文的研究成果有望为异构迁移学习研究带来一些新的思路和启发。
王永欣[5]（2021）在《面向大规模跨模态检索的哈希方法研究》文中研究指明近年来,随着社交媒体网站的大量涌现,分布在互联网上的多媒体数据内容呈现出爆炸式的增长。为了更全面地挖掘多媒体数据,帮助用户从海量且杂乱的数据中获取有价值的信息,大规模跨模态检索的需求与日俱增。与传统的单一模态的检索相比,跨模态检索可以大幅提升用户体验且更符合现实应用场景。但是互联网上的多媒体数据具有数据量大、数据结构复杂、数据维数高的特点,以及不同模态之间存在异构鸿沟和语义鸿沟问题,这对大规模跨模态检索任务是一个巨大的挑战。哈希学习技术作为一种典型的近似最近邻搜索,由于低存储消耗和高效搜索得到越来越多的研究者关注。尽管跨模态哈希方法的研究已经取得了一些进展,但是仍存在许多需要解决的问题。1)如何实现多媒体不同模态哈希码的高效离散优化。一些方法在求解哈希码的离散约束时采用松弛策略,导致较大的量化误差问题和低质量的哈希码,不能很好地解决跨模态检索的异构鸿沟问题。而另外一些离散优化算法采用复杂的梯度下降或按位优化策略,学习效率非常低。2)如何充分地挖掘异构的多媒体数据中蕴含的大量信息。在对数据信息的利用上,一些方法只考虑数据的全局信息,忽略了隐藏在数据分布中的局部相似性,使得检索结果不够精细。3)如何实现哈希码对精细相似度的保持。现有的哈希方法通常将二值相似度嵌入到哈希码中,这种二值相似度损失了大量的语义和特征信息,并且存在平方复杂度问题。此外,在对相似性保持问题上,传统朴素二进制哈希码的表达能力受哈希码长度的限制,不能充分拟合多媒体数据的相似性信息。4)如何实现高效的在线多媒体数据流学习。越来越多的应用场景中,多媒体数据是以数据流的形式收集的,传统的跨模态哈希方法基于批处理的方式学习不同模态的哈希码和哈希函数,学习效率非常低效,不能很好地适应在线跨媒体检索任务。本论文对面向大规模跨模态检索的哈希方法进行了深入研究,针对上述问题设计了四种监督跨模态哈希方法。主要贡献如下:（1）针对已有跨模态哈希方法的较大量化误差问题以及对大数据不可扩展问题,提出一种可扩展非对称离散跨模态哈希方法。应用距离-距离差异最小化将多媒体数据的监督信息嵌入到哈希码中,避免应用二值相似度矩阵,降低了时空开销,使模型对大规模多媒体数据集是可扩展的。语义标签是所有模态中最一致的信息,将其作为一个特殊模态,应用协同矩阵分解学习它与不同模态数据的公共潜在子空间,并通过非对称策略将哈希码与子空间建立连接,将更多的信息传递到哈希码中。还提出了一种高效的非对称离散优化算法求解哈希码的二值约束,避免了较大量化误差问题,保证了哈希码的质量。（2）为了更充分地挖掘多媒体数据中的信息,提出一种全局和局部相似性嵌入的快速跨模态哈希方法。它不仅考虑异构数据的全局相似性信息,还挖掘数据的组内局部相似性信息,能够从视觉上使检索结果更精细。为了更好地利用监督信息,设计了一个包含成对相似度保持和相关类别重构的相似性嵌入框架,从两个角度保持监督信息,可以得到更具判别力的哈希码。还提出了一种高效的组更新离散优化算法,使其计算复杂度与训练集的大小呈线性关系,对大规模多媒体数据的扩展性大大提高。（3）针对哈希码的精细相似度保持问题,提出一种高维稀疏跨模态哈希方法。从理论上分析并设计一个细粒度相似度,不仅考虑数据的高层语义相似性,还合理地考虑多媒体不同模态的底层特征相似性。由于朴素哈希码的表达能力较弱,不能很好地拟合细粒度相似性,利用高维稀疏编码的强表达能力将细粒度相似性嵌入到待学习的哈希码中。还设计了一种高效的离散优化算法来解决哈希码的二进制和稀疏约束,降低了量化误差。最重要的是,模型的搜索复杂度与朴素哈希方法一样高效。在三个广泛使用的数据集上进行的大量实验表明本文的高维稀疏跨模态哈希模型是非常有效和高效的。（4）针对在线多媒体数据流检索场景,提出一种标签嵌入在线跨模态哈希方法。设计了一个标签嵌入框架来利用多媒体数据的监督信息,可以生成高判别性的哈希码,降低计算复杂度。通过块相似度矩阵的内积适应,保持新来数据的成对相似性,并且建立新来数据与已有数据之间的联系,使模型对新来数据的敏感性降低,从而得到高效的哈希码。此外,还设计了一种离散优化算法,在不松弛的情况下求解哈希码的二进制约束问题,可以降低量化误差,并且它的计算复杂度只与新来数据的大小线性相关,对大规模多媒体数据集是非常高效和扩展的。在三个基准数据集上的大量实验结果表明本文的模型在准确性和效率方面优于一些最先进的离线和在线跨模态哈希方法。
张余[6]（2020）在《大规模MIMO系统的信道估计和预编码技术研究》文中认为大规模多输入多输出（MIMO,Multiple-Input Multiple-Output）技术通过在基站侧配置大规模的天线阵列来深度挖掘空间维度无线资源,从而显着提高系统频谱效率和能量效率。通过基于导频信号的信道估计获取准确的信道状态信息（CSI,Channel State Information）是提升大规模MIMO系统性能的关键,而导频开销会消耗大量的时频资源。因此,如何优化导频分配变得至关重要。另外,毫米波频段丰富的带宽资源对于提升第五代移动通信系统（5G,5th Generation Mobile Communication Systems）容量和降低通信时延至关重要。为了弥补毫米波信号较大的传输损耗,可以通过大规模MIMO的预编码技术将信号能量聚焦到用户。因此,本论文以大规模MIMO系统的信道估计和预编码方法为研究目标,主要涉及用于基础覆盖的传统大规模MIMO场景以及用于热点覆盖的毫米波大规模分布式MIMO场景。全文的主要创新点和工作内容归纳如下:首先,针对采用正交频分复用（OFDM,Orthogonal Frequency Division Multiplexing）调制的宽带大规模MIMO无线传输,提出了基于联合角度时延子空间导频复用的CSI获取理论方法。研究了大规模MIMO-OFDM的信道特性,并引出联合角度时延子空间的概念。建立了空频域信道相关矩阵和联合角度时延子空间矩阵的关系,并应用低秩自适应子空间追踪算法来估计用户的联合角度时延子空间。接着,提出了基于联合角度时延子空间的鲁棒最小均方误差（MMSE,Minimum Mean-Square Error）信道估计算法,并证明了复用导频的不同用户的联合角度时延子空间相互不重叠时,MMSE信道估计的均方误差达到最小值。根据该最优性条件,提出了一种低复杂度的基于统计特征的导频调度方法。最后,仿真结果说明了所提导频调度算法的性能超过了传统的贪婪导频调度算法和随机导频调度算法,并且所提鲁棒MMSE信道估计算法可以实现逼近MMSE信道估计算法的估计误差。其次,针对分布式相控阵MIMO（DPA-MIMO,Distributed Phased Arrays Based MIMO）无线传输,提出了两种稀疏信道估计方法和一种混合预编码方法。根据DPA-MIMO系统中子阵布局的分布式特性提出了联合稀疏信道模型。为了降低导频波束开销,推导了多子阵协作的确定性波束训练过程。基于此,将DPA-MIMO信道估计问题建模为波束域的结构化稀疏信号恢复问题。接着,利用波束域信道向量的联合稀疏特性,提出了联合正交匹配追踪（JOMP,Joint Orthogonal Matching Pursuit）算法和联合稀疏贝叶斯-l2范数（JSBL-l2,Joint Sparse Bayesian Learning-l2）算法。在数据传输阶段,提出了一种基于子阵分组和串行干扰消除（SIC,Successive Interference Cancellation）的混合预编码方法来最大化系统的频谱效率。最后,仿真结果说明了所提信道估计算法能充分利用信道特性来提升估计性能,而且所提混合预编码算法对于子阵结构能以较低的复杂度实现较好的传输性能。再次,针对网络辅助全双工（NAFD,Network-Assisted Full-Duplex）毫米波DPA无线传输,提出了一种联合上下行混合预编码设计和上行功率控制的优化方法。建立了基于NAFD的毫米波DPA系统的传输模型,并以此形成了以最大化双向和速率为目标,且满足上下行发送功率约束、上下行服务质量（Qo S,Quality of Service）保证和移相器的恒模约束的优化问题。为了求解方便,将原问题等价地转化为最小化上下行加权MSE问题。针对最小化加权MSE问题,提出一种基于惩罚对偶分解（PDD,Penalty Dual Decomposition）的双层迭代求解算法。在内层迭代中,引入了惩罚凸凹过程（PCCP,Penalty Convex-Concave Procedure）来处理非凸的Qo S约束并免除了复杂的初始点求解问题。还进一步给出了所提算法的计算复杂度分析。最后,仿真结果验证了所提算法的有效性,并说明了在毫米波DPA系统中采用NAFD相比同时同频全双工（CCFD,Co-Time Co-Frequency Full-Duplex）和时分双工（TDD,Time Division Duplexing）具有性能优势。最后,针对采用OFDM调制的毫米波分布式天线系统（DAS,Distributed Antenna Systems）,提出了一种混合预编码算法。建立了包含时延扩展差的毫米波DAS传输模型,并以此形成了以最大化下行和速率为目标,且满足每个远程天线单元（RAU,Remote Antenna Unit）的发送功率约束和移相器的恒模约束的优化问题。为了求解方便,将原问题等价地转化为最小化下行加权MSE问题。针对最小化加权MSE问题,借助PDD方法提出一种具有双层迭代结构的多RAU协作混合预编码算法。同时,为了验证所提混合预编码算法的有效性,本章还给出了一种基于拟牛顿法的全数字预编码算法作为比较基准。最后,仿真结果说明了所提混合预编码算法可以实现逼近全数字预编码算法的性能以及时延扩展差会降低毫米波OFDM DAS的传输速率。
郭西风[7]（2020）在《基于深度神经网络的图像聚类算法研究》文中研究表明数据聚类是最基础和最重要的数据分析手段,实现对海量数据快速智能的聚类分析对于帮助整理、摘要和储存数据具有重要意义。在大数据和人工智能快速发展的背景下,传统聚类算法逐渐不能满足人们的实际需求,基于深度神经网络的聚类方法成为当前领域的热门研究方向。现有的深度聚类算法普遍存在目标函数易退化、泛化能力弱、训练不稳定和无监督神经网络表达性不足等问题。如何设计具有强表达性、泛化性、稳定性的深度聚类算法是人工智能中至关重要的研究问题。本文致力于克服现有深度聚类存在的研究难点,从目标函数设计、数据增强技术、自步学习算法、同变性特征和自监督表示学习等方面,研究如何提升深度聚类学习特征的质量,最终提高聚类性能。本文主要创新点概括如下:1.借助欠完备自编码器对数据局部结构的保存能力,提出了具有局部结构保存的深度卷积嵌入聚类算法,以解决目标函数存在退化解的问题。很多深度聚类算法使用单独的一个聚类损失函数同时优化神经网络的参数和聚类模型的参数。这类损失函数一般存在退化解,即神经网络可以通过将所有样本映射到同一个特征点上来使损失函数值最小化。在该退化解下,深度神经网络学习的特征缺乏合理意义,得到的聚类结果也不能令人满意。为了解决该问题,我们提出使用欠完备自编码器保存数据的局部几何结构,从而防止出现退化解。提出使用自编码器的重建损失和基于KL散度的聚类损失一起对模型进行训练,前者保证数据的局部结构在特征空间得以保存,后者鼓励特征向有利于聚类任务的方向调整。通过联合优化这两项损失,实现聚类精度的不断提升。另外,设计了一种新的卷积自编码器结构,使用卷积层实现靠近图像的部分,而用全连接层实现嵌入层附近的部分,保证既能有效地从图像中提取信息,又能保存数据的局部结构。在图像和文本数据集上验证了数据局部结构保存的重要性和提出的深度嵌入聚类算法的有效性。2.通过将数据增强技术引入无监督学习,提出了基于数据增强的深度嵌入聚类框架,以解决模型对少量样本聚类效果不理想和泛化性差的问题。深度神经网络往往需要大量的样本才能学习到有意义的特征。当数据量较少时,难以训练出理想的神经网络。而深度聚类使用深度神经网络作为特征学习模型,因此也受数据量的影响。为了解决该问题,我们首次将数据增强技术引入到无监督深度聚类任务中。首先通过对现有深度聚类算法进行分析,总结出深度嵌入聚类框架,即基于自编码器模型和连接在自编码器嵌入层的聚类模型的深度聚类方法。该框架分为自编码器预训练和联合微调两个阶段。然后从流形学习角度和有监督训练的角度分析数据增强在预训练和微调阶段能够起到的积极作用,据此给出将数据增强技术分别用于这两个阶段的实现方式,从而得到基于数据增强的深度嵌入聚类框架。根据该框架实例化了五个具体的基于数据增强的深度嵌入聚类算法。大量的实验证明了数据增强技术在无监督深度聚类领域具有积极的重要作用,大幅度提升了聚类性能。实例化的五个基于数据增强的深度嵌入聚类算法在四个图像数据集上达到了当前最先进的聚类性能。3.针对边缘噪声样本影响模型训练稳定性的问题,提出了基于自适应自步学习的增强深度聚类算法。深度聚类算法一般交替进行特征学习和聚类两个过程。由于无监督学习的本质,聚类结果不能保证完全准确。而将不准确的聚类结果作为监督信号引导神经网络的训练时,存在误导神经网络的风险,而用误导的网络提取特征再做聚类时会导致聚类结果进一步恶化,从而导致整个交替训练的过程不稳定,影响最终的聚类性能。为了解决该问题,我们利用自步学习技术在每次迭代中只选择最可靠的样本用于网络的训练,排除处于类别边缘的不可靠的样本的影响。自步学习存在难以调节的超参数,为此我们提出自适应自步学习算法,利用数据的统计信息动态选择样本,从而消除超参数的影响。另外我们还设计了一个能有效防止退化解的聚类损失,类似于KMeans损失,但约束聚类中心保持不变。最后使用数据增强技术进一步提升模型的泛化性能和提取的特征的鲁棒性。开展了大量的实验,结果验证了提出的算法的有效性。消融实验展示了自适应自步学习和数据增强分别对深度聚类性能的提升作用。4.为了研究同变性特征的判别性,提出基于仿射同变自编码器的聚类算法。深度聚类的特征提取模块依赖于现有的无监督深度神经网络。然而现有的无监督神经网络处理图像的效果还不能令人满意。同时现有的神经网络都致力于学习对变换具有不变性的特征,而我们发现对变换具有同变性的特征能更好的反映数据的内在性质。直观的理解,为了保持同变性,神经网络将试图解构数据的变换因子,即学习数据的变换模式,从而需要对数据的内容进行必要的理解。因此,同变性特征比不变性特征表达的信息更全面,判别性也有望更好,也更适合聚类任务。为此,提出了仿射同变自编码器模型,以无监督的方式学习对仿射变换具有同变性的特征。目标函数由原始样本的自重建、仿射变换后的样本的自重建和对仿射函数的逼近三部分组成。其中两个自重建损失保证编码器能有效提取数据的特征,对仿射变换的逼近项负责将同变性质融入编码器中。设计了能验证特征同变性的定性实验和定量实验。通过对特征添加扰动然后可视化重建样本的方式对同变性进行定性验证;使用同变性的定义对同变性进行定量验证。实验证明该模型学习的特征具有仿射同变性和很强的判别性。通过在学到的特征上运行谱聚类算法达到了当前最先进的聚类性能。5.为了进一步解决深度聚类在背景复杂接近自然的图像数据上表现不佳的问题,提出基于图像平移的自监督表示学习算法。自监督学习方法通过预测施加在数据上的变换来为神经网络提供监督信息,实践证明用这种监督信息可以训练更加复杂的神经网络,以及在复杂数据集上学习具有判别性的特征。但现有的基于几何变换的自监督方法受变换产生的边缘效应的影响,性能还有待提升。为了解决该问题,我们设计了预测图像平移的像素个数的自监督任务,并通过对同一平移方向的图像施加相同的掩码来消除边缘效应对该任务的影响。实验证明提出的自监督方法能在复杂图像数据集上学习具有很强判别性的特征,为深度聚类提供了新的特征学习模型。
张幸幸[8]（2020）在《机器学习中原型学习理论与方法研究》文中研究表明随着信息技术在社会各领域的深入渗透,人类社会所拥有的数据总量达到了一个前所未有的高度。一方面,海量数据为基于数据驱动的机器学习方法获取有价值信息提供了充分空间;另一方面,高维度、过冗余以及高噪声也是上述繁多、复杂数据的固有特性。为消除数据冗余、发现数据结构、提高数据质量,原型学习是一种行之有效的方式。通过寻找一个原型集来表示目标集,以从样本空间进行数据约简,在增强数据可用性的同时,提升机器学习算法的执行效率。其可行性在众多应用领域中已得到证明。因此,开展原型学习相关理论与方法的研究具有重要的理论意义和应用价值。本文围绕原型学习中的多样性、可解释性和相容性三个核心问题,探索建立新的原型学习模型,对涉及的相似性度量、互斥约束、质量评价、知识迁移、模型优化等理论问题开展深入研究,解决面向表征学习的原型互斥选择、原型结构化选择、任务指派中的原型生成等技术问题。论文的主要创新性研究成果包括:?提出了一种特征聚合中的原型选择方法。为了产生紧致但可解释的全局表示,该方法通过松弛排他性约束从所有局部特征中选取信息密度高、相容性强的原型。同时,将特征聚合中的码书构建、编码以及池化有效地集成到一个统一的原型选择框架中,进一步增强生成表示的可判别性。在此基础上所建立的全局表示,在分类和检索性能上能够比现有的聚合方法获得至少1.94%和1.69%的增益。?提出了一种面向任务指派的原型生成方法。为了将目标集中每个元素都指派给一个最具代表性的原型,该方法在低维空间最小化目标集与原型集间的任务指派损失,同步实现原型学习与任务指派。通过最大化预期指派方案与实际的一致性,该模型还能够灵活应用于无/半/全监督任务指派场景。同时给出了一种交替迭代算法用于有效求解提出的模型。在运动分割、动作识别和场景分类性能上能够比最先进的方法获得1.64%、2.39%和0.61%的增益。?提出了一种1范数度量诱导的原型选择方法。为了应对原型选择时目标集中的离群值和隐藏的数据结构,该方法在目标集的稀疏子空间自适应学习1范数度量,并首次建立度量学习与原型选择的统一框架。进而,通过合并已获取的原型与新到达的目标数据,该模型还支持动态序列模式下在线原型选择。仿真数据、视频摘要、运动分割等实验结果显示,该方法能够显着地提高原型的多样性和代表性。?提出了一种自监督的深度低秩原型选择方法。为了提高原型的代表性,该方法基于去噪自编码器,将低秩指派模型动态地嵌入深度表示学习中。在嵌入空间,所选原型能够动态地监督目标集的度量学习;而在度量空间,学到的判别性表示有助于为目标集中相似的元素指派相同的原型,从而保证原型的多样性和鲁棒性。视频摘要、文本聚类和图像分类等任务上的实验结果验证了提出方法能够比最具代表性的DS3方法获得将近3.72%的增益。?提出了一种基于知识迁移的原型生成方法。为了进一步提高无监督原型学习的判别性,该方法跨域引入辅助数据,并通过最小化原型编码成本、最大化原型结构一致性,来建立一个层次化协同原型生成模型。最终将其它大数据集在视觉与语义空间的超级原型共享并迁移到目标集,实现目标集的代表性原型生成。大量无监督图像分类任务上的实验结果表明了提出方法能够比现有的同类方法获得5.6%至30.3%的增益。
刘源[9]（2020）在《MIMO雷达波形优化设计与阵列误差校正方法研究》文中研究指明多输入多输出（Multiple-Input Multiple-Output,MIMO）雷达利用多个发射天线同时辐射多种信号波形,多个接收天线同时接收并通过信号处理获得多通道的回波数据,是现有雷达体制里面工作模式最灵活,系统优化自由度最高的一种。随着电子科学技术的发展与各种军事需求（预警,侦查,识别,通信等）的增长,现代战场环境中的雷达通常需要集多种功能于一体,在复杂电磁环境中能保证生存且有效运转。与传统相控阵体制雷达相比,MIMO雷达的出现,为进一步提高雷达作战效能提供了可能。MIMO雷达的核心优势在于波形分集。根据发射波形是否正交,MIMO雷达可分为正交与部分相关两种模式。现有文献对正交模式的MIMO雷达讨论较多,而对更一般的部分相关模式研究相对较少;波形优化设计方面,现有算法大多计算复杂,实时性差且往往针对理想阵列流形展开研究,在实际工程应用中可能比较受限制。基于此,本文主要针对MIMO雷达部分相关波形快速优化设计,阵列误差校准以及收发稳健波束形成等方面展开研究。本文的主要工作及创新可总结如下:1.针对MIMO雷达发射波形优化问题,分别基于梯度投影法和交替方向乘子法提出了两种低计算复杂度的求解算法。在实际战场环境中,干扰与杂波背景通常快速变化,有针对性的实时设计发射波形是充分发挥MIMO雷达波形分集优势的关键。根据部分相关模式MIMO雷达的信号处理流程,基于最小化匹配均方误差准则构造代价函数,引入辅助变量将目标函数转化为关于分时刻各方位期望电平与波形矢量的函数。由于均方误差本身非负,如果交替更新上述变量能够使目标函数值单调不增,则有限次迭代后将得到该优化问题的收敛解。基于这个思路,把复杂原问题拆分为多个简单子问题,分别引入梯度投影法和交替方向乘子法进行求解,在理论上分析了两种算法的收敛条件和局部最优解的一阶必要条件。在合适的算法参数选择下,两种算法均能保证收敛。由于所提两种算法仅包含线性矩阵运算,与现有算法相比,计算复杂度显着降低。2.针对MIMO雷达收发阵列通道幅相误差校正问题,提出了一种基于杂波回波的正交子空间投影算法。在实际雷达系统中,各种非理想因素导致阵列误差不可避免,而收发阵列流形的失配会影响MIMO雷达的实际工作性能。正交模式MIMO雷达利用发射波形间的正交性,匹配滤波分离后可将不同发射信号的贡献单独分离开,形成一个孔径扩展的虚拟阵列,为同时估计收发阵列通道幅相误差提供了可能。基于收发同置MIMO雷达虚拟阵列导向矢量列空间不满秩的特性,构造与其正交的非零投影矩阵。补偿收发阵列通道幅相误差后,杂波回波与该投影矩阵正交。根据这个思路,引入辅助校准接收子阵,基于最小化杂波投影输出功率构造代价函数,利用拉格朗日乘子法可分别获得收发阵列通道幅相误差估计的闭式解。分析了该算法有效运行的必要条件与计算复杂度,与现有基于点目标回波联合估计目标角度与阵列通道幅相误差的方法相比,该算法计算量小,适用场景灵活。3.针对正交模式MIMO雷达收发阵列误差校正残余问题,提出了一种基于交替方向乘子法的稳健接收波束形成权优化设计方法。实际雷达系统中的阵列误差通常成因复杂且具有一定的时变性,自校正算法更新阵列流形后可能仍存在一定的校正残余。为了尽量减小这部分误差带来的不利影响,根据正交模式MIMO雷达的信号处理流程,分析了收发阵列流形的双边失配模型。利用先验信息将实际的收发导向矢量分别限定在一个不确定集内,根据最差条件下性能最优的思路构造代价函数。将约束条件视为优化变量的定义域,采用交替方向乘子法对该问题进行求解,分析了该算法的计算复杂度与收敛性能。此外,根据虚拟阵列流形的结构信息,通过松弛与收发分离处理,将全维综合波束形成权拆分为两个低维度的发射权矢量与接收权矢量的克罗内克积,讨论了一种基于双边迭代的稳健波束形成权优化设计方法。与全维稳健优化算法相比,进一步降低了算法计算复杂度与训练样本数的需求。4.针对部分相关模式MIMO雷达发射阵列误差校正残余问题,提出了一种基于最小化旁瓣增益的稳健发射波形优化设计方法。与正交模式MIMO雷达不同,部分相关模式MIMO雷达发射方向图不再全向覆盖,发射阵列残余误差对旁瓣尤其是零陷区间的发射增益影响较大。针对这个问题,根据先验信息将发射导向矢量误差限定在一个不确定集内,基于最差条件下性能最优的思路构造优化波形协方差矩阵的代价函数。利用S-Procedure将非凸原问题转化为半正定规划对波形协方差矩阵进行求解,并通过波形合成方法获得稳健的发射波形。分析讨论了残余误差二范数对发射零陷深度的影响,数值仿真实验验证了所提方法的有效性。
麻付强[10]（2020）在《脉冲噪声环境下麦克风阵列的DOA估计技术研究》文中提出随着计算机及物联网技术的迅速发展,声学信息采集趋向于阵列传感器融合方式,有效地提高了系统对环境的感知能力。其中,波达方向（Direction of Arrival,DOA）估计是麦克风阵列的一项重要研究内容,被广泛应用于战场监测和视频会议等声源定位系统中。传统的DOA估计技术一般都是基于高斯噪声模型的假设,但是高斯分布不能有效地描述具有严重拖尾的脉冲噪声。由于地杂波和人为因素的影响,声学环境中的噪声存在着大量数据突变的冲击响应,导致基于二阶统计量的DOA估计算法性能退化甚至失效。同时,随着麦克风阵列信号处理技术的迅速发展,传感器接收的声学信号大多数为宽带信号,并且声学信号的形式越来越复杂。基于窄带信号模型的DOA估计算法已经无法满足实际需求,亟需研究宽带模型下声学信号的DOA估计技术。针对上述问题,本文以提高麦克风阵列系统的DOA估计精度为目的,对声学脉冲噪声、低快拍和低信噪比等情况下DOA估计的性能退化以及宽带DOA估计依赖于初始预估角度等难点进行了系统且深入的研究。本文的主要研究内容和创新点如下:1)两种基于广义最大复值相关熵的DOA估计算法:提出了广义最大复值相关熵准则,能够有效地处理复值信号,且抑制脉冲噪声。针对脉冲噪声环境下基于二阶统计量的DOA估计性能退化问题,分别提出了基于广义最大复值相关熵的中值差分相关熵算法（MDCO）和基于广义最大复值相关熵的复值拟牛顿算法（QN-GMCCC）。（1）MDCO算法构造了中值差分最大相关熵代价函数,将其作为时域信号协方差的权重因子。并根据KL（Kullback-Leibler）散度原理,设计自适应核宽度选择策略,自适应应对脉冲噪声的变化。仿真实验表明,MDCO能有效抑制脉冲噪声,提高DOA估计精度。相对QN-GMCCC,MDCO的计算复杂度较小,可以应用于嵌入式系统。（2）QN-GMCCC算法利用子空间分解原理求解信号残余拟合误差矩阵的GMCC-loss最小化模型,然后采用交替迭代方法将最小化广义最大复值相关熵问题转为凸优化模型,最后利用复值拟牛顿法求解GMCC-loss函数,保证了二阶偏导正定性。仿真实验表明,QN-GMCCC能有效抑制脉冲噪声,实现二阶超线性全局收敛,且在低快拍情况下具有高精度的DOA估计。2)迭代重加权变分贝叶斯学习（OG-WVBL）的DOA估计:针对脉冲噪声环境下低快拍、低信噪比、异常点难以识别等问题,OG-WVBL算法将脉冲噪声的DOA估计转化为稀疏异常点和DOA估计的联合变分贝叶斯学习问题。利用信号和脉冲噪声的稀疏先验分布,OG-WVBL通过最大化KL散度的下界来求解稀疏向量,避免了计算边缘似然函数,从而有效实现DOA估计和识别脉冲噪声位置分布。采用迭代重加权策略对稀疏先验模型中重要信息的稀疏超参数赋予大的权重因子,获得稳定的变分贝叶斯学习的后验概率模型,提高了算法的收敛速度和收敛精度。仿真实验表明,OG-WVBL算法无需信号源数目的先验估计。OG-WVBL算法能够有效识别脉冲噪声位置和幅值,有效解决低快拍、低信噪比等问题,提高DOA估计精度。3)聚焦信号子空间的宽带DOA估计:针对相干信号子空间方法的聚焦变换需要初始角度估计和算法性能依赖预先角度估计精度的问题,提出了基于酉变换聚焦信号子空间的宽带DOA估计算法（FSS）。FSS算法利用宽带信号参考频率点的信号子空间和各个频率点的信号子空间构造酉聚焦变换矩阵。FSS的聚焦矩阵不会使阵列输出的信噪比发生变化,聚焦过程为无损聚焦变换。为了实现解相干和降低算法复杂度,进一步设计了基于实值信号聚焦信号子空间的宽带DOA估计算法（RFSS）。采用酉变换技术构造实值协方差矩阵,并利用前后空间平滑技术实现解相干。仿真实验表明,FSS算法不会受到DOA预估计误差的影响,提高了聚焦精度。RFSS算法能有效估计宽带相干和非相干信号源。4)基于FPGA和DSP的麦克风阵列DOA估计系统:将上述脉冲噪声环境下窄带DOA估计算法与宽带FSS算法相结合,构建了宽带和窄带DOA的统一模型,设计并建立以 FPGA（Field Programmable Gate Array）和 DSP（Digital Signal Processor）为核心的DOA估计平台。分别在实际的高斯噪声和脉冲噪声环境中,验证了创新点1、2、3对静态卡车、动态卡车的DOA估计的有效性。因此,本文可以有效地应用于含有脉冲噪声的战场监测和视频会议等声源定位系统中,具有很好的实际应用价值。
二、AN ITERATED-SUBSPACEMINIMIZATION METHODS WITHSYMMETRIC RANK-ONE UPDATING（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、AN ITERATED-SUBSPACEMINIMIZATION METHODS WITHSYMMETRIC RANK-ONE UPDATING（论文提纲范文）
（1）复杂噪声背景下的稀疏测向方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 DOA估计的国内外研究现状 |
| 1.2.1 早期非参数化方法 |
| 1.2.2 参数化阵列测向方法的研究 |
| 1.2.3 半参数化方法(稀疏测向)的研究 |
| 1.2.4 高斯色噪声背景下的测向方法研究 |
| 1.2.5 alpha噪声背景下的测向方法研究 |
| 1.2.6 基于实值化模型的测向方法 |
| 1.2.7 离网格(off-grid)稀疏测向方法 |
| 1.2.8 无网格(gridless)稀疏测向方法 |
| 1.3 本文的主要内容和章节安排 |
| 第2章 相关理论以及预备知识 |
| 2.1 引言 |
| 2.2 稀疏表示的基本原理 |
| 2.3 稀疏测向的可行性分析 |
| 2.4 非高斯分布的基本模型 |
| 2.4.1 混合高斯分布 |
| 2.4.2 广义高斯分布 |
| 2.4.3 t分布 |
| 2.4.4 alpha稳定分布 |
| 2.5 alpha稳定分布的定义和性质 |
| 2.5.1 alpha稳定分布的定义 |
| 2.5.2 alpha稳定分布的性质 |
| 2.6 本章小结 |
| 第3章 基于全部子空间信息的匹配追踪测向算法 |
| 3.1 引言 |
| 3.2 基于均匀线形阵列(ULA)的DOA估计稀疏模型 |
| 3.3 MP类算法角度分辨能力不足的原因分析 |
| 3.4 子空间信息 |
| 3.5 NSR OMP算法提出 |
| 3.5.1 最小范数法 |
| 3.5.2 NSR OMP算法实现和计算量分析 |
| 3.6 仿真实验 |
| 3.6.1 实验3.1--NSR OMP算法估计实验 |
| 3.6.2 实验3.2--偏移角实验 |
| 3.6.3 实验3.3--快拍数实验 |
| 3.6.4 实验3.4--信噪比实验 |
| 3.7 本章小结 |
| 第4章 基于实值化模型的离格稀疏测向方法 |
| 4.1 引言 |
| 4.2 阵列的实值化测向模型 |
| 4.2.1 均匀线阵(ULA)的二阶统计量实值化测向模型 |
| 4.2.2 稀疏线阵(SLA)的二阶统计量实值化测向模型 |
| 4.2.3 ULA阵列的四阶累积量降维实值化测向模型 |
| 4.3 算法提出 |
| 4.3.1 RV L1-SSV DOA估计算法 |
| 4.3.2 基于平滑l_0范数的DOA估计算法 |
| 4.3.2.1 平滑函数设计 |
| 4.3.2.2 算法推导 |
| 4.3.2.3 RV ISL0-SSV算法流程 |
| 4.3.2.4 算法参数设置及其计算量分析 |
| 4.3.2.5 四阶累积量矢量实值化模型 |
| 4.3.3 在格方法的仿真实验与分析 |
| 4.3.3.1 实验4.1--可行性实验 |
| 4.3.3.2 实验4.2--偏移角实验 |
| 4.3.3.3 实验4.3--信噪比实验 |
| 4.4 实值化离格稀疏测向方法 |
| 4.4.1 RV L1-OGSSV测向方法 |
| 4.4.2 RV ISL0-OGSSV和RV ISL0-OGHOCV测向方法 |
| 4.4.3 离格测向方法的仿真实验与分析 |
| 4.4.3.1 实验4.4--收敛性分析 |
| 4.4.3.2 实验4.5--信噪比实验 |
| 4.4.3.3 实验4.6--运算时间比较 |
| 4.5 本章小结 |
| 第5章 Alpha白噪声背景下基于PFLOM的无网格稀疏测向方法 |
| 5.1 引言 |
| 5.2 理论基础 |
| 5.2.1 范德蒙德分解定理 |
| 5.2.2 原子范数 |
| 5.2.3 连续压缩感知 |
| 5.2.4 协方差匹配 |
| 5.3 基于分数低阶统计量无网格方法的可行性分析 |
| 5.4 基于PFLOM的无网格测向方法 |
| 5.4.1 基于PFLOM的 GLS方法 |
| 5.4.2 基于PFLOM的稀疏矩阵重构方法 |
| 5.4.3 参数b的设定 |
| 5.5 PFLOM-SMR和PFLOM-GLS算法与ANM方法的关联性 |
| 5.6 仿真实验与分析 |
| 5.6.1 实验5.1--可行性实验 |
| 5.6.2 实验5.2--信噪比实验 |
| 5.6.3 实验5.3--快拍数实验 |
| 5.6.4 实验5.4--噪声冲击性实验 |
| 5.7 本章小结 |
| 第6章 Alpha色噪声背景下基于FOC的稀疏测向方法 |
| 6.1 引言 |
| 6.2 分数阶累积量 |
| 6.3 算法提出 |
| 6.3.1 基于FOC的 MUSIC算法 |
| 6.3.2 基于FOC的离格稀疏测向方法 |
| 6.3.3 基于FOC的无网格稀疏测向方法 |
| 6.4 数值仿真实验分析 |
| 6.4.1 实验6.1--确定参数p的取值 |
| 6.4.2 实验6.2--可行性实验 |
| 6.4.3 实验6.3--信噪比实验 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士学位期间所取得的科研成果 |
| 致谢 |
（2）针对多视角数据场景的子空间学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景及其意义 |
| 1.2 国内外相关工作研究进展 |
| 1.2.1 子空间学习方法研究进展 |
| 1.2.2 多视角学习方法研究发展 |
| 1.3 论文研究工作 |
| 1.4 论文组织结构 |
| 2 基于局部低秩结构的多视角学习研究 |
| 2.1 本章引言 |
| 2.2 相关工作 |
| 2.2.1 背景介绍 |
| 2.2.2 低秩表示 |
| 2.2.3 典型相关分析 |
| 2.2.4 多视角谱嵌入 |
| 2.3 多视角局部低秩嵌入 |
| 2.3.1 L~2E算法的构造过程 |
| 2.3.2 MvL~2E算法的构造过程 |
| 2.3.3 MvL~2E算法的优化过程 |
| 2.4 MvL~2E算法的相关实验 |
| 2.4.1 数据集、对比算法 |
| 2.4.2 文本分类实验 |
| 2.4.3 图像分类实验 |
| 2.4.4 MvL~2E算法的鲁棒性与收敛性分析 |
| 2.5 多视角低秩保持嵌入 |
| 2.5.1 MvLPE算法的构造过程 |
| 2.5.2 MvLPE算法的优化过程 |
| 2.5.3 MvLPE算法的收敛性证明 |
| 2.6 MvLPE算法的相关实验 |
| 2.6.1 数据集、对比算法 |
| 2.6.2 文本分类实验 |
| 2.6.3 图像分类实验 |
| 2.6.4 MvLPE算法的收敛性分析 |
| 2.6.5 实验分析 |
| 2.7 本章小结 |
| 3 基于非负矩阵分解的多视角信息融合方法研究 |
| 3.1 本章引言 |
| 3.2 相关工作 |
| 3.2.1 背景介绍 |
| 3.2.2 协同正则多视角谱聚类 |
| 3.3 图一致性非负矩阵分解算法 |
| 3.3.1 GANMF算法的构造过程 |
| 3.3.2 GANMF算法的优化过程 |
| 3.4 GANMF算法的相关实验 |
| 3.4.1 数据集、对比算法以及评价指标 |
| 3.4.2 多视角聚类实验 |
| 3.4.3 GANMF算法的敏感性分析 |
| 3.4.4 GANMF算法的收敛性分析 |
| 3.5 本章小结 |
| 4 基于多视角子空间学习的通用性框架研究 |
| 4.1 本章引言 |
| 4.2 相关工作 |
| 4.2.1 局部线性嵌入 |
| 4.2.2 广义多视角分析 |
| 4.3 基于相似度一致的正则化多视角学习框架 |
| 4.3.1 SCRMvL框架的构造过程 |
| 4.3.2 SCRMvL框架的优化过程 |
| 4.3.3 SCRMvL框架的拓展 |
| 4.4 SCRMvL框架相关实验 |
| 4.4.1 数据集与对比算法 |
| 4.4.2 文本分类实验 |
| 4.4.3 图像分类实验 |
| 4.4.4 SCRMvL框架的收敛性分析 |
| 4.5 基于图结构一致性项的多视角学习框架 |
| 4.5.1 GSCMvL框架的构造过程 |
| 4.5.2 GSCMvL框架的优化过程 |
| 4.5.3 GSCMvL框架的实际应用 |
| 4.6 GSCMvL框架相关实验 |
| 4.6.1 数据集与对比算法 |
| 4.6.2 文本分类实验 |
| 4.6.3 人脸识别实验 |
| 4.6.4 图像检索实验 |
| 4.6.5 GSCMvL框架的收敛性分析 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表学术论文情况 |
| 致谢 |
| 作者简介 |
（3）面向非规则簇结构的聚类算法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 缩略语 |
| 常用数学符号 |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.1.1 聚类应用 |
| 1.1.2 聚类算法挑战 |
| 1.2 研究现状 |
| 1.2.1 常见聚类算法 |
| 1.2.2 基于密度的聚类算法 |
| 1.2.3 基于图的聚类算法 |
| 1.2.4 分布式聚类算法 |
| 1.3 研究内容与文章组织 |
| 2 基于KNN相对核密度的聚类算法 |
| 2.1 引言 |
| 2.2 RECOME算法流程 |
| 2.2.1 K近邻相对核密度 |
| 2.2.2 密度度量性质分析 |
| 2.2.3 核心点与原子簇 |
| 2.2.4 相对密度图及密度可达性 |
| 2.3 量化参数提取算法 |
| 2.4 实验 |
| 2.4.1 实验设置 |
| 2.4.2 仿真数据集结果 |
| 2.4.3 真实数据集结果 |
| 2.4.4 参数分析 |
| 2.4.5 量化参数提取算法验证 |
| 2.5 本章小结 |
| 3 针对分布式高维数据的局部密度子空间聚类算法 |
| 3.1 引言 |
| 3.2 子空间高斯模型 |
| 3.2.1 高维数据对高斯模型的挑战 |
| 3.2.2 子空间高斯模型引入与分析 |
| 3.2.3 针对高维数据的快速参数估计方法 |
| 3.3 LDSDC算法流程 |
| 3.3.1 局部密度区域划分 |
| 3.3.2 局部密度子空间高斯建模 |
| 3.3.3 密度连通度估计 |
| 3.3.4 密度连通区域合并 |
| 3.4 实验 |
| 3.4.1 实验设置 |
| 3.4.2 数据集 |
| 3.4.3 评价指标 |
| 3.4.4 实验结果 |
| 3.4.5 参数分析 |
| 3.5 本章小结 |
| 4 基于图频率重组迭代的无监督特征优化方法 |
| 4.1 引言 |
| 4.2 频率角度下的图迭代原理 |
| 4.2.1 图信号与图频率 |
| 4.2.2 从图迭代到图频率分解 |
| 4.2.3 过平滑效应的双面性 |
| 4.3 FRI算法流程 |
| 4.3.1 频率重组迭代 |
| 4.3.2 对大规模数据集的效率优化 |
| 4.3.3 对FRI的一些补充讨论 |
| 4.4 实验 |
| 4.4.1 实验设置 |
| 4.4.2 仿真数据集结果 |
| 4.4.3 真实数据集结果 |
| 4.4.4 快速迭代法时间效率验证 |
| 4.4.5 参数分析 |
| 4.5 本章小结 |
| 5 基于双帧聚类的雷暴识别与追踪算法 |
| 5.1 引言 |
| 5.2 数据介绍与问题形式化 |
| 5.3 双帧聚类识别与追踪算法流程 |
| 5.4 实验 |
| 5.4.1 数据集与实验设置 |
| 5.4.2 结果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 附录A 论文定理证明 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）异构迁移学习方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 问题描述 |
| 1.3 国内外研究现状及分析 |
| 1.3.1 同构迁移学习 |
| 1.3.2 异构迁移学习 |
| 1.4 相关研究主要存在的问题 |
| 1.5 研究工作及创新 |
| 1.5.1 主要研究内容 |
| 1.5.2 主要研究成果与创新 |
| 1.6 论文组织结构 |
| 第2章 基于判别式联合分布自适配的单源异构迁移学习方法 |
| 2.1 引言 |
| 2.2 判别式联合分布自适配方法 |
| 2.2.1 模型构建 |
| 2.2.2 模型最优化 |
| 2.2.3 时间复杂度分析 |
| 2.2.4 与现有方法的对比 |
| 2.3 实验结果及分析 |
| 2.3.1 实验数据 |
| 2.3.2 实验设置与基线方法 |
| 2.3.3 实验结果 |
| 2.3.4 消融研究分析 |
| 2.3.5 特征可视化分析 |
| 2.3.6 参数敏感性与收敛性分析 |
| 2.4 小结 |
| 第3章 基于判别式分布对齐的单源异构迁移学习方法 |
| 3.1 引言 |
| 3.2 判别式分布对齐框架 |
| 3.2.1 框架构建 |
| 3.2.2 框架实例化 |
| 3.2.3 时间复杂度分析 |
| 3.2.4 与现有方法的对比 |
| 3.3 实验结果及分析 |
| 3.3.1 实验数据 |
| 3.3.2 实验设置与基线方法 |
| 3.3.3 实验结果 |
| 3.3.4 消融研究分析 |
| 3.3.5 特征可视化分析 |
| 3.3.6 性能稳定性分析 |
| 3.3.7 参数敏感性与收敛性分析 |
| 3.4 小结 |
| 第4章 基于柔性迁移网络的单源异构迁移学习方法 |
| 4.1 引言 |
| 4.2 柔性迁移网络 |
| 4.2.1 分类损失 |
| 4.2.2 柔性最大均值差异损失 |
| 4.2.3 全局最优化目标 |
| 4.2.4 与现有方法的对比 |
| 4.3 实验结果及分析 |
| 4.3.1 实验数据 |
| 4.3.2 实验设置与基线方法 |
| 4.3.3 实验结果 |
| 4.3.4 消融研究分析 |
| 4.3.5 特征可视化分析 |
| 4.3.6 参数敏感性与收敛性分析 |
| 4.4 小结 |
| 第5章 基于条件加权对抗网络的多源异构迁移学习方法 |
| 5.1 引言 |
| 5.2 条件加权对抗网络 |
| 5.2.1 异构特征变换 |
| 5.2.2 对抗分布对齐 |
| 5.2.3 多源条件加权 |
| 5.2.4 全局最优化目标 |
| 5.2.5 与现有方法的对比 |
| 5.3 实验结果及分析 |
| 5.3.1 实验数据 |
| 5.3.2 实验设置与基线方法 |
| 5.3.3 实验结果 |
| 5.3.4 消融研究分析 |
| 5.3.5 特征可视化分析 |
| 5.3.6 加权机制分析 |
| 5.3.7 噪声检测 |
| 5.3.8 多源分析 |
| 5.3.9 参数敏感性与收敛性分析 |
| 5.4 小结 |
| 结论 |
| 参考文献 |
| 附录A 本文常用符号表 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（5）面向大规模跨模态检索的哈希方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 哈希学习研究现状 |
| 1.2.1 离线哈希方法 |
| 1.2.1.1 朴素哈希 |
| 1.2.1.2 高维稀疏哈希 |
| 1.2.2 在线哈希方法 |
| 1.3 本文主要工作和创新点 |
| 1.4 论文内容安排 |
| 第2章 可扩展非对称离散跨模态哈希方法 |
| 2.1 引言 |
| 2.2 BATCH算法 |
| 2.2.1 符号和问题定义 |
| 2.2.2 哈希码学习 |
| 2.2.2.1 公共子空间学习 |
| 2.2.2.2 距离-距离差异最小化 |
| 2.2.2.3 非对称联合学习 |
| 2.2.2.4 量化和正交化 |
| 2.2.2.5 高效离散优化 |
| 2.2.3 哈希函数学习 |
| 2.2.4 收敛性证明 |
| 2.2.5 复杂度分析 |
| 2.3 实验描述和结果分析 |
| 2.3.1 实验设置 |
| 2.3.1.1 数据集 |
| 2.3.1.2 评价指标 |
| 2.3.1.3 对比方法及实验细节 |
| 2.3.2 实验结果和分析 |
| 2.3.2.1 Wiki数据集上的结果 |
| 2.3.2.2 MIRFlickr-25K数据集上的结果 |
| 2.3.2.3 NUS-WIDE数据集上的结果 |
| 2.3.2.4 收敛性分析 |
| 2.3.2.5 时间开销分析 |
| 2.3.2.6 参数敏感性分析 |
| 2.3.2.7 消融实验分析 |
| 2.3.2.8 与深度哈希方法的对比实验 |
| 2.4 小结 |
| 第3章 快速跨模态哈希方法 |
| 3.1 引言 |
| 3.2 FCMH算法 |
| 3.2.1 符号和问题描述 |
| 3.2.2 哈希码学习 |
| 3.2.2.1 全局相似性嵌入 |
| 3.2.2.2 局部相似性嵌入 |
| 3.2.2.3 总体目标函数 |
| 3.2.2.4 高效离散优化 |
| 3.2.3 哈希函数学习 |
| 3.2.4 收敛性证明 |
| 3.2.5 复杂度分析 |
| 3.3 实验描述和结果分析 |
| 3.3.1 实验设置 |
| 3.3.1.1 数据集 |
| 3.3.1.2 评价指标 |
| 3.3.1.3 对比方法及实验细节 |
| 3.3.2 实验结果和分析 |
| 3.3.2.1 IAPR TC-12数据集上的结果 |
| 3.3.2.2 MIRFlickr-25K数据集上的结果 |
| 3.3.2.3 NUS-WIDE数据集上的结果 |
| 3.3.2.4 收敛性分析 |
| 3.3.2.5 时间开销分析 |
| 3.3.2.6 参数敏感性分析 |
| 3.3.2.7 消融实验分析 |
| 3.3.2.8 与深度哈希方法的对比实验 |
| 3.4 小结 |
| 第4章 高维稀疏跨模态哈希方法 |
| 4.1 引言 |
| 4.2 HSCH算法 |
| 4.2.1 符号和问题定义 |
| 4.2.2 哈希码学习 |
| 4.2.2.1 细粒度稀疏编码 |
| 4.2.2.2 高效离散优化 |
| 4.2.3 哈希函数学习 |
| 4.2.4 收敛性证明 |
| 4.2.5 复杂度分析 |
| 4.3 实验描述和结果分析 |
| 4.3.1 实验设置 |
| 4.3.1.1 数据集 |
| 4.3.1.2 评价指标 |
| 4.3.1.3 对比方法和实现细节 |
| 4.3.2 实验结果和分析 |
| 4.3.2.1 准确率对比实验 |
| 4.3.2.2 效率对比实验 |
| 4.3.2.3 收敛性分析 |
| 4.3.2.4 参数敏感性分析 |
| 4.3.2.5 消融实验分析 |
| 4.3.2.6 与深度哈希方法的对比实验 |
| 4.4 小结 |
| 第5章 标签嵌入在线跨模态哈希方法 |
| 5.1 引言 |
| 5.2 LEMON算法 |
| 5.2.1 符号和问题定义 |
| 5.2.2 哈希码学习 |
| 5.2.2.1 标签嵌入 |
| 5.2.2.2 在线学习 |
| 5.2.2.3 高效离散优化 |
| 5.2.3 哈希函数学习 |
| 5.2.4 复杂度分析 |
| 5.3 实验描述和结果分析 |
| 5.3.1 实验设置 |
| 5.3.1.1 数据集 |
| 5.3.1.2 评价指标 |
| 5.3.1.3 对比方法和实现细节 |
| 5.3.2 实验结果和分析 |
| 5.3.2.1 MIRFlickr-25K数据集上的结果 |
| 5.3.2.2 IAPR TC-12数据集上的结果 |
| 5.3.2.3 NUS-WIDE数据集上的结果 |
| 5.3.2.4 时间开销分析 |
| 5.3.2.5 参数敏感性分析 |
| 5.4 小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读学位期间参与科研项目情况 |
| 学位论文评阅及答辩情况表 |
（6）大规模MIMO系统的信道估计和预编码技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究历史与现状 |
| 1.2.1 大规模MIMO导频污染问题研究 |
| 1.2.2 毫米波大规模分布式MIMO无线传输方法研究 |
| 1.3 主要工作及章节安排 |
| 第二章 大规模MIMO-OFDM系统的基于联合角度时延子空间的信道估计方法 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.3 联合角度时延子空间的概念及估计算法 |
| 2.3.1 联合角度时延子空间的定义 |
| 2.3.2 联合角度时延子空间的自适应估计算法 |
| 2.4 上行多用户信道估计 |
| 2.5 基于联合角度时延子空间的导频调度 |
| 2.6 仿真结果及分析 |
| 2.6.1 子空间追踪算法的性能 |
| 2.6.2 信道估计算法性能 |
| 2.7 本章小结 |
| 2.8 本章附录 |
| 2.8.1 命题2.1的证明 |
| 2.8.2 定理2.1的证明 |
| 2.8.3 定理2.2的证明 |
| 2.8.4 定理2.3的证明 |
| 第三章 分布式相控阵MIMO系统的信道估计和混合预编码技术研究 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 联合稀疏信道模型 |
| 3.2.2 协作多子阵波束训练 |
| 3.3 信道估计问题成型和导频波束模式设计 |
| 3.3.1 信道估计问题成型 |
| 3.3.2 开环导频波束模式设计 |
| 3.4 分布式相控阵MIMO系统的信道估计算法 |
| 3.4.1 联合正交匹配追踪算法 |
| 3.4.2 联合稀疏贝叶斯-l_2范数算法 |
| 3.5 基于子阵分组和串行干扰消除的混合预编码算法 |
| 3.5.1 发送端设计 |
| 3.5.2 接收端设计 |
| 3.6 仿真结果及分析 |
| 3.6.1 信道估计性能分析 |
| 3.6.2 混合预编码性能分析 |
| 3.7 本章小结 |
| 3.8 本章附录 |
| 3.8.1 等式(3.29)的证明 |
| 3.8.2 矩阵T_n的迭代计算 |
| 第四章 基于网络辅助全双工的毫米波分布式相控阵系统的混合预编码技术研究 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 信道模型 |
| 4.2.2 传输模型 |
| 4.2.3 问题成型 |
| 4.3 基于网络辅助全双工的毫米波分布式相控阵的收发机联合优化 |
| 4.3.1 问题的等价转换 |
| 4.3.2 增广的拉格朗日问题 |
| 4.3.3 利用惩罚凸凹过程和块坐标下降方法求解问题(4.26) |
| 4.3.4 基于惩罚对偶分解的算法 |
| 4.3.5 计算复杂度分析 |
| 4.4 仿真结果及分析 |
| 4.5 本章小结 |
| 4.6 本章附录 |
| 4.6.1 命题4.1的证明 |
| 4.6.2 问题(4.31)的求解方法 |
| 4.6.3 问题(4.45)的求解方法 |
| 第五章 毫米波OFDM分布式天线系统的混合预编码技术研究 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.3 毫米波OFDM分布式天线系统的协作传输 |
| 5.3.1 问题成型 |
| 5.3.2 混合预编码设计 |
| 5.3.3 计算复杂度和收敛性分析 |
| 5.4 仿真结果及分析 |
| 5.5 本章小结 |
| 5.6 本章附录 |
| 5.6.1 问题的等价性证明 |
| 5.6.2 基于拟牛顿法的全数字预编码设计算法 |
| 第六章 总结与展望 |
| 6.1 全文总结及主要贡献 |
| 6.2 进一步研究的方向 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果 |
| 致谢 |
（7）基于深度神经网络的图像聚类算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 符号使用说明 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究难点 |
| 1.1.3 研究意义 |
| 1.2 深度聚类算法研究现状 |
| 1.2.1 深度聚类中的聚类模型 |
| 1.2.2 深度聚类中的神经网络模型 |
| 1.2.3 对现有深度聚类算法的分类汇总 |
| 1.3 研究工作概述 |
| 1.4 论文内容安排 |
| 第二章 具有局部结构保存的深度卷积嵌入聚类算法 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 自动编码器 |
| 2.2.2 深度聚类 |
| 2.2.3 深度嵌入聚类算法 |
| 2.3 提出的方法 |
| 2.3.1 聚类损失 |
| 2.3.2 局部结构保存机制 |
| 2.3.3 优化过程 |
| 2.3.4 网络结构 |
| 2.4 实验结果与分析 |
| 2.4.1 实验设置 |
| 2.4.2 与现有方法对比 |
| 2.4.3 收敛性与结果可视化 |
| 2.4.4 参数敏感性分析 |
| 2.5 本章小结 |
| 第三章 基于数据增强的深度嵌入聚类框架 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 去噪自编码器 |
| 3.2.2 数据增强 |
| 3.2.3 深度嵌入聚类算法 |
| 3.3 提出的方法 |
| 3.3.1 深度嵌入聚类框架 |
| 3.3.2 预训练阶段的数据增强 |
| 3.3.3 微调阶段的数据增强 |
| 3.3.4 实例化 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 数据增强的作用 |
| 3.4.3 与先进聚类算法对比 |
| 3.4.4 参数敏感性分析 |
| 3.4.5 更多讨论 |
| 3.5 本章小结 |
| 第四章 基于自适应自步学习的增强深度聚类算法 |
| 4.1 相关工作 |
| 4.1.1 深度聚类 |
| 4.1.2 自步学习 |
| 4.1.3 数据增强 |
| 4.2 提出的方法 |
| 4.2.1 基础聚类模型与损失函数 |
| 4.2.2 结合自适应自步学习的深度聚类 |
| 4.2.3 结合数据增强的深度聚类 |
| 4.2.4 优化算法 |
| 4.3 实验结果与分析 |
| 4.3.1 实验设置 |
| 4.3.2 与先进算法进行对比 |
| 4.3.3 消融实验 |
| 4.3.4 收敛性分析 |
| 4.3.5 超参数敏感性分析 |
| 4.4 算法扩展 |
| 4.5 本章小结 |
| 第五章 基于仿射同变自编码器的聚类算法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 自编码器 |
| 5.2.2 研究同变性的工作 |
| 5.3 提出的方法 |
| 5.3.1 同变性与不变性 |
| 5.3.2 模型介绍 |
| 5.3.3 具体实现 |
| 5.3.4 与现有工作的区别和联系 |
| 5.4 实验结果与分析 |
| 5.4.1 同变性验证 |
| 5.4.2 聚类任务 |
| 5.4.3 分类任务 |
| 5.5 本章小结 |
| 第六章 基于图像平移的自监督表示学习算法 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.2.1 传统的无监督表示学习 |
| 6.2.2 自监督表示学习 |
| 6.3 提出的方法 |
| 6.3.1 基于图像平移的自监督学习的核心思想 |
| 6.3.2 基于图像平移的自监督学习的目标函数 |
| 6.3.3 两任务模型的目标函数 |
| 6.4 实验与结果分析 |
| 6.4.1 实验设置 |
| 6.4.2 在CIFAR10、CIFAR100和STL10上的实验结果 |
| 6.4.3 在Flower和 Image Net数据集上的实验结果 |
| 6.4.4 验证掩码的作用 |
| 6.4.5 参数敏感性分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 参与项目 |
（8）机器学习中原型学习理论与方法研究（论文提纲范文）
| 致谢 |
| 中文摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究概况 |
| 1.2.1 原型学习的相关方法 |
| 1.2.2 原型学习的典型应用 |
| 1.2.3 原型质量评估 |
| 1.3 研究内容和论文框架 |
| 1.3.1 研究内容 |
| 1.3.2 论文框架与结构安排 |
| 2 原型学习综述 |
| 2.1 原型学习的监督方式 |
| 2.1.1 无监督的原型学习 |
| 2.1.2 半监督的原型学习 |
| 2.1.3 全监督的原型学习 |
| 2.2 原型学习的相关模型 |
| 2.2.1 基于相似度的原型学习 |
| 2.2.2 基于行列式点过程的原型选择 |
| 2.2.3 基于数据重构的原型学习 |
| 2.2.4 基于低秩逼近的原型选择 |
| 2.3 本章小结 |
| 3 特征聚合中的原型选择 |
| 3.1 问题描述 |
| 3.2 面向特征聚合的原型选择方法 |
| 3.2.1 原型诱导的特征聚合模型建立 |
| 3.2.2 半监督下的特征聚合 |
| 3.3 模型求解 |
| 3.3.1 优化解法的框架 |
| 3.3.2 收敛性分析 |
| 3.3.3 计算复杂度分析 |
| 3.4 实验结果和分析 |
| 3.4.1 实验设置 |
| 3.4.2 合成数据的定性评估 |
| 3.4.3 图像检索的性能评估 |
| 3.4.4 图像分类的性能评估 |
| 3.4.5 Pro LFA的参数敏感度 |
| 3.4.6 Pro LFA的可扩展性 |
| 3.5 本章小结 |
| 4 面向任务指派的原型生成 |
| 4.1 问题描述 |
| 4.2基础指派模型DS3 |
| 4.3 面向任务指派的原型生成方法 |
| 4.3.1 通用指派模型建立 |
| 4.3.2 无监督下的原型生成 |
| 4.3.3 半监督下的原型生成 |
| 4.3.4 全监督下的原型生成 |
| 4.4 模型求解 |
| 4.4.1 优化解法的框架 |
| 4.4.2 收敛性分析 |
| 4.4.3 计算复杂度分析 |
| 4.5 实验结果和分析 |
| 4.5.1 运动分割性能的分析 |
| 4.5.2 动作识别性能的分析 |
| 4.5.3 场景分类性能的分析 |
| 4.5.4 GAM的参数敏感度 |
| 4.5.5 算法的收敛速度 |
| 4.6 本章小结 |
| 5 l_1范数度量诱导的原型选择 |
| 5.1 问题描述 |
| 5.2 f_1范数度量诱导的原型选择模型 |
| 5.2.1 原型选择模型建立 |
| 5.2.2 原型在线选择 |
| 5.3 模型求解 |
| 5.3.1 子问题Ψ_S的解法 |
| 5.3.2 子问题Φ_Z的解法 |
| 5.3.3 收敛性分析 |
| 5.3.4 计算复杂度分析 |
| 5.4 实验结果和分析 |
| 5.4.1 实验设置 |
| 5.4.2 合成数据的定性评估 |
| 5.4.3 视频摘要的性能评估 |
| 5.4.4 运动分割的性能评估 |
| 5.4.5 场景分类的性能评估 |
| 5.5 本章小结 |
| 6 自监督的深度低秩原型选择 |
| 6.1 问题描述 |
| 6.2 自监督的深度低秩原型选择框架 |
| 6.3 模型求解 |
| 6.3.1 子问题P1的解法 |
| 6.3.2 子问题P2的解法 |
| 6.3.3 提出解法的概述 |
| 6.3.4 计算复杂度分析 |
| 6.4 实验结果和分析 |
| 6.4.1 视频摘要的性能评估 |
| 6.4.2 文本聚类的性能评估 |
| 6.4.3 图像分类的性能评估 |
| 6.4.4 SDLA的噪声敏感度 |
| 6.5 本章小结 |
| 7 基于知识迁移的原型生成 |
| 7.1 问题描述 |
| 7.2 基于知识迁移的原型生成方法 |
| 7.2.1 基于知识迁移的原型生成定义 |
| 7.2.2 层次化原型生成模型建立 |
| 7.3 模型求解 |
| 7.3.1 提出解法的框架 |
| 7.3.2 算法收敛性分析 |
| 7.3.3 计算复杂度分析 |
| 7.4 实验结果和分析 |
| 7.4.1 实验设置 |
| 7.4.2 实验A:无交叉类问题的性能评估 |
| 7.4.3 实验B:有交叉类问题的性能评估 |
| 7.4.4 HPG的参数敏感度 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 工作总结 |
| 8.2 未来工作展望 |
| 参考文献 |
| 作者简历 |
| 攻读博士学位期间发表的学术论文 |
| 学位论文数据集 |
（9）MIMO雷达波形优化设计与阵列误差校正方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究动态及发展现状 |
| 1.2.1 MIMO雷达波形优化设计 |
| 1.2.2 MIMO雷达收发阵列误差校正 |
| 1.2.3 MIMO雷达稳健波束形成 |
| 1.3 本文的主要工作与章节安排 |
| 第二章 MIMO雷达信号处理流程 |
| 2.1 引言 |
| 2.2 MIMO雷达基本概念与常用术语 |
| 2.3 针对正交波形的MIMO雷达信号处理流程 |
| 2.4 针对部分相关波形的MIMO雷达信号处理流程 |
| 2.4.1 波形设计与优化 |
| 2.4.2 模糊函数 |
| 2.5 仿真实验 |
| 2.6 小结 |
| 第三章 部分相关模式MIMO雷达波形快速设计方法 |
| 3.1 引言 |
| 3.2 基于发射方向图匹配的MIMO雷达波形设计 |
| 3.2.1 梯度投影法 |
| 3.2.2 交替方向乘子法 |
| 3.3 基于等效发射波束形成增益匹配的MIMO雷达波形设计 |
| 3.4 仿真实验 |
| 3.5 小结 |
| 第四章 MIMO雷达收发阵列通道幅相误差校正 |
| 4.1 引言 |
| 4.2 基于点目标回波的MIMO雷达收发阵列通道幅相误差校正 |
| 4.2.1 秩损算法 |
| 4.2.2 ESPRIT-like算法 |
| 4.3 基于杂波回波的MIMO雷达收发阵列通道幅相误差校正 |
| 4.3.1 相邻距离单元杂波抑制 |
| 4.3.2 已校准子阵阵元数选择 |
| 4.3.3 算法复杂度分析 |
| 4.4 仿真实验 |
| 4.5 小结 |
| 第五章 MIMO雷达稳健波束形成 |
| 5.1 引言 |
| 5.2 正交模式MIMO雷达稳健综合波束形成 |
| 5.2.1 对角加载法 |
| 5.2.2 二阶锥规划法 |
| 5.2.3 梯度投影法 |
| 5.2.4 交替方向乘子法 |
| 5.2.5 双迭代交替方向乘子法 |
| 5.3 部分相关模式MIMO雷达稳健波束形成 |
| 5.3.1 稳健接收波束形成 |
| 5.3.2 稳健发射波形优化 |
| 5.4 仿真实验 |
| 5.5 小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）脉冲噪声环境下麦克风阵列的DOA估计技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写和符号清单 |
| 术语表 |
| 1 引言 |
| 1.1 课题背景 |
| 1.2 研究意义 |
| 1.3 论文内容安排 |
| 2 文献综述 |
| 2.1 DOA估计研究现状 |
| 2.2 脉冲噪声下DOA估计研究现状 |
| 2.2.1 脉冲噪声的研究进展 |
| 2.2.2 脉冲噪声下DOA估计进展 |
| 2.2.3 基于相关熵的脉冲噪声处理研究进展 |
| 2.3 宽带信号的DOA估计研究现状 |
| 2.4 稀疏恢复的DOA估计研究现状 |
| 2.5 本章小结 |
| 3 脉冲噪声环境下DOA估计数学基础 |
| 3.1 脉冲噪声分布模型 |
| 3.1.1 alpha稳定分布 |
| 3.1.2 混合高斯分布 |
| 3.1.3 广义高斯分布 |
| 3.2 DOA估计数学模型 |
| 3.3 MUSIC算法 |
| 3.4 DOA估计性能指标 |
| 3.5 本章小结 |
| 4 基于广义最大复值相关熵的鲁棒性DOA估计 |
| 4.1 脉冲噪声环境下信号模型定义 |
| 4.2 广义最大复值相关熵理论 |
| 4.2.1 广义最大复值相关熵准则的定义 |
| 4.2.2 广义最大复值相关熵准则的属性 |
| 4.3 基于广义最大复值相关熵的中值差分相关熵的DOA估计 |
| 4.3.1 中值差分相关熵的DOA估计算法 |
| 4.3.2 MDCO算法的性能分析 |
| 4.3.3 MDCO算法的计算复杂度分析 |
| 4.4 基于广义最大复值相关熵的复值拟牛顿算法 |
| 4.4.1 QN-GMCCC算法的GMCC-loss代价函数 |
| 4.4.2 QN-GMCCC算法的交替迭代凸优化最小化 |
| 4.4.3 QN-GMCCC算法的稳态性能分析 |
| 4.4.4 QN-GMCCC算法的计算复杂度分析 |
| 4.5 实验验证 |
| 4.5.1 记忆因子对MDCO算法的影响 |
| 4.5.2 QN-GMCCC算法的内核参数 |
| 4.5.3 QN-GMCCC算法的稳态性能 |
| 4.5.4 QN-GMCCC算法的收敛性能 |
| 4.5.5 GSNR对QN-GMCCC和MDCO算法的影响 |
| 4.5.6 角度分离对QN-GMCCC和MDCO算法的影响 |
| 4.5.7 特征指数对QN-GMCCC和MDCO算法的影响 |
| 4.5.8 采样快拍数对QN-GMCCC和MDCO算法的影响 |
| 4.6 本章小结 |
| 5 迭代重加权变分贝叶斯学习的DOA估计 |
| 5.1 脉冲噪声环境下off-grid模型定义 |
| 5.2 基于off-grid的迭代重加权变分贝叶斯学习算法 |
| 5.2.1 基于KL散度的稀疏信号更新 |
| 5.2.2 基于KL散度的脉冲噪声矩阵更新 |
| 5.2.3 OG-WVBL的迭代重加权策略 |
| 5.3 OG-WVBL算法的计算复杂度分析 |
| 5.4 实验验证 |
| 5.4.1 OG-WVBL算法的超参数收敛性能 |
| 5.4.2 GSNR对OG-WVBL算法的影响 |
| 5.4.3 角度分离对OG-WVBL算法的影响 |
| 5.4.4 特征指数对OG-WVBL算法的影响 |
| 5.4.5 网格区间对OG-WVBL算法的影响 |
| 5.5 本章小结 |
| 6 聚焦信号子空间的宽带DOA估计算法 |
| 6.1 宽带DOA信号模型 |
| 6.2 基于酉变换聚焦信号子空间的宽带DOA估计 |
| 6.3 基于实值信号聚焦信号子空间的宽带DOA估计 |
| 6.4 FSS算法的聚焦性能分析 |
| 6.5 实验验证 |
| 6.5.1 FSS算法的空间谱 |
| 6.5.2 SNR对FSS和RFSS算法的影响 |
| 6.5.3 快拍数对FSS和RFSS算法性能的影响 |
| 6.5.4 角度分离对FSS算法性能的影响 |
| 6.6 本章小结 |
| 7 基于FPGA和DSP的麦克风阵列系统 |
| 7.1 硬件设计 |
| 7.1.1 声学传感器选型 |
| 7.1.2 放大电路设计 |
| 7.1.3 滤波电路设计 |
| 7.1.4 信号采集模块测试 |
| 7.2 系统测试验证 |
| 7.2.1 卡车环境中脉冲噪声分布统计 |
| 7.2.2 QN-GMCCC和MDCO算法空间谱性能 |
| 7.2.3 OG-WVBL算法空间谱性能 |
| 7.2.4 脉冲噪声环境下声源距离对不同算法的影响 |
| 7.2.5 高斯噪声环境下声源距离对FSS算法的影响 |
| 7.2.6 高斯噪声环境下FSS定位性能 |
| 7.2.7 脉冲噪声环境下不同算法的定位性能 |
| 7.3 本章小结 |
| 8 结论与展望 |
| 8.1 本文工作总结 |
| 8.2 未来工作展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
四、AN ITERATED-SUBSPACEMINIMIZATION METHODS WITHSYMMETRIC RANK-ONE UPDATING（论文参考文献）
- [1]复杂噪声背景下的稀疏测向方法研究[D]. 赵洋. 吉林大学, 2021(01)
- [2]针对多视角数据场景的子空间学习方法研究[D]. 孟祥主. 大连理工大学, 2021
- [3]面向非规则簇结构的聚类算法研究[D]. 耿阳李敖. 北京交通大学, 2021(02)
- [4]异构迁移学习方法研究[D]. 姚远. 哈尔滨工业大学, 2021(02)
- [5]面向大规模跨模态检索的哈希方法研究[D]. 王永欣. 山东大学, 2021(10)
- [6]大规模MIMO系统的信道估计和预编码技术研究[D]. 张余. 东南大学, 2020(02)
- [7]基于深度神经网络的图像聚类算法研究[D]. 郭西风. 国防科技大学, 2020(01)
- [8]机器学习中原型学习理论与方法研究[D]. 张幸幸. 北京交通大学, 2020(03)
- [9]MIMO雷达波形优化设计与阵列误差校正方法研究[D]. 刘源. 西安电子科技大学, 2020(05)
- [10]脉冲噪声环境下麦克风阵列的DOA估计技术研究[D]. 麻付强. 北京科技大学, 2020(01)