郵件訂閱
2017年 第39卷 第9期
顯示方式:
2017, 39(9): 2033-2039.
doi: 10.11999/JEIT161116
摘要:
針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性和群體劃分的不確定性，該文提出一種基于模糊聚類的多分辨率社區(qū)結(jié)構(gòu)發(fā)現(xiàn)方法。該方法用模糊方法來處理網(wǎng)絡(luò)節(jié)點(diǎn)間的相似性，以實(shí)現(xiàn)社區(qū)結(jié)構(gòu)的模糊劃分?；诠?jié)點(diǎn)間的局部交互信息，考慮節(jié)點(diǎn)間的模糊關(guān)系和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相似性傳遞，實(shí)現(xiàn)網(wǎng)絡(luò)社區(qū)的層次聚類。并通過調(diào)節(jié)模糊參數(shù)，挖掘出不同分辨率下的社區(qū)結(jié)構(gòu)。同時(shí)為了避免主觀地確定社區(qū)數(shù)目，引入一種新的模塊度以度量社區(qū)劃分結(jié)果。實(shí)驗(yàn)證明該方法能夠有效且穩(wěn)定地揭示潛在的社區(qū)結(jié)構(gòu)。
針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性和群體劃分的不確定性，該文提出一種基于模糊聚類的多分辨率社區(qū)結(jié)構(gòu)發(fā)現(xiàn)方法。該方法用模糊方法來處理網(wǎng)絡(luò)節(jié)點(diǎn)間的相似性，以實(shí)現(xiàn)社區(qū)結(jié)構(gòu)的模糊劃分?；诠?jié)點(diǎn)間的局部交互信息，考慮節(jié)點(diǎn)間的模糊關(guān)系和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相似性傳遞，實(shí)現(xiàn)網(wǎng)絡(luò)社區(qū)的層次聚類。并通過調(diào)節(jié)模糊參數(shù)，挖掘出不同分辨率下的社區(qū)結(jié)構(gòu)。同時(shí)為了避免主觀地確定社區(qū)數(shù)目，引入一種新的模塊度以度量社區(qū)劃分結(jié)果。實(shí)驗(yàn)證明該方法能夠有效且穩(wěn)定地揭示潛在的社區(qū)結(jié)構(gòu)。
2017, 39(9): 2040-2047.
doi: 10.11999/JEIT161266
摘要:
隨著社交網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大，網(wǎng)絡(luò)節(jié)點(diǎn)的標(biāo)簽分類也不再單一，變得豐富多樣，這些促使了社交網(wǎng)絡(luò)中的多標(biāo)簽分類問題成為一個(gè)重要的研究領(lǐng)域。以前的研究重點(diǎn)主要集中在提高預(yù)測(cè)網(wǎng)絡(luò)節(jié)點(diǎn)標(biāo)簽的精度上，而忽略了得到節(jié)點(diǎn)信息所產(chǎn)生的包含時(shí)間消耗和計(jì)算資源等在內(nèi)的系統(tǒng)開銷問題。可現(xiàn)如今隨著網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大且復(fù)雜性不斷增強(qiáng)，之前所忽略的系統(tǒng)開銷問題變得越來越嚴(yán)重，增加了預(yù)測(cè)標(biāo)簽的成本，加重了預(yù)測(cè)網(wǎng)絡(luò)節(jié)點(diǎn)標(biāo)簽的難度。該文針對(duì)這一問題提出了基于NSGA2算法的網(wǎng)絡(luò)環(huán)境下多標(biāo)簽種子節(jié)點(diǎn)選擇算法(NAMESEA算法)，目的是在能大大降低預(yù)測(cè)節(jié)點(diǎn)標(biāo)簽所消耗的系統(tǒng)開銷的前提下一定程度上提高預(yù)測(cè)標(biāo)簽的精度。該文將NAMESEA算法與其他多標(biāo)簽預(yù)測(cè)算法在多個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果證明NAMESEA算法大大降低了預(yù)測(cè)節(jié)點(diǎn)標(biāo)簽的系統(tǒng)開銷并且提高了預(yù)測(cè)精度。
隨著社交網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大，網(wǎng)絡(luò)節(jié)點(diǎn)的標(biāo)簽分類也不再單一，變得豐富多樣，這些促使了社交網(wǎng)絡(luò)中的多標(biāo)簽分類問題成為一個(gè)重要的研究領(lǐng)域。以前的研究重點(diǎn)主要集中在提高預(yù)測(cè)網(wǎng)絡(luò)節(jié)點(diǎn)標(biāo)簽的精度上，而忽略了得到節(jié)點(diǎn)信息所產(chǎn)生的包含時(shí)間消耗和計(jì)算資源等在內(nèi)的系統(tǒng)開銷問題。可現(xiàn)如今隨著網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大且復(fù)雜性不斷增強(qiáng)，之前所忽略的系統(tǒng)開銷問題變得越來越嚴(yán)重，增加了預(yù)測(cè)標(biāo)簽的成本，加重了預(yù)測(cè)網(wǎng)絡(luò)節(jié)點(diǎn)標(biāo)簽的難度。該文針對(duì)這一問題提出了基于NSGA2算法的網(wǎng)絡(luò)環(huán)境下多標(biāo)簽種子節(jié)點(diǎn)選擇算法(NAMESEA算法)，目的是在能大大降低預(yù)測(cè)節(jié)點(diǎn)標(biāo)簽所消耗的系統(tǒng)開銷的前提下一定程度上提高預(yù)測(cè)標(biāo)簽的精度。該文將NAMESEA算法與其他多標(biāo)簽預(yù)測(cè)算法在多個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果證明NAMESEA算法大大降低了預(yù)測(cè)節(jié)點(diǎn)標(biāo)簽的系統(tǒng)開銷并且提高了預(yù)測(cè)精度。
2017, 39(9): 2048-2055.
doi: 10.11999/JEIT160975
摘要:
該文提出了一種基于深度信念網(wǎng)絡(luò)(DBN)和多維擴(kuò)展特征的模型，實(shí)現(xiàn)對(duì)中文微博短文本的情感分類。為降低傳統(tǒng)文本分類方法在處理微博短文時(shí)特征稀疏的影響，引入社交關(guān)系網(wǎng)絡(luò)作為擴(kuò)展特征，依據(jù)評(píng)論者和博主之間的社交關(guān)系，提取相關(guān)評(píng)論擴(kuò)展原始微博，將擴(kuò)展后的多維特征作為深度信念網(wǎng)絡(luò)的輸入。通過疊加多層玻爾茲曼機(jī)(RBM)構(gòu)建DBN模型底層網(wǎng)絡(luò)結(jié)構(gòu)，多層玻爾茲曼機(jī)可以對(duì)原始輸入抽象并獲得數(shù)據(jù)的深層語義特征。在多個(gè)RBM層上疊加一層分類玻爾茲曼機(jī)(ClassRBM)，實(shí)現(xiàn)最終情感分類。實(shí)驗(yàn)結(jié)果表明，通過調(diào)整模型參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建的深度學(xué)習(xí)模型在情感分類中能夠獲得比SVM和NB等淺層分類系統(tǒng)更優(yōu)的結(jié)果，另外，實(shí)驗(yàn)證明使用擴(kuò)展多維特征方法可提高短文本情感分類的性能。
該文提出了一種基于深度信念網(wǎng)絡(luò)(DBN)和多維擴(kuò)展特征的模型，實(shí)現(xiàn)對(duì)中文微博短文本的情感分類。為降低傳統(tǒng)文本分類方法在處理微博短文時(shí)特征稀疏的影響，引入社交關(guān)系網(wǎng)絡(luò)作為擴(kuò)展特征，依據(jù)評(píng)論者和博主之間的社交關(guān)系，提取相關(guān)評(píng)論擴(kuò)展原始微博，將擴(kuò)展后的多維特征作為深度信念網(wǎng)絡(luò)的輸入。通過疊加多層玻爾茲曼機(jī)(RBM)構(gòu)建DBN模型底層網(wǎng)絡(luò)結(jié)構(gòu)，多層玻爾茲曼機(jī)可以對(duì)原始輸入抽象并獲得數(shù)據(jù)的深層語義特征。在多個(gè)RBM層上疊加一層分類玻爾茲曼機(jī)(ClassRBM)，實(shí)現(xiàn)最終情感分類。實(shí)驗(yàn)結(jié)果表明，通過調(diào)整模型參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建的深度學(xué)習(xí)模型在情感分類中能夠獲得比SVM和NB等淺層分類系統(tǒng)更優(yōu)的結(jié)果，另外，實(shí)驗(yàn)證明使用擴(kuò)展多維特征方法可提高短文本情感分類的性能。
2017, 39(9): 2056-2062.
doi: 10.11999/JEIT161348
摘要:
主題模型是用于識(shí)別博客、網(wǎng)絡(luò)社區(qū)、微博等社交網(wǎng)絡(luò)平臺(tái)上用戶關(guān)注點(diǎn)的重要手段?？紤]到社交網(wǎng)絡(luò)平臺(tái)上短文本主題識(shí)別的特殊性，該文根據(jù)短文本內(nèi)容在上下文上的相關(guān)性，提出一種基于混合權(quán)重合并策略的AW-LDA模型。該模型將符合上下文相關(guān)條件的短文本進(jìn)行虛擬合并，并根據(jù)上下文相關(guān)程度對(duì)不同短文本賦予不同的權(quán)重，構(gòu)建了一種新的短文本主題識(shí)別方法。通過網(wǎng)絡(luò)BBS社區(qū)與微博社區(qū)兩組數(shù)據(jù)的實(shí)驗(yàn)，該模型能夠有效識(shí)別不同話題下社交網(wǎng)絡(luò)用戶關(guān)注點(diǎn)，為解決短文本主題識(shí)別問題提供了新的解決思路。
主題模型是用于識(shí)別博客、網(wǎng)絡(luò)社區(qū)、微博等社交網(wǎng)絡(luò)平臺(tái)上用戶關(guān)注點(diǎn)的重要手段?？紤]到社交網(wǎng)絡(luò)平臺(tái)上短文本主題識(shí)別的特殊性，該文根據(jù)短文本內(nèi)容在上下文上的相關(guān)性，提出一種基于混合權(quán)重合并策略的AW-LDA模型。該模型將符合上下文相關(guān)條件的短文本進(jìn)行虛擬合并，并根據(jù)上下文相關(guān)程度對(duì)不同短文本賦予不同的權(quán)重，構(gòu)建了一種新的短文本主題識(shí)別方法。通過網(wǎng)絡(luò)BBS社區(qū)與微博社區(qū)兩組數(shù)據(jù)的實(shí)驗(yàn)，該模型能夠有效識(shí)別不同話題下社交網(wǎng)絡(luò)用戶關(guān)注點(diǎn)，為解決短文本主題識(shí)別問題提供了新的解決思路。
2017, 39(9): 2063-2070.
doi: 10.11999/JEIT161360
摘要:
社會(huì)網(wǎng)絡(luò)中影響力傳播的有效抑制是社會(huì)網(wǎng)絡(luò)影響力傳播機(jī)制研究所關(guān)注的問題之一。該文針對(duì)未知影響傳播源，或傳播源信息具有不確定性的情況，提出面向不確定性影響源的影響力傳播抑制問題。首先，為有效提高抑制算法的執(zhí)行效率，討論競(jìng)爭(zhēng)線性閾值傳播模型下影響源傳播能力的近似估計(jì)方法，進(jìn)而提出有限影響源情況下，期望抑制效果最大化的抑制種子集挖掘算法。其次，對(duì)于大尺寸不確定性影響源的情況，考慮算法運(yùn)行效率和抑制效果之間的有效折中，提出基于抽樣平均近似的期望抑制效果最大化的抑制種子集挖掘算法。最后，在真實(shí)的社會(huì)網(wǎng)絡(luò)數(shù)據(jù)集上，通過實(shí)驗(yàn)測(cè)試驗(yàn)證了所提出方法的有效性。
社會(huì)網(wǎng)絡(luò)中影響力傳播的有效抑制是社會(huì)網(wǎng)絡(luò)影響力傳播機(jī)制研究所關(guān)注的問題之一。該文針對(duì)未知影響傳播源，或傳播源信息具有不確定性的情況，提出面向不確定性影響源的影響力傳播抑制問題。首先，為有效提高抑制算法的執(zhí)行效率，討論競(jìng)爭(zhēng)線性閾值傳播模型下影響源傳播能力的近似估計(jì)方法，進(jìn)而提出有限影響源情況下，期望抑制效果最大化的抑制種子集挖掘算法。其次，對(duì)于大尺寸不確定性影響源的情況，考慮算法運(yùn)行效率和抑制效果之間的有效折中，提出基于抽樣平均近似的期望抑制效果最大化的抑制種子集挖掘算法。最后，在真實(shí)的社會(huì)網(wǎng)絡(luò)數(shù)據(jù)集上，通過實(shí)驗(yàn)測(cè)試驗(yàn)證了所提出方法的有效性。
2017, 39(9): 2071-2080.
doi: 10.11999/JEIT170102
摘要:
社團(tuán)結(jié)構(gòu)劃分對(duì)于分析復(fù)雜網(wǎng)絡(luò)的統(tǒng)計(jì)特性非常重要，以往研究往往側(cè)重對(duì)無向網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)挖掘，對(duì)新興的微信朋友圈網(wǎng)絡(luò)、微博關(guān)注網(wǎng)絡(luò)等涉及較少，并且缺乏高效的劃分工具。為解決傳統(tǒng)社團(tuán)劃分算法在大規(guī)模有向社交網(wǎng)絡(luò)上無精確劃分模擬模型，算法運(yùn)行效率低，精度偏差大的問題。該文從構(gòu)成社團(tuán)結(jié)構(gòu)最基礎(chǔ)的三角形極大團(tuán)展開數(shù)學(xué)推導(dǎo)，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的局部信息傳遞過程進(jìn)行建模，并引入概率圖有向矢量計(jì)算理論，對(duì)有向社交網(wǎng)絡(luò)中具有較大信息傳遞增益的節(jié)點(diǎn)從數(shù)學(xué)基礎(chǔ)創(chuàng)造性地構(gòu)建了有向傳遞增益系數(shù)(Information Transfer Gain, ITG)。該文以此構(gòu)建了新的有向社團(tuán)結(jié)構(gòu)劃分效果的目標(biāo)函數(shù)，提出了新型有向網(wǎng)絡(luò)社團(tuán)劃分算法ITG，通過在模擬網(wǎng)絡(luò)數(shù)據(jù)集和真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證了所提算法的精確性和新穎性，并優(yōu)于FastGN, OSLOM和Infomap等經(jīng)典算法。
社團(tuán)結(jié)構(gòu)劃分對(duì)于分析復(fù)雜網(wǎng)絡(luò)的統(tǒng)計(jì)特性非常重要，以往研究往往側(cè)重對(duì)無向網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)挖掘，對(duì)新興的微信朋友圈網(wǎng)絡(luò)、微博關(guān)注網(wǎng)絡(luò)等涉及較少，并且缺乏高效的劃分工具。為解決傳統(tǒng)社團(tuán)劃分算法在大規(guī)模有向社交網(wǎng)絡(luò)上無精確劃分模擬模型，算法運(yùn)行效率低，精度偏差大的問題。該文從構(gòu)成社團(tuán)結(jié)構(gòu)最基礎(chǔ)的三角形極大團(tuán)展開數(shù)學(xué)推導(dǎo)，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的局部信息傳遞過程進(jìn)行建模，并引入概率圖有向矢量計(jì)算理論，對(duì)有向社交網(wǎng)絡(luò)中具有較大信息傳遞增益的節(jié)點(diǎn)從數(shù)學(xué)基礎(chǔ)創(chuàng)造性地構(gòu)建了有向傳遞增益系數(shù)(Information Transfer Gain, ITG)。該文以此構(gòu)建了新的有向社團(tuán)結(jié)構(gòu)劃分效果的目標(biāo)函數(shù)，提出了新型有向網(wǎng)絡(luò)社團(tuán)劃分算法ITG，通過在模擬網(wǎng)絡(luò)數(shù)據(jù)集和真實(shí)網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證了所提算法的精確性和新穎性，并優(yōu)于FastGN, OSLOM和Infomap等經(jīng)典算法。
2017, 39(9): 2081-2088.
doi: 10.11999/JEIT170030
摘要:
從海量推特?cái)?shù)據(jù)中探索用戶興趣的分布規(guī)律和相關(guān)性有利于實(shí)現(xiàn)精確的個(gè)性化推薦。聯(lián)機(jī)分析處理(On- Line Analytical Processing, OLAP)提供了一種適合人們探究數(shù)據(jù)的直觀形式。將OLAP技術(shù)應(yīng)用于推特?cái)?shù)據(jù)的關(guān)鍵是如何挖掘和構(gòu)建推特用戶的興趣維層次。針對(duì)現(xiàn)有方法只能提取單一層次興趣的不足，該文提出一種支持聯(lián)機(jī)分析處理的推特用戶興趣維層次提取方法。該方法首先通過RestAPI獲取推特?cái)?shù)據(jù)，然后通過改進(jìn)的LDA(Latent Dirichlet Allocation)模型挖掘用戶的興趣和子興趣，最后在此基礎(chǔ)上構(gòu)建興趣維層次結(jié)構(gòu)。實(shí)驗(yàn)評(píng)估了該方法的模型效果和可擴(kuò)展性，并證實(shí)與LDA和hLDA相比可以更有效地提取出推特用戶的興趣維層次并應(yīng)用于聯(lián)機(jī)分析處理。
從海量推特?cái)?shù)據(jù)中探索用戶興趣的分布規(guī)律和相關(guān)性有利于實(shí)現(xiàn)精確的個(gè)性化推薦。聯(lián)機(jī)分析處理(On- Line Analytical Processing, OLAP)提供了一種適合人們探究數(shù)據(jù)的直觀形式。將OLAP技術(shù)應(yīng)用于推特?cái)?shù)據(jù)的關(guān)鍵是如何挖掘和構(gòu)建推特用戶的興趣維層次。針對(duì)現(xiàn)有方法只能提取單一層次興趣的不足，該文提出一種支持聯(lián)機(jī)分析處理的推特用戶興趣維層次提取方法。該方法首先通過RestAPI獲取推特?cái)?shù)據(jù)，然后通過改進(jìn)的LDA(Latent Dirichlet Allocation)模型挖掘用戶的興趣和子興趣，最后在此基礎(chǔ)上構(gòu)建興趣維層次結(jié)構(gòu)。實(shí)驗(yàn)評(píng)估了該方法的模型效果和可擴(kuò)展性，并證實(shí)與LDA和hLDA相比可以更有效地提取出推特用戶的興趣維層次并應(yīng)用于聯(lián)機(jī)分析處理。
2017, 39(9): 2089-2096.
doi: 10.11999/JEIT170246
摘要:
通過制造大量非法虛假身份，女巫攻擊者可以提高自身在社交網(wǎng)絡(luò)中的影響力，影響網(wǎng)絡(luò)中社交個(gè)體中繼選擇意愿，竊取社交個(gè)體隱私，對(duì)其利益造成嚴(yán)重威脅。在對(duì)女巫節(jié)點(diǎn)行為特征分析的基礎(chǔ)上，該文提出一種適用于社交網(wǎng)絡(luò)的女巫節(jié)點(diǎn)檢測(cè)機(jī)制，通過節(jié)點(diǎn)間靜態(tài)相似度和動(dòng)態(tài)相似度評(píng)估節(jié)點(diǎn)影響力，并篩選可疑節(jié)點(diǎn)，進(jìn)而觀察可疑節(jié)點(diǎn)的異常行為，利用隱形馬爾科夫模型推測(cè)女巫節(jié)點(diǎn)通過偽裝所隱藏的真實(shí)身份，更加精確地檢測(cè)女巫節(jié)點(diǎn)。分析結(jié)果表明，所提機(jī)制能有效提高女巫節(jié)點(diǎn)的識(shí)別率，降低誤檢率，更好地保護(hù)社交個(gè)體的隱私和利益。
通過制造大量非法虛假身份，女巫攻擊者可以提高自身在社交網(wǎng)絡(luò)中的影響力，影響網(wǎng)絡(luò)中社交個(gè)體中繼選擇意愿，竊取社交個(gè)體隱私，對(duì)其利益造成嚴(yán)重威脅。在對(duì)女巫節(jié)點(diǎn)行為特征分析的基礎(chǔ)上，該文提出一種適用于社交網(wǎng)絡(luò)的女巫節(jié)點(diǎn)檢測(cè)機(jī)制，通過節(jié)點(diǎn)間靜態(tài)相似度和動(dòng)態(tài)相似度評(píng)估節(jié)點(diǎn)影響力，并篩選可疑節(jié)點(diǎn)，進(jìn)而觀察可疑節(jié)點(diǎn)的異常行為，利用隱形馬爾科夫模型推測(cè)女巫節(jié)點(diǎn)通過偽裝所隱藏的真實(shí)身份，更加精確地檢測(cè)女巫節(jié)點(diǎn)。分析結(jié)果表明，所提機(jī)制能有效提高女巫節(jié)點(diǎn)的識(shí)別率，降低誤檢率，更好地保護(hù)社交個(gè)體的隱私和利益。
2017, 39(9): 2097-2107.
doi: 10.11999/JEIT161192
摘要:
群體是在線社交網(wǎng)絡(luò)重要的中觀組織。群體發(fā)現(xiàn)不僅有重要的理論意義，還推動(dòng)了在線社交網(wǎng)絡(luò)的應(yīng)用與發(fā)展，有廣泛的應(yīng)用前景。該文總結(jié)論述了在線社交網(wǎng)絡(luò)群體發(fā)現(xiàn)的研究進(jìn)展。在分析群體形成機(jī)理的基礎(chǔ)上定義在線社交網(wǎng)絡(luò)群體，并介紹群體發(fā)現(xiàn)問題。根據(jù)挖掘群體時(shí)采用的不同特征，該文分別闡述基于個(gè)體屬性特征的群體發(fā)現(xiàn)方法和綜合屬性與結(jié)構(gòu)特征的群體發(fā)現(xiàn)方法。隨后從特征選取和檢測(cè)算法兩個(gè)方面重點(diǎn)介紹了惡意行為群體的發(fā)現(xiàn)方法。最后，對(duì)群體發(fā)現(xiàn)進(jìn)一步的研究方向進(jìn)行展望。
群體是在線社交網(wǎng)絡(luò)重要的中觀組織。群體發(fā)現(xiàn)不僅有重要的理論意義，還推動(dòng)了在線社交網(wǎng)絡(luò)的應(yīng)用與發(fā)展，有廣泛的應(yīng)用前景。該文總結(jié)論述了在線社交網(wǎng)絡(luò)群體發(fā)現(xiàn)的研究進(jìn)展。在分析群體形成機(jī)理的基礎(chǔ)上定義在線社交網(wǎng)絡(luò)群體，并介紹群體發(fā)現(xiàn)問題。根據(jù)挖掘群體時(shí)采用的不同特征，該文分別闡述基于個(gè)體屬性特征的群體發(fā)現(xiàn)方法和綜合屬性與結(jié)構(gòu)特征的群體發(fā)現(xiàn)方法。隨后從特征選取和檢測(cè)算法兩個(gè)方面重點(diǎn)介紹了惡意行為群體的發(fā)現(xiàn)方法。最后，對(duì)群體發(fā)現(xiàn)進(jìn)一步的研究方向進(jìn)行展望。
2017, 39(9): 2108-2118.
doi: 10.11999/JEIT161273
摘要:
近來，社交網(wǎng)絡(luò)類應(yīng)用得到了迅猛發(fā)展。其中，社交網(wǎng)絡(luò)相關(guān)的社交行為是最主要的發(fā)展方向之一，得到了學(xué)術(shù)界研究者的廣泛關(guān)注。該文從行為的成因、行為的表現(xiàn)及行為的影響3個(gè)方面對(duì)社交網(wǎng)絡(luò)行為進(jìn)行全面分析。具體來說，在分析了社交網(wǎng)絡(luò)行為的基礎(chǔ)概念之后，首先引入了社交網(wǎng)絡(luò)行為的3個(gè)最重要的原因：用戶采納、用戶忠誠和用戶信任。然后，基于這些原因，從一般使用行為，內(nèi)容生成行為和內(nèi)容消費(fèi)行為3個(gè)常用行為方面分析了用戶在社交網(wǎng)絡(luò)上的行為表現(xiàn)方式。最后，該文分析了社交網(wǎng)絡(luò)行為的影響，包括行為影響力衡量和行為引導(dǎo)兩個(gè)最重要角度。社交行為的系統(tǒng)性分析為下一步相關(guān)研究指明了方向。
近來，社交網(wǎng)絡(luò)類應(yīng)用得到了迅猛發(fā)展。其中，社交網(wǎng)絡(luò)相關(guān)的社交行為是最主要的發(fā)展方向之一，得到了學(xué)術(shù)界研究者的廣泛關(guān)注。該文從行為的成因、行為的表現(xiàn)及行為的影響3個(gè)方面對(duì)社交網(wǎng)絡(luò)行為進(jìn)行全面分析。具體來說，在分析了社交網(wǎng)絡(luò)行為的基礎(chǔ)概念之后，首先引入了社交網(wǎng)絡(luò)行為的3個(gè)最重要的原因：用戶采納、用戶忠誠和用戶信任。然后，基于這些原因，從一般使用行為，內(nèi)容生成行為和內(nèi)容消費(fèi)行為3個(gè)常用行為方面分析了用戶在社交網(wǎng)絡(luò)上的行為表現(xiàn)方式。最后，該文分析了社交網(wǎng)絡(luò)行為的影響，包括行為影響力衡量和行為引導(dǎo)兩個(gè)最重要角度。社交行為的系統(tǒng)性分析為下一步相關(guān)研究指明了方向。
2017, 39(9): 2119-2126.
doi: 10.11999/JEIT161285
摘要:
針對(duì)面向字級(jí)優(yōu)化的通用處理器，在應(yīng)對(duì)密碼算法中大位寬比特置換操作時(shí)效率較低的問題，該文提出2N-2N和kN-kN(k2)的大位寬比特置換操作高速實(shí)現(xiàn)方案。并針對(duì)方案中涉及的比特提取和比特提取-移位兩種操作，分別提出專用擴(kuò)展指令BEX, BEX-ROT。在此基礎(chǔ)上，對(duì)專用指令硬件架構(gòu)的高效設(shè)計(jì)進(jìn)行研究，提出一種基于Inverse Butterfly網(wǎng)絡(luò)統(tǒng)一硬件架構(gòu)-RERS(Reconfigurable Extract and Rotation Shifter)及相應(yīng)可重構(gòu)路由算法，以最大限度地共享硬件資源，減小電路面積。實(shí)驗(yàn)結(jié)果表明，所提方案能夠?qū)⑻幚砥骷軜?gòu)執(zhí)行大位寬比特置換操作的指令條數(shù)縮減約10倍，大幅提升其處理效率。同時(shí)，由專用指令所帶來的硬件資源開銷和延遲開銷均較低，不會(huì)影響到原架構(gòu)正常工作頻率。
針對(duì)面向字級(jí)優(yōu)化的通用處理器，在應(yīng)對(duì)密碼算法中大位寬比特置換操作時(shí)效率較低的問題，該文提出2N-2N和kN-kN(k2)的大位寬比特置換操作高速實(shí)現(xiàn)方案。并針對(duì)方案中涉及的比特提取和比特提取-移位兩種操作，分別提出專用擴(kuò)展指令BEX, BEX-ROT。在此基礎(chǔ)上，對(duì)專用指令硬件架構(gòu)的高效設(shè)計(jì)進(jìn)行研究，提出一種基于Inverse Butterfly網(wǎng)絡(luò)統(tǒng)一硬件架構(gòu)-RERS(Reconfigurable Extract and Rotation Shifter)及相應(yīng)可重構(gòu)路由算法，以最大限度地共享硬件資源，減小電路面積。實(shí)驗(yàn)結(jié)果表明，所提方案能夠?qū)⑻幚砥骷軜?gòu)執(zhí)行大位寬比特置換操作的指令條數(shù)縮減約10倍，大幅提升其處理效率。同時(shí)，由專用指令所帶來的硬件資源開銷和延遲開銷均較低，不會(huì)影響到原架構(gòu)正常工作頻率。
2017, 39(9): 2127-2133.
doi: 10.11999/JEIT170062
摘要:
為了保證異構(gòu)網(wǎng)絡(luò)中消息的機(jī)密性和認(rèn)證性，該文定義了身份公鑰密碼IDPKC到無證書公鑰密碼CLPKC異構(gòu)簽密模型，并提出具體的IDPKC-to-CLPKC異構(gòu)簽密方案。方案中雙方密碼系統(tǒng)參數(shù)相互獨(dú)立，能夠滿足實(shí)際應(yīng)用需求。在隨機(jī)預(yù)言模型下，基于GBDH, CDH和q-SDH困難假設(shè)，證明方案滿足IDPKC-to-CLPKC異構(gòu)簽密的機(jī)密性和不可偽造性。同時(shí)，該方案滿足匿名性，通過密文無法判斷發(fā)送方和接收方的身份，可以有效保護(hù)雙方的身份隱私。
為了保證異構(gòu)網(wǎng)絡(luò)中消息的機(jī)密性和認(rèn)證性，該文定義了身份公鑰密碼IDPKC到無證書公鑰密碼CLPKC異構(gòu)簽密模型，并提出具體的IDPKC-to-CLPKC異構(gòu)簽密方案。方案中雙方密碼系統(tǒng)參數(shù)相互獨(dú)立，能夠滿足實(shí)際應(yīng)用需求。在隨機(jī)預(yù)言模型下，基于GBDH, CDH和q-SDH困難假設(shè)，證明方案滿足IDPKC-to-CLPKC異構(gòu)簽密的機(jī)密性和不可偽造性。同時(shí)，該方案滿足匿名性，通過密文無法判斷發(fā)送方和接收方的身份，可以有效保護(hù)雙方的身份隱私。
2017, 39(9): 2134-2140.
doi: 10.11999/JEIT161347
摘要:
針對(duì)異構(gòu)密集網(wǎng)絡(luò)場(chǎng)景中業(yè)務(wù)不確定性而引起的網(wǎng)絡(luò)負(fù)載不均衡，該文提出一種基于部分可測(cè)馬爾科夫決策過程(POMDP)負(fù)載感知的負(fù)載均衡方法。該方法首先通過對(duì)系統(tǒng)用戶在感知周期內(nèi)數(shù)據(jù)包傳輸數(shù)量進(jìn)行觀察，預(yù)測(cè)出下一周期系統(tǒng)可能出現(xiàn)的負(fù)載狀態(tài)。其次根據(jù)負(fù)載感知結(jié)果動(dòng)態(tài)調(diào)整小區(qū)范圍擴(kuò)展偏置值(DCRE)，以達(dá)到優(yōu)化系統(tǒng)整體負(fù)載均衡性的目的。最后采用啟發(fā)式算法近似求解，能夠快速得到次優(yōu)解。仿真結(jié)果表明，該方案能在異構(gòu)密集網(wǎng)絡(luò)下提高系統(tǒng)負(fù)載均衡性,同時(shí)提升了系統(tǒng)吞吐量與系統(tǒng)資源利用率。
針對(duì)異構(gòu)密集網(wǎng)絡(luò)場(chǎng)景中業(yè)務(wù)不確定性而引起的網(wǎng)絡(luò)負(fù)載不均衡，該文提出一種基于部分可測(cè)馬爾科夫決策過程(POMDP)負(fù)載感知的負(fù)載均衡方法。該方法首先通過對(duì)系統(tǒng)用戶在感知周期內(nèi)數(shù)據(jù)包傳輸數(shù)量進(jìn)行觀察，預(yù)測(cè)出下一周期系統(tǒng)可能出現(xiàn)的負(fù)載狀態(tài)。其次根據(jù)負(fù)載感知結(jié)果動(dòng)態(tài)調(diào)整小區(qū)范圍擴(kuò)展偏置值(DCRE)，以達(dá)到優(yōu)化系統(tǒng)整體負(fù)載均衡性的目的。最后采用啟發(fā)式算法近似求解，能夠快速得到次優(yōu)解。仿真結(jié)果表明，該方案能在異構(gòu)密集網(wǎng)絡(luò)下提高系統(tǒng)負(fù)載均衡性,同時(shí)提升了系統(tǒng)吞吐量與系統(tǒng)資源利用率。
2017, 39(9): 2141-2147.
doi: 10.11999/JEIT161312
摘要:
在加性高斯白噪聲環(huán)境的單頻復(fù)指數(shù)信號(hào)頻率估計(jì)中，針對(duì)現(xiàn)有頻率估計(jì)算法估計(jì)誤差分布不均且估計(jì)精度較低的問題，該文提出一種細(xì)化頻譜迭代插值估計(jì)算法。該算法首先根據(jù)半長(zhǎng)信號(hào)的快速傅里葉變換峰值位置計(jì)算細(xì)化頻譜，再利用細(xì)化頻譜幅值進(jìn)行頻率的無偏插值估計(jì)，最后利用估計(jì)結(jié)果和全長(zhǎng)信號(hào)更新細(xì)化頻譜并進(jìn)行迭代插值重估。仿真結(jié)果表明，與現(xiàn)有算法相比，所提算法估計(jì)誤差分布均勻，且在高信噪比的所有頻率范圍和低信噪比的大部分頻率范圍內(nèi)估計(jì)精度更高。同時(shí)仿真表明，所提算法在加性均勻噪聲環(huán)境中也有較好的估計(jì)性能。
在加性高斯白噪聲環(huán)境的單頻復(fù)指數(shù)信號(hào)頻率估計(jì)中，針對(duì)現(xiàn)有頻率估計(jì)算法估計(jì)誤差分布不均且估計(jì)精度較低的問題，該文提出一種細(xì)化頻譜迭代插值估計(jì)算法。該算法首先根據(jù)半長(zhǎng)信號(hào)的快速傅里葉變換峰值位置計(jì)算細(xì)化頻譜，再利用細(xì)化頻譜幅值進(jìn)行頻率的無偏插值估計(jì)，最后利用估計(jì)結(jié)果和全長(zhǎng)信號(hào)更新細(xì)化頻譜并進(jìn)行迭代插值重估。仿真結(jié)果表明，與現(xiàn)有算法相比，所提算法估計(jì)誤差分布均勻，且在高信噪比的所有頻率范圍和低信噪比的大部分頻率范圍內(nèi)估計(jì)精度更高。同時(shí)仿真表明，所提算法在加性均勻噪聲環(huán)境中也有較好的估計(jì)性能。
2017, 39(9): 2148-2154.
doi: 10.11999/JEIT161304
摘要:
深度信息被證明是人類視覺的重要組成部分，然而大部分顯著性檢測(cè)工作側(cè)重于2維圖像上的方法，并不能很好地利用深度進(jìn)行RGB-D圖像顯著性檢測(cè)。該文提出一種融合顯著深度特征的RGB-D圖像顯著目標(biāo)檢測(cè)方法，提取基于顏色和深度顯著圖的綜合特征，根據(jù)構(gòu)圖先驗(yàn)和背景先驗(yàn)的方法進(jìn)行顯著目標(biāo)檢測(cè)。首先，對(duì)原始深度圖進(jìn)行預(yù)處理：使用背景頂點(diǎn)區(qū)域、構(gòu)圖交點(diǎn)和緊密度處理深度圖，多角度融合形成深度顯著圖，并作為顯著深度特征，結(jié)合顏色特征形成綜合特征；其次，從前景角度，將綜合特征通過邊連接權(quán)重構(gòu)造關(guān)聯(lián)矩陣，根據(jù)構(gòu)圖先驗(yàn)，假設(shè)多層中心矩形為前景種子，通過流形排序方法計(jì)算出RGB-D圖像的前景顯著圖；從背景角度，根據(jù)背景先驗(yàn)以及邊界連通性計(jì)算出背景顯著圖；最后，將前景顯著圖和背景顯著圖進(jìn)行融合并優(yōu)化得到最終顯著圖。實(shí)驗(yàn)采用RGB-D1000數(shù)據(jù)集進(jìn)行顯著性檢測(cè)，并與4種不同的方法進(jìn)行對(duì)比，所提方法的顯著性檢測(cè)結(jié)果更接近人工標(biāo)定結(jié)果，PR(查準(zhǔn)率-查全率)曲線顯示在相同召回率下準(zhǔn)確率高于其他方法。
深度信息被證明是人類視覺的重要組成部分，然而大部分顯著性檢測(cè)工作側(cè)重于2維圖像上的方法，并不能很好地利用深度進(jìn)行RGB-D圖像顯著性檢測(cè)。該文提出一種融合顯著深度特征的RGB-D圖像顯著目標(biāo)檢測(cè)方法，提取基于顏色和深度顯著圖的綜合特征，根據(jù)構(gòu)圖先驗(yàn)和背景先驗(yàn)的方法進(jìn)行顯著目標(biāo)檢測(cè)。首先，對(duì)原始深度圖進(jìn)行預(yù)處理：使用背景頂點(diǎn)區(qū)域、構(gòu)圖交點(diǎn)和緊密度處理深度圖，多角度融合形成深度顯著圖，并作為顯著深度特征，結(jié)合顏色特征形成綜合特征；其次，從前景角度，將綜合特征通過邊連接權(quán)重構(gòu)造關(guān)聯(lián)矩陣，根據(jù)構(gòu)圖先驗(yàn)，假設(shè)多層中心矩形為前景種子，通過流形排序方法計(jì)算出RGB-D圖像的前景顯著圖；從背景角度，根據(jù)背景先驗(yàn)以及邊界連通性計(jì)算出背景顯著圖；最后，將前景顯著圖和背景顯著圖進(jìn)行融合并優(yōu)化得到最終顯著圖。實(shí)驗(yàn)采用RGB-D1000數(shù)據(jù)集進(jìn)行顯著性檢測(cè)，并與4種不同的方法進(jìn)行對(duì)比，所提方法的顯著性檢測(cè)結(jié)果更接近人工標(biāo)定結(jié)果，PR(查準(zhǔn)率-查全率)曲線顯示在相同召回率下準(zhǔn)確率高于其他方法。
2017, 39(9): 2155-2161.
doi: 10.11999/JEIT161391
摘要:
針對(duì)目前Turbo碼分量編碼器參數(shù)識(shí)別算法容錯(cuò)性不好、計(jì)算量大的缺點(diǎn)，該文提出一種基于校驗(yàn)方程符合度的新算法。首先，根據(jù)碼元約束長(zhǎng)度較小的特點(diǎn)，構(gòu)建出編碼器生成多項(xiàng)式數(shù)據(jù)庫，然后通過遍歷多項(xiàng)式數(shù)據(jù)庫，計(jì)算出每種多項(xiàng)式所對(duì)應(yīng)的平均校驗(yàn)方程符合度值，其最大值所對(duì)應(yīng)的索引號(hào)即為多項(xiàng)式庫中的正確多項(xiàng)式索引號(hào)，從而完成編碼多項(xiàng)式的識(shí)別。該算法僅僅遍歷有限的多項(xiàng)式數(shù)據(jù)庫，其計(jì)算量較小，只與截獲的數(shù)據(jù)量有關(guān)；算法采用的數(shù)據(jù)為軟判決信息，故其容錯(cuò)性能較好。仿真結(jié)果表明：在信噪比為0 dB條件下，僅需要截獲10碼塊，交織長(zhǎng)度為100的碼元數(shù)據(jù)量，參數(shù)的識(shí)別率就能達(dá)到90%以上。
針對(duì)目前Turbo碼分量編碼器參數(shù)識(shí)別算法容錯(cuò)性不好、計(jì)算量大的缺點(diǎn)，該文提出一種基于校驗(yàn)方程符合度的新算法。首先，根據(jù)碼元約束長(zhǎng)度較小的特點(diǎn)，構(gòu)建出編碼器生成多項(xiàng)式數(shù)據(jù)庫，然后通過遍歷多項(xiàng)式數(shù)據(jù)庫，計(jì)算出每種多項(xiàng)式所對(duì)應(yīng)的平均校驗(yàn)方程符合度值，其最大值所對(duì)應(yīng)的索引號(hào)即為多項(xiàng)式庫中的正確多項(xiàng)式索引號(hào)，從而完成編碼多項(xiàng)式的識(shí)別。該算法僅僅遍歷有限的多項(xiàng)式數(shù)據(jù)庫，其計(jì)算量較小，只與截獲的數(shù)據(jù)量有關(guān)；算法采用的數(shù)據(jù)為軟判決信息，故其容錯(cuò)性能較好。仿真結(jié)果表明：在信噪比為0 dB條件下，僅需要截獲10碼塊，交織長(zhǎng)度為100的碼元數(shù)據(jù)量，參數(shù)的識(shí)別率就能達(dá)到90%以上。
2017, 39(9): 2162-2168.
doi: 10.11999/JEIT161317
摘要:
該文針對(duì)直覺模糊聚類算法不考慮空間鄰域信息的缺點(diǎn)，提出一種基于核空間和加權(quán)鄰域約束的直覺模糊C均值聚類算法。該算法首先在直覺模糊C均值(Intuitionistic Fuzzy C-Means, IFCM)算法的基礎(chǔ)上加入空間鄰域約束關(guān)系，且賦予鄰域內(nèi)每個(gè)點(diǎn)不同的權(quán)重；接著采用核誘導(dǎo)函數(shù)代替歐氏距離計(jì)算各點(diǎn)到聚類中心的距離；然后創(chuàng)建包含鄰域信息的新的目標(biāo)函數(shù)，最優(yōu)化該目標(biāo)函數(shù)得到新的隸屬度及聚類中心的迭代表達(dá)式。利用所提出的新算法與同類聚類算法及基于顯著過渡區(qū)域的二值化算法進(jìn)行圖像分割，并對(duì)結(jié)果進(jìn)行定量分析后可知，所提出的算法最高能夠得到0.9776的F度量值。實(shí)驗(yàn)結(jié)果表明新算法性能穩(wěn)定并且具有較高的分割精度。
該文針對(duì)直覺模糊聚類算法不考慮空間鄰域信息的缺點(diǎn)，提出一種基于核空間和加權(quán)鄰域約束的直覺模糊C均值聚類算法。該算法首先在直覺模糊C均值(Intuitionistic Fuzzy C-Means, IFCM)算法的基礎(chǔ)上加入空間鄰域約束關(guān)系，且賦予鄰域內(nèi)每個(gè)點(diǎn)不同的權(quán)重；接著采用核誘導(dǎo)函數(shù)代替歐氏距離計(jì)算各點(diǎn)到聚類中心的距離；然后創(chuàng)建包含鄰域信息的新的目標(biāo)函數(shù)，最優(yōu)化該目標(biāo)函數(shù)得到新的隸屬度及聚類中心的迭代表達(dá)式。利用所提出的新算法與同類聚類算法及基于顯著過渡區(qū)域的二值化算法進(jìn)行圖像分割，并對(duì)結(jié)果進(jìn)行定量分析后可知，所提出的算法最高能夠得到0.9776的F度量值。實(shí)驗(yàn)結(jié)果表明新算法性能穩(wěn)定并且具有較高的分割精度。
2017, 39(9): 2169-2174.
doi: 10.11999/JEIT170040
摘要:
由于具有靈活的頻率劃分能力，非均勻?yàn)V波器組在語音、圖像等信號(hào)的處理中有著廣泛的應(yīng)用。該文針對(duì)非均勻DFT調(diào)制濾波器組無法直接合并構(gòu)造的缺點(diǎn)，提出一種基于相位調(diào)制的構(gòu)造方法。在該方法中，非均勻DFT調(diào)制濾波器組的子帶濾波器由均勻DFT調(diào)制濾波器組經(jīng)子帶合并和相位調(diào)制獲得。構(gòu)造所得的非均勻?yàn)V波器組與原均勻?yàn)V波器組的重構(gòu)特性近似相等。同時(shí)推導(dǎo)出非均勻子帶濾波器具備良好頻率特性的條件。理論分析和仿真結(jié)果均表明了所提的構(gòu)造方法的有效性。
由于具有靈活的頻率劃分能力，非均勻?yàn)V波器組在語音、圖像等信號(hào)的處理中有著廣泛的應(yīng)用。該文針對(duì)非均勻DFT調(diào)制濾波器組無法直接合并構(gòu)造的缺點(diǎn)，提出一種基于相位調(diào)制的構(gòu)造方法。在該方法中，非均勻DFT調(diào)制濾波器組的子帶濾波器由均勻DFT調(diào)制濾波器組經(jīng)子帶合并和相位調(diào)制獲得。構(gòu)造所得的非均勻?yàn)V波器組與原均勻?yàn)V波器組的重構(gòu)特性近似相等。同時(shí)推導(dǎo)出非均勻子帶濾波器具備良好頻率特性的條件。理論分析和仿真結(jié)果均表明了所提的構(gòu)造方法的有效性。
2017, 39(9): 2175-2181.
doi: 10.11999/JEIT161132
摘要:
為解決傳統(tǒng)均勻FFT波束形成算法引起的3維聲吶成像分辨率降低的問題，該文提出分區(qū)域FFT波束形成算法。遠(yuǎn)場(chǎng)條件下，以保證成像分辨率為約束條件，以劃分?jǐn)?shù)量最少為目標(biāo)，采用遺傳算法作為優(yōu)化手段將成像區(qū)域劃分為多個(gè)區(qū)域。在每個(gè)區(qū)域內(nèi)選取一個(gè)波束方向，獲得每一個(gè)接收陣元收到該方向回波時(shí)的解調(diào)輸出，以此為原始數(shù)據(jù)在該區(qū)域內(nèi)進(jìn)行傳統(tǒng)均勻FFT波束形成。對(duì)FFT計(jì)算過程進(jìn)行優(yōu)化，降低新算法的計(jì)算量，使其滿足3維成像聲吶實(shí)時(shí)性的要求。仿真與實(shí)驗(yàn)結(jié)果表明，采用分區(qū)域FFT波束形成算法的成像分辨率較傳統(tǒng)均勻FFT波束形成算法有顯著提高，且滿足實(shí)時(shí)性要求。
為解決傳統(tǒng)均勻FFT波束形成算法引起的3維聲吶成像分辨率降低的問題，該文提出分區(qū)域FFT波束形成算法。遠(yuǎn)場(chǎng)條件下，以保證成像分辨率為約束條件，以劃分?jǐn)?shù)量最少為目標(biāo)，采用遺傳算法作為優(yōu)化手段將成像區(qū)域劃分為多個(gè)區(qū)域。在每個(gè)區(qū)域內(nèi)選取一個(gè)波束方向，獲得每一個(gè)接收陣元收到該方向回波時(shí)的解調(diào)輸出，以此為原始數(shù)據(jù)在該區(qū)域內(nèi)進(jìn)行傳統(tǒng)均勻FFT波束形成。對(duì)FFT計(jì)算過程進(jìn)行優(yōu)化，降低新算法的計(jì)算量，使其滿足3維成像聲吶實(shí)時(shí)性的要求。仿真與實(shí)驗(yàn)結(jié)果表明，采用分區(qū)域FFT波束形成算法的成像分辨率較傳統(tǒng)均勻FFT波束形成算法有顯著提高，且滿足實(shí)時(shí)性要求。
2017, 39(9): 2182-2189.
doi: 10.11999/JEIT161300
摘要:
圓跡SAR(CSAR)作為一種新的對(duì)地高分辨率成像方法，兼具長(zhǎng)時(shí)間觀測(cè)以及獲得目標(biāo) 全向信息的優(yōu)勢(shì)。該文利用其長(zhǎng)時(shí)間觀測(cè)的特性，針對(duì)單通道圓跡SAR提出一種新的圖像域動(dòng)目標(biāo)檢測(cè)算法。首先從等多普勒等距離角度分析了動(dòng)目標(biāo)信號(hào)模型，后給出動(dòng)目標(biāo)檢測(cè)算法。該方法將原始圖像分為無動(dòng)目標(biāo)的背景以及含有動(dòng)目標(biāo)的前景圖像，由于靜止背景較動(dòng)目標(biāo)變化緩慢，故利用中值濾波器對(duì)重疊子孔徑圖像序列沿時(shí)間維進(jìn)行濾波以獲得背景圖像，再利用每幀原始圖像與背景圖像的差來獲得相應(yīng)的含有動(dòng)目標(biāo)的前景圖像。機(jī)載圓跡SAR數(shù)據(jù)處理結(jié)果說明了該方法的有效性。
圓跡SAR(CSAR)作為一種新的對(duì)地高分辨率成像方法，兼具長(zhǎng)時(shí)間觀測(cè)以及獲得目標(biāo) 全向信息的優(yōu)勢(shì)。該文利用其長(zhǎng)時(shí)間觀測(cè)的特性，針對(duì)單通道圓跡SAR提出一種新的圖像域動(dòng)目標(biāo)檢測(cè)算法。首先從等多普勒等距離角度分析了動(dòng)目標(biāo)信號(hào)模型，后給出動(dòng)目標(biāo)檢測(cè)算法。該方法將原始圖像分為無動(dòng)目標(biāo)的背景以及含有動(dòng)目標(biāo)的前景圖像，由于靜止背景較動(dòng)目標(biāo)變化緩慢，故利用中值濾波器對(duì)重疊子孔徑圖像序列沿時(shí)間維進(jìn)行濾波以獲得背景圖像，再利用每幀原始圖像與背景圖像的差來獲得相應(yīng)的含有動(dòng)目標(biāo)的前景圖像。機(jī)載圓跡SAR數(shù)據(jù)處理結(jié)果說明了該方法的有效性。
2017, 39(9): 2190-2196.
doi: 10.11999/JEIT161056
摘要:
該文提出一種基于兩維相位編碼的距離模糊抑制方法，該方法通過在發(fā)射端發(fā)射一種兩維相位編碼的波形，接收端在進(jìn)行匹配濾波時(shí)，距離模糊信號(hào)相對(duì)于目標(biāo)信號(hào)而言在兩維頻譜上都會(huì)產(chǎn)生偏移。在信號(hào)處理階段，可以針對(duì)此頻譜差異構(gòu)造濾波器，實(shí)現(xiàn)對(duì)距離模糊能量的有效抑制，降低整個(gè)測(cè)繪帶內(nèi)的距離模糊比，提高合成孔徑雷達(dá)(SAR)圖像質(zhì)量。點(diǎn)仿真和面仿真結(jié)果都驗(yàn)證了該方法的有效性。
該文提出一種基于兩維相位編碼的距離模糊抑制方法，該方法通過在發(fā)射端發(fā)射一種兩維相位編碼的波形，接收端在進(jìn)行匹配濾波時(shí)，距離模糊信號(hào)相對(duì)于目標(biāo)信號(hào)而言在兩維頻譜上都會(huì)產(chǎn)生偏移。在信號(hào)處理階段，可以針對(duì)此頻譜差異構(gòu)造濾波器，實(shí)現(xiàn)對(duì)距離模糊能量的有效抑制，降低整個(gè)測(cè)繪帶內(nèi)的距離模糊比，提高合成孔徑雷達(dá)(SAR)圖像質(zhì)量。點(diǎn)仿真和面仿真結(jié)果都驗(yàn)證了該方法的有效性。
2017, 39(9): 2197-2202.
doi: 10.11999/JEIT161394
摘要:
在高幀率的視頻合成孔徑雷達(dá)(VideoSAR)成像模式獲得的圖像序列中，多普勒頻移使運(yùn)動(dòng)目標(biāo)在實(shí)際位置留下陰影，且相鄰幀圖像具有很強(qiáng)相關(guān)性。該文針對(duì)上述現(xiàn)象提出一種VideoSAR圖像中動(dòng)目標(biāo)陰影檢測(cè)的方法。首先，對(duì)每幀圖像通過結(jié)合尺度不變特征變換(SIFT)和隨機(jī)抽樣一致性(RANSAC)算法實(shí)現(xiàn)配準(zhǔn)并進(jìn)行背景補(bǔ)償，再采用CattePM模型抑制相干斑噪聲。然后通過Tsallis灰度熵的最大化閾值分割方法自動(dòng)分離目標(biāo)和背景，獲得二值圖像。最后，對(duì)相鄰多幀圖像背景建模并差分，再結(jié)合三幀間差分法提取動(dòng)目標(biāo)陰影，結(jié)果標(biāo)記至原幀圖像相應(yīng)位置。基于美國(guó)Sandia實(shí)驗(yàn)室公布的VideoSAR成像片段，實(shí)現(xiàn)了多個(gè)移動(dòng)車輛的檢測(cè)，驗(yàn)證了所提算法的有效性。
在高幀率的視頻合成孔徑雷達(dá)(VideoSAR)成像模式獲得的圖像序列中，多普勒頻移使運(yùn)動(dòng)目標(biāo)在實(shí)際位置留下陰影，且相鄰幀圖像具有很強(qiáng)相關(guān)性。該文針對(duì)上述現(xiàn)象提出一種VideoSAR圖像中動(dòng)目標(biāo)陰影檢測(cè)的方法。首先，對(duì)每幀圖像通過結(jié)合尺度不變特征變換(SIFT)和隨機(jī)抽樣一致性(RANSAC)算法實(shí)現(xiàn)配準(zhǔn)并進(jìn)行背景補(bǔ)償，再采用CattePM模型抑制相干斑噪聲。然后通過Tsallis灰度熵的最大化閾值分割方法自動(dòng)分離目標(biāo)和背景，獲得二值圖像。最后，對(duì)相鄰多幀圖像背景建模并差分，再結(jié)合三幀間差分法提取動(dòng)目標(biāo)陰影，結(jié)果標(biāo)記至原幀圖像相應(yīng)位置。基于美國(guó)Sandia實(shí)驗(yàn)室公布的VideoSAR成像片段，實(shí)現(xiàn)了多個(gè)移動(dòng)車輛的檢測(cè)，驗(yàn)證了所提算法的有效性。
2017, 39(9): 2203-2211.
doi: 10.11999/JEIT161209
摘要:
該文研究基于頻分正交信號(hào)的機(jī)載交軌稀疏陣列SAR下視3維成像問題。為解決孔徑綜合方法帶來的重復(fù)頻率高、數(shù)據(jù)冗余量大和運(yùn)動(dòng)補(bǔ)償?shù)葐栴}，提出一種基于修正均勻冗余陣列(Modified Uniformly Redundant Arrays, MURA)編碼和干涉處理頻域稀疏的3維成像方法，直接在距離頻域稀疏采樣條件下對(duì)目標(biāo)場(chǎng)景進(jìn)行下視3維成像。引入MURA編碼對(duì)回波數(shù)據(jù)在陣列采樣平面進(jìn)行正反編碼調(diào)制，分別獲得兩幅3維復(fù)圖像，并通過干涉處理使信號(hào)3維頻譜集中在低頻段，利用頻域低通濾波或壓縮感知(Compressed Sensing，CS)實(shí)現(xiàn)目標(biāo)場(chǎng)景3維成像。該方法具有回波數(shù)據(jù)利用率高和工作重復(fù)頻率低的特點(diǎn)。仿真分析和試驗(yàn)數(shù)據(jù)驗(yàn)證了方法的有效性。
該文研究基于頻分正交信號(hào)的機(jī)載交軌稀疏陣列SAR下視3維成像問題。為解決孔徑綜合方法帶來的重復(fù)頻率高、數(shù)據(jù)冗余量大和運(yùn)動(dòng)補(bǔ)償?shù)葐栴}，提出一種基于修正均勻冗余陣列(Modified Uniformly Redundant Arrays, MURA)編碼和干涉處理頻域稀疏的3維成像方法，直接在距離頻域稀疏采樣條件下對(duì)目標(biāo)場(chǎng)景進(jìn)行下視3維成像。引入MURA編碼對(duì)回波數(shù)據(jù)在陣列采樣平面進(jìn)行正反編碼調(diào)制，分別獲得兩幅3維復(fù)圖像，并通過干涉處理使信號(hào)3維頻譜集中在低頻段，利用頻域低通濾波或壓縮感知(Compressed Sensing，CS)實(shí)現(xiàn)目標(biāo)場(chǎng)景3維成像。該方法具有回波數(shù)據(jù)利用率高和工作重復(fù)頻率低的特點(diǎn)。仿真分析和試驗(yàn)數(shù)據(jù)驗(yàn)證了方法的有效性。
2017, 39(9): 2212-2218.
doi: 10.11999/JEIT161333
摘要:
多徑效應(yīng)或多輸入多輸出(MIMO)雷達(dá)發(fā)射波形不完全正交的情況下會(huì)引入干擾，此種干擾通常被稱為目標(biāo)引入干擾。針對(duì)存在目標(biāo)引入干擾的目標(biāo)檢測(cè)問題，該文基于Wald準(zhǔn)則提出適用于均勻環(huán)境和非均勻環(huán)境下的自適應(yīng)檢測(cè)器，所提出的檢測(cè)器可有效抑制目標(biāo)引入的干擾，且具有恒虛警率(CFAR)特性。仿真結(jié)果表明，當(dāng)干擾子空間已知時(shí)，該文所提出的檢測(cè)器可完全抑制干擾，當(dāng)干擾子空間未知時(shí)，所提檢測(cè)器可有效抑制位于信號(hào)子空間的正交補(bǔ)空間內(nèi)的干擾。
多徑效應(yīng)或多輸入多輸出(MIMO)雷達(dá)發(fā)射波形不完全正交的情況下會(huì)引入干擾，此種干擾通常被稱為目標(biāo)引入干擾。針對(duì)存在目標(biāo)引入干擾的目標(biāo)檢測(cè)問題，該文基于Wald準(zhǔn)則提出適用于均勻環(huán)境和非均勻環(huán)境下的自適應(yīng)檢測(cè)器，所提出的檢測(cè)器可有效抑制目標(biāo)引入的干擾，且具有恒虛警率(CFAR)特性。仿真結(jié)果表明，當(dāng)干擾子空間已知時(shí)，該文所提出的檢測(cè)器可完全抑制干擾，當(dāng)干擾子空間未知時(shí)，所提檢測(cè)器可有效抑制位于信號(hào)子空間的正交補(bǔ)空間內(nèi)的干擾。
2017, 39(9): 2219-2224.
doi: 10.11999/JEIT161318
摘要:
針對(duì)方位依賴陣列誤差的校正問題，通過引入少量精確校正的輔助陣元，該文給出一種基于空域稀疏性的方位依賴陣列誤差校正算法。將受方位依賴陣列誤差擾動(dòng)的陣列流型表示為理想情況下的陣列流型與幅相誤差系數(shù)矩陣的乘積形式。同時(shí)利用接收信號(hào)的空域稀疏性，對(duì)接收信號(hào)進(jìn)行稀疏表示，將陣列誤差自校正問題轉(zhuǎn)化為一個(gè)二元最優(yōu)化問題，再通過交替迭代的優(yōu)化方式求得兩個(gè)優(yōu)化變量的最優(yōu)解，從而實(shí)現(xiàn)了信號(hào)方位與方位依賴陣列誤差的聯(lián)合估計(jì)。該文所提算法相比于已有算法性能提升明顯，參數(shù)估計(jì)性能優(yōu)于傳統(tǒng)算法且接近參數(shù)估計(jì)的Cramer-Rao下界，仿真實(shí)驗(yàn)也驗(yàn)證了算法的有效性和優(yōu)越性。
針對(duì)方位依賴陣列誤差的校正問題，通過引入少量精確校正的輔助陣元，該文給出一種基于空域稀疏性的方位依賴陣列誤差校正算法。將受方位依賴陣列誤差擾動(dòng)的陣列流型表示為理想情況下的陣列流型與幅相誤差系數(shù)矩陣的乘積形式。同時(shí)利用接收信號(hào)的空域稀疏性，對(duì)接收信號(hào)進(jìn)行稀疏表示，將陣列誤差自校正問題轉(zhuǎn)化為一個(gè)二元最優(yōu)化問題，再通過交替迭代的優(yōu)化方式求得兩個(gè)優(yōu)化變量的最優(yōu)解，從而實(shí)現(xiàn)了信號(hào)方位與方位依賴陣列誤差的聯(lián)合估計(jì)。該文所提算法相比于已有算法性能提升明顯，參數(shù)估計(jì)性能優(yōu)于傳統(tǒng)算法且接近參數(shù)估計(jì)的Cramer-Rao下界，仿真實(shí)驗(yàn)也驗(yàn)證了算法的有效性和優(yōu)越性。
2017, 39(9): 2225-2231.
doi: 10.11999/JEIT161204
摘要:
針對(duì)低信噪比情況下窄帶雷達(dá)目標(biāo)分類問題，該文提出基于時(shí)頻分析的窄帶雷達(dá)飛機(jī)目標(biāo)分類特征提取方法。該方法利用噴氣式飛機(jī)、螺旋槳飛機(jī)和直升機(jī)3類目標(biāo)調(diào)制周期的差異，提取時(shí)頻譜域的熵值變化特性，并給出時(shí)頻分析中窗函數(shù)長(zhǎng)度的優(yōu)化選擇方法?；诜抡婧蛯?shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，該文方法可以在低信噪比情況下顯著提升飛機(jī)目標(biāo)正確分類概率。
針對(duì)低信噪比情況下窄帶雷達(dá)目標(biāo)分類問題，該文提出基于時(shí)頻分析的窄帶雷達(dá)飛機(jī)目標(biāo)分類特征提取方法。該方法利用噴氣式飛機(jī)、螺旋槳飛機(jī)和直升機(jī)3類目標(biāo)調(diào)制周期的差異，提取時(shí)頻譜域的熵值變化特性，并給出時(shí)頻分析中窗函數(shù)長(zhǎng)度的優(yōu)化選擇方法?；诜抡婧蛯?shí)測(cè)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，該文方法可以在低信噪比情況下顯著提升飛機(jī)目標(biāo)正確分類概率。
2017, 39(9): 2232-2237.
doi: 10.11999/JEIT161363
摘要:
合成孔徑雷達(dá)高度計(jì)的關(guān)鍵技術(shù)特點(diǎn)是沿軌向的多普勒銳化和延遲距離校正技術(shù)。兩者的結(jié)合使得其相對(duì)于傳統(tǒng)雷達(dá)高度計(jì)具有沿軌向高分辨率和顯著提高測(cè)高精度的優(yōu)勢(shì)。在2 m波高海況和2 km的地面網(wǎng)格下，其測(cè)高精度可以達(dá)到2 cm。為了驗(yàn)證合成孔徑雷達(dá)高度計(jì)的測(cè)高精度，在充分研究合成孔徑雷達(dá)高度計(jì)測(cè)高原理和傳統(tǒng)雷達(dá)高度計(jì)定標(biāo)方法的基礎(chǔ)上，該文提出一種基于全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)浮標(biāo)的合成孔徑雷達(dá)高度計(jì)定標(biāo)方法，采用時(shí)空一致性匹配和多基線聯(lián)合解算方法提高海面高度測(cè)量精度，并將該方法應(yīng)用于合成孔徑雷達(dá)高度計(jì)首次機(jī)載試驗(yàn)中，通過對(duì)試驗(yàn)數(shù)據(jù)結(jié)果的處理分析，在驗(yàn)證合成孔徑雷達(dá)高度計(jì)測(cè)高精度的同時(shí)，初步驗(yàn)證了該定標(biāo)方法的可行性。
合成孔徑雷達(dá)高度計(jì)的關(guān)鍵技術(shù)特點(diǎn)是沿軌向的多普勒銳化和延遲距離校正技術(shù)。兩者的結(jié)合使得其相對(duì)于傳統(tǒng)雷達(dá)高度計(jì)具有沿軌向高分辨率和顯著提高測(cè)高精度的優(yōu)勢(shì)。在2 m波高海況和2 km的地面網(wǎng)格下，其測(cè)高精度可以達(dá)到2 cm。為了驗(yàn)證合成孔徑雷達(dá)高度計(jì)的測(cè)高精度，在充分研究合成孔徑雷達(dá)高度計(jì)測(cè)高原理和傳統(tǒng)雷達(dá)高度計(jì)定標(biāo)方法的基礎(chǔ)上，該文提出一種基于全球?qū)Ш叫l(wèi)星系統(tǒng)(GNSS)浮標(biāo)的合成孔徑雷達(dá)高度計(jì)定標(biāo)方法，采用時(shí)空一致性匹配和多基線聯(lián)合解算方法提高海面高度測(cè)量精度，并將該方法應(yīng)用于合成孔徑雷達(dá)高度計(jì)首次機(jī)載試驗(yàn)中，通過對(duì)試驗(yàn)數(shù)據(jù)結(jié)果的處理分析，在驗(yàn)證合成孔徑雷達(dá)高度計(jì)測(cè)高精度的同時(shí)，初步驗(yàn)證了該定標(biāo)方法的可行性。
2017, 39(9): 2238-2244.
doi: 10.11999/JEIT161223
摘要:
角閃爍是末制導(dǎo)階段角跟蹤誤差的主要來源，如果對(duì)角閃爍處理不當(dāng)會(huì)增大雷達(dá)跟蹤目標(biāo)的誤差, 甚至丟失目標(biāo)。通過脈沖壓縮獲得高分辨距離像是抑制角閃爍的一種有效方法，但仍不能完全消除測(cè)角誤差。研究發(fā)現(xiàn)高分辨成像對(duì)角閃爍的抑制效果與散射中心類型以及其方位特性相關(guān)。該文從理論上分析了局部型、分布型、滑動(dòng)型等不同的散射中心類型對(duì)角跟蹤產(chǎn)生的影響，然后通過全波法電磁計(jì)算結(jié)果驗(yàn)證理論分析結(jié)論。該文研究結(jié)論對(duì)于抑制角閃爍、改善和提高雷達(dá)跟蹤目標(biāo)的性能具有參考價(jià)值。
角閃爍是末制導(dǎo)階段角跟蹤誤差的主要來源，如果對(duì)角閃爍處理不當(dāng)會(huì)增大雷達(dá)跟蹤目標(biāo)的誤差, 甚至丟失目標(biāo)。通過脈沖壓縮獲得高分辨距離像是抑制角閃爍的一種有效方法，但仍不能完全消除測(cè)角誤差。研究發(fā)現(xiàn)高分辨成像對(duì)角閃爍的抑制效果與散射中心類型以及其方位特性相關(guān)。該文從理論上分析了局部型、分布型、滑動(dòng)型等不同的散射中心類型對(duì)角跟蹤產(chǎn)生的影響，然后通過全波法電磁計(jì)算結(jié)果驗(yàn)證理論分析結(jié)論。該文研究結(jié)論對(duì)于抑制角閃爍、改善和提高雷達(dá)跟蹤目標(biāo)的性能具有參考價(jià)值。
2017, 39(9): 2245-2251.
doi: 10.11999/JEIT161308
摘要:
基于超級(jí)計(jì)算機(jī)的大規(guī)模并行電磁計(jì)算對(duì)于解決實(shí)際工程中的復(fù)雜電磁難題具有重要意義，但超級(jí)計(jì)算機(jī)中由節(jié)點(diǎn)故障導(dǎo)致的進(jìn)程崩潰事件的概率遠(yuǎn)遠(yuǎn)高于普通計(jì)算機(jī)。該文針對(duì)傳統(tǒng)電磁計(jì)算難以有效應(yīng)對(duì)進(jìn)程崩潰的現(xiàn)狀，提出一種高效的、適用于大規(guī)模并行高階矩量法的容錯(cuò)算法。在現(xiàn)有并行高階矩量法的基礎(chǔ)上，基于硬盤緩存和直接內(nèi)存讀取設(shè)計(jì)高效率、高可靠性的現(xiàn)場(chǎng)保護(hù)算法，同時(shí)設(shè)計(jì)了高效的斷點(diǎn)恢復(fù)算法。算法的有效性主要在于固定的現(xiàn)場(chǎng)保護(hù)點(diǎn)這一特點(diǎn)，它使得算法在有故障的情況下仍然可以正常有序地進(jìn)行；而原算法每次碰到故障，則只能從頭計(jì)算。數(shù)值仿真實(shí)驗(yàn)驗(yàn)證了容錯(cuò)算法在應(yīng)對(duì)進(jìn)程崩潰事件時(shí)的有效性，大幅提高了大規(guī)模并行高階矩量法的可靠性。
基于超級(jí)計(jì)算機(jī)的大規(guī)模并行電磁計(jì)算對(duì)于解決實(shí)際工程中的復(fù)雜電磁難題具有重要意義，但超級(jí)計(jì)算機(jī)中由節(jié)點(diǎn)故障導(dǎo)致的進(jìn)程崩潰事件的概率遠(yuǎn)遠(yuǎn)高于普通計(jì)算機(jī)。該文針對(duì)傳統(tǒng)電磁計(jì)算難以有效應(yīng)對(duì)進(jìn)程崩潰的現(xiàn)狀，提出一種高效的、適用于大規(guī)模并行高階矩量法的容錯(cuò)算法。在現(xiàn)有并行高階矩量法的基礎(chǔ)上，基于硬盤緩存和直接內(nèi)存讀取設(shè)計(jì)高效率、高可靠性的現(xiàn)場(chǎng)保護(hù)算法，同時(shí)設(shè)計(jì)了高效的斷點(diǎn)恢復(fù)算法。算法的有效性主要在于固定的現(xiàn)場(chǎng)保護(hù)點(diǎn)這一特點(diǎn)，它使得算法在有故障的情況下仍然可以正常有序地進(jìn)行；而原算法每次碰到故障，則只能從頭計(jì)算。數(shù)值仿真實(shí)驗(yàn)驗(yàn)證了容錯(cuò)算法在應(yīng)對(duì)進(jìn)程崩潰事件時(shí)的有效性，大幅提高了大規(guī)模并行高階矩量法的可靠性。
2017, 39(9): 2252-2258.
doi: 10.11999/JEIT161277
摘要:
3維電場(chǎng)分量對(duì)傳感器輸出信號(hào)的耦合干擾是影響3維電場(chǎng)探測(cè)準(zhǔn)確性的關(guān)鍵問題。為了減小耦合干擾，實(shí)現(xiàn)3維電場(chǎng)的準(zhǔn)確測(cè)量，該文提出一種基于遺傳算法的3維電場(chǎng)傳感器解耦標(biāo)定方法。區(qū)別于求逆矩陣運(yùn)算的傳統(tǒng)標(biāo)定方法，該方法利用遺傳算法并行全局搜索的特點(diǎn)，通過設(shè)置適應(yīng)度函數(shù)和遺傳算子獲得最優(yōu)化解耦標(biāo)定矩陣，避免了復(fù)雜的矩陣求逆計(jì)算，減小了計(jì)算誤差。該文設(shè)計(jì)了一種可實(shí)現(xiàn)傳感器與電場(chǎng)矢量成任意夾角的測(cè)試標(biāo)定裝置，建立了電場(chǎng)理論值計(jì)算模型。對(duì)基于矩陣求逆計(jì)算和基于遺傳算法的兩種解耦標(biāo)定方法進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，基于遺傳算法的3維電場(chǎng)傳感器解耦標(biāo)定方法與傳統(tǒng)標(biāo)定方法相比，有效地消除了電場(chǎng)分量對(duì)傳感器的耦合干擾，提高了標(biāo)定精度，實(shí)現(xiàn)了3維電場(chǎng)的準(zhǔn)確測(cè)量。
3維電場(chǎng)分量對(duì)傳感器輸出信號(hào)的耦合干擾是影響3維電場(chǎng)探測(cè)準(zhǔn)確性的關(guān)鍵問題。為了減小耦合干擾，實(shí)現(xiàn)3維電場(chǎng)的準(zhǔn)確測(cè)量，該文提出一種基于遺傳算法的3維電場(chǎng)傳感器解耦標(biāo)定方法。區(qū)別于求逆矩陣運(yùn)算的傳統(tǒng)標(biāo)定方法，該方法利用遺傳算法并行全局搜索的特點(diǎn)，通過設(shè)置適應(yīng)度函數(shù)和遺傳算子獲得最優(yōu)化解耦標(biāo)定矩陣，避免了復(fù)雜的矩陣求逆計(jì)算，減小了計(jì)算誤差。該文設(shè)計(jì)了一種可實(shí)現(xiàn)傳感器與電場(chǎng)矢量成任意夾角的測(cè)試標(biāo)定裝置，建立了電場(chǎng)理論值計(jì)算模型。對(duì)基于矩陣求逆計(jì)算和基于遺傳算法的兩種解耦標(biāo)定方法進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，基于遺傳算法的3維電場(chǎng)傳感器解耦標(biāo)定方法與傳統(tǒng)標(biāo)定方法相比，有效地消除了電場(chǎng)分量對(duì)傳感器的耦合干擾，提高了標(biāo)定精度，實(shí)現(xiàn)了3維電場(chǎng)的準(zhǔn)確測(cè)量。
2017, 39(9): 2259-2265.
doi: 10.11999/JEIT170023
摘要:
真值表約簡(jiǎn)是數(shù)字邏輯電路分析與設(shè)計(jì)的關(guān)鍵問題之一，形式概念分析(Formal Concept Analysis, FCA)是一種從形式背景進(jìn)行數(shù)據(jù)分析和規(guī)則提取的工具。該文將多輸入多輸出(Multiple-Input Multiple-Output, MIMO)真值表轉(zhuǎn)化為決策形式背景，將真值表的約簡(jiǎn)問題轉(zhuǎn)化為決策形式背景的最簡(jiǎn)規(guī)則提取過程，提出一種基于FCA的MIMO真值表并行約簡(jiǎn)算法。通過理論證明、實(shí)例演示和算法的復(fù)雜性分析，說明了新算法的正確性、有效性和快速性。
真值表約簡(jiǎn)是數(shù)字邏輯電路分析與設(shè)計(jì)的關(guān)鍵問題之一，形式概念分析(Formal Concept Analysis, FCA)是一種從形式背景進(jìn)行數(shù)據(jù)分析和規(guī)則提取的工具。該文將多輸入多輸出(Multiple-Input Multiple-Output, MIMO)真值表轉(zhuǎn)化為決策形式背景，將真值表的約簡(jiǎn)問題轉(zhuǎn)化為決策形式背景的最簡(jiǎn)規(guī)則提取過程，提出一種基于FCA的MIMO真值表并行約簡(jiǎn)算法。通過理論證明、實(shí)例演示和算法的復(fù)雜性分析，說明了新算法的正確性、有效性和快速性。
2017, 39(9): 2266-2271.
doi: 10.11999/JEIT161202
摘要:
該文提出了一種基于內(nèi)建自測(cè)試(BIST)的Test-Per-Clock混合模式向量產(chǎn)生方法。測(cè)試由兩個(gè)部分組成：自由線性反饋移位寄存器(LFSR)偽隨機(jī)測(cè)試模式和受控LFSR確定型測(cè)試模式。偽隨機(jī)測(cè)試模式用于快速地檢測(cè)偽隨機(jī)易測(cè)故障，減少確定型數(shù)據(jù)存儲(chǔ)。受控LFSR測(cè)試模式采用直接存儲(chǔ)在ROM中的控制位流對(duì)剩余故障產(chǎn)生確定型測(cè)試。通過對(duì)提出的BIST混合模式測(cè)試結(jié)構(gòu)理論分析，提出了偽隨機(jī)向量的選取方法以及基于受控線性移位確定型測(cè)試生成方法?；鶞?zhǔn)電路的仿真結(jié)果表明，該方法可以獲得完全單固定型故障覆蓋率，其測(cè)試產(chǎn)生器設(shè)計(jì)簡(jiǎn)單且具有良好的穩(wěn)定性，與其他方法相比，具有較低的測(cè)試開銷和較短的測(cè)試應(yīng)用時(shí)間。
該文提出了一種基于內(nèi)建自測(cè)試(BIST)的Test-Per-Clock混合模式向量產(chǎn)生方法。測(cè)試由兩個(gè)部分組成：自由線性反饋移位寄存器(LFSR)偽隨機(jī)測(cè)試模式和受控LFSR確定型測(cè)試模式。偽隨機(jī)測(cè)試模式用于快速地檢測(cè)偽隨機(jī)易測(cè)故障，減少確定型數(shù)據(jù)存儲(chǔ)。受控LFSR測(cè)試模式采用直接存儲(chǔ)在ROM中的控制位流對(duì)剩余故障產(chǎn)生確定型測(cè)試。通過對(duì)提出的BIST混合模式測(cè)試結(jié)構(gòu)理論分析，提出了偽隨機(jī)向量的選取方法以及基于受控線性移位確定型測(cè)試生成方法?；鶞?zhǔn)電路的仿真結(jié)果表明，該方法可以獲得完全單固定型故障覆蓋率，其測(cè)試產(chǎn)生器設(shè)計(jì)簡(jiǎn)單且具有良好的穩(wěn)定性，與其他方法相比，具有較低的測(cè)試開銷和較短的測(cè)試應(yīng)用時(shí)間。
2017, 39(9): 2272-2276.
doi: 10.11999/JEIT161284
摘要:
為實(shí)現(xiàn)運(yùn)行體智能自主定位，該文提出一種基于網(wǎng)格細(xì)胞到位置細(xì)胞轉(zhuǎn)換的位置估計(jì)模型。結(jié)合網(wǎng)格細(xì)胞和位置細(xì)胞的放電機(jī)理以及它們之間的信息轉(zhuǎn)換關(guān)系，將位置估計(jì)模型分為空間環(huán)境學(xué)習(xí)與記憶、運(yùn)動(dòng)狀態(tài)感知和位置估計(jì)3部分，給出了各個(gè)部分實(shí)現(xiàn)原理和具體操作步驟，最后利用提出的模型對(duì)運(yùn)行體定位問題進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明，所提模型能實(shí)現(xiàn)運(yùn)行體自主定位，且定位性能可通過改變模型中網(wǎng)格細(xì)胞和位置細(xì)胞參數(shù)進(jìn)行調(diào)整。
為實(shí)現(xiàn)運(yùn)行體智能自主定位，該文提出一種基于網(wǎng)格細(xì)胞到位置細(xì)胞轉(zhuǎn)換的位置估計(jì)模型。結(jié)合網(wǎng)格細(xì)胞和位置細(xì)胞的放電機(jī)理以及它們之間的信息轉(zhuǎn)換關(guān)系，將位置估計(jì)模型分為空間環(huán)境學(xué)習(xí)與記憶、運(yùn)動(dòng)狀態(tài)感知和位置估計(jì)3部分，給出了各個(gè)部分實(shí)現(xiàn)原理和具體操作步驟，最后利用提出的模型對(duì)運(yùn)行體定位問題進(jìn)行了仿真實(shí)驗(yàn)。結(jié)果表明，所提模型能實(shí)現(xiàn)運(yùn)行體自主定位，且定位性能可通過改變模型中網(wǎng)格細(xì)胞和位置細(xì)胞參數(shù)進(jìn)行調(diào)整。
2017, 39(9): 2277-2281.
doi: 10.11999/JEIT161177
摘要:
該文給出一類零相關(guān)區(qū)高斯整數(shù)序列的直接構(gòu)造法。該方法基于差集，利用移位序列得到一類零相關(guān)區(qū)高斯整數(shù)序列集，并且序列集的零相關(guān)區(qū)長(zhǎng)度以及元素取值可靈活設(shè)定。由于差集的研究成果非常豐富，因此該方法可以為CDMA通信系統(tǒng)提供大量零相關(guān)區(qū)高斯整數(shù)序列集。
該文給出一類零相關(guān)區(qū)高斯整數(shù)序列的直接構(gòu)造法。該方法基于差集，利用移位序列得到一類零相關(guān)區(qū)高斯整數(shù)序列集，并且序列集的零相關(guān)區(qū)長(zhǎng)度以及元素取值可靈活設(shè)定。由于差集的研究成果非常豐富，因此該方法可以為CDMA通信系統(tǒng)提供大量零相關(guān)區(qū)高斯整數(shù)序列集。
2017, 39(9): 2282-2286.
doi: 10.11999/JEIT161381
摘要:
傳統(tǒng)語音增強(qiáng)算法中因?yàn)樽V減法算法簡(jiǎn)單易于實(shí)現(xiàn)而得到廣泛研究，譜減法的原理是將帶噪語音幅度與估計(jì)的噪聲幅度進(jìn)行相減，并疊加帶噪語音相位，進(jìn)而重構(gòu)增強(qiáng)語音譜。該方法在低信噪比下因?yàn)闆]有進(jìn)行相位估計(jì)，會(huì)存在較大的估計(jì)誤差，并且因?yàn)閷?duì)噪聲估計(jì)的不準(zhǔn)確，會(huì)產(chǎn)生 音樂噪聲。基于譜減法的缺點(diǎn)該文提出一種基于最大后驗(yàn)相位估計(jì)的多帶譜減法，其中多帶譜減法可減少音樂噪聲的影響，最大后驗(yàn)方法估計(jì)純凈語音相位，可以減少在低信噪比時(shí)的估計(jì)誤差。實(shí)驗(yàn)結(jié)果表明該方法在低信噪比時(shí)取得了較好的增強(qiáng)效果。
傳統(tǒng)語音增強(qiáng)算法中因?yàn)樽V減法算法簡(jiǎn)單易于實(shí)現(xiàn)而得到廣泛研究，譜減法的原理是將帶噪語音幅度與估計(jì)的噪聲幅度進(jìn)行相減，并疊加帶噪語音相位，進(jìn)而重構(gòu)增強(qiáng)語音譜。該方法在低信噪比下因?yàn)闆]有進(jìn)行相位估計(jì)，會(huì)存在較大的估計(jì)誤差，并且因?yàn)閷?duì)噪聲估計(jì)的不準(zhǔn)確，會(huì)產(chǎn)生 音樂噪聲。基于譜減法的缺點(diǎn)該文提出一種基于最大后驗(yàn)相位估計(jì)的多帶譜減法，其中多帶譜減法可減少音樂噪聲的影響，最大后驗(yàn)方法估計(jì)純凈語音相位，可以減少在低信噪比時(shí)的估計(jì)誤差。實(shí)驗(yàn)結(jié)果表明該方法在低信噪比時(shí)取得了較好的增強(qiáng)效果。
