學科前沿講座心得-文庫吧

【正文】 是指對多個周期中回波脈沖串的復包絡進行匹配或最佳濾波處理，使整個脈沖串中某時刻的信－噪比達到最大。對于周期內(nèi)處理，采樣周期應小于或等于測時延（距離）的分辨單元。對于隔周期處理，采樣周期可以長達一個重復周期。數(shù)字信號處理可分為四類，即線性非時變、線性時變、非線性非時變和非線性時變。在理論上最容易解決的是線性非時變型的處理。這一類型的模擬處理用線性常系數(shù)微分方程描述，從而可以用傅里葉級數(shù)或傅里葉變換求解。同樣，這一類型的數(shù)字處理可以采用線性常系數(shù)差分方程描述,從而可以用Z變換或離散傅里葉變換求解。采用狀態(tài)變量法解決線性時變型數(shù)字處理的分析問題效果較好。這種方法尤其適用于利用電子計算機進行仿真分析。關于含有非線性性質(zhì)的數(shù)字處理，只能對特定問題進行計算機仿真計算，而不能應用疊加原理。信號處理方法有兩種，一種是信號依次進入而形成信號流，另一種是執(zhí)行完一條指令再執(zhí)行下一條指令，形成指令流。雷達中的數(shù)字信號處理機可采用這兩種方法中的任一種，也可以兼用兩種方法。一般來說，采樣速度高而功能較簡單者宜用前者；采樣速度較低而功能復雜者則宜采用后者。第二篇：學科前沿講座心得桂林電子科技大學 學科前沿技術講座心得體會學號：102031105姓名：劉瑞指導教師：王沖專業(yè)名稱：計算機應用技術所屬學院：計算機科學與工程學院成績：近年來，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關注，其主要原因是存在大量數(shù)據(jù)，可以廣泛使用，并且迫切需要將這些數(shù)據(jù)轉換成有用的信息和知識。獲取的信息和知識可以廣泛用于各種應用，包括商務管理，生產(chǎn)控制，市場分析，工程設計和科學探索等。機器學習和數(shù)據(jù)挖掘這些年一直是計算機應用方面研究的重點和熱點，首先要了解什么是數(shù)據(jù)挖掘，簡單地說，數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取或“挖掘”知識。我一直對這方面的知識頗感興趣，這學期學院開設的學術前沿講座的課程，很有幸聽到了文益民教授對于自己在機器學習和數(shù)據(jù)挖掘方面研究的講座，讓我對這些知識有了深入淺出的理解，受益匪淺。12月5號，文益民教授做了題為“大規(guī)模數(shù)據(jù)的分類”的講座，在講座的最開始，文教授提到了戈登德萊頓《學習的革命》一書，皆在指導我們?nèi)绾畏e累知識如何思考如何學習如何去做研究，具有拋磚引玉的指導意義。在這之后，又對了解機器學習和數(shù)據(jù)挖掘首先要了解的知識做了簡要的說明，比如對于問題的分類是分為線性問題和非線性問題；比如聚類的含義是將物理或抽象對象的集合分成由類似的對象組成的多個類的過程；比如對于這個世界上計算機的分類可以只分成工人（maker）和思考者（thinker）兩類。至此正式進入問題的討論。對于這次講座，文教授從四個方面進行了講授。第一，實際應用中的大規(guī)模數(shù)據(jù)分類問題。第二，大規(guī)模數(shù)據(jù)給機器學習帶來的挑戰(zhàn)。第三，大規(guī)模數(shù)據(jù)分類算法的研究。第四，展望發(fā)展前景。文教授主要是在第三點中做了很多工作也取得了可喜的成績。在機器學習的實際應用中，大規(guī)模數(shù)據(jù)分類問題一般會應用在以下幾個方面，在高速高精度的工業(yè)圖像檢測方面，在專利分類方面，在生物信息數(shù)據(jù)快速增長方面，在支持向量機參數(shù)選擇方面。大規(guī)模數(shù)據(jù)給機器學習帶來的問題有：算法一般不是收斂太慢就是難以收斂，訓練時間過長。海量數(shù)據(jù)無法一次裝入內(nèi)存。算法可靠性得不到保證。已經(jīng)訓練好的學習器遇到心得訓練樣本時需要重新訓練。在最重要的部分，文教授提到了幾個重要的研究方法，包括算法，這里面包含有：基于并行計算的算法，以并行計算方法求解工作集方法中每個迭代步中二次規(guī)劃的子問題，Metalearning，最小最大模塊化支持向量機以及快速模塊化支持向量機，ClusterSVM，ClusterbasedSVM，CascadeSVM。文教授在第三和第四點中都有自己的工作和貢獻，在第三點中，他提出了分類面拼接算法，在第四點中，提出了分層并行支持向量機訓練算法。對于分類面拼接算法我進行了比較仔細的了解，并下載閱讀了文教授于2009年3月份在湖南大學學報上發(fā)表的論文“基于分類面的快速模塊化支持向量機研究”，對于分類面拼接算法有了初步的研究，下面說說我對這個算法的理解。信息采集和信息處理技術的快速發(fā)展導致了諸如公共健康數(shù)據(jù)、信用交易數(shù)據(jù)、國家經(jīng)濟普查數(shù)據(jù)、網(wǎng)絡文本數(shù)據(jù)和地理信息數(shù)據(jù)等大規(guī)模數(shù)據(jù)集的產(chǎn)生。由于訓練時間很長和空間需求很大，現(xiàn)有的大多數(shù)機器學習算法很難被直接用于大規(guī)模數(shù)據(jù)的機器學習。這個算法是針對大多數(shù)現(xiàn)有的機器學習算法處理大規(guī)模問題時需要的訓練時間很長和存儲空間很大的難點而提出的，英文名是psfnr SVMs，在訓練階段，psfm2SVMs采用一簇平行超平面對大規(guī)模問題實施軟劃分，然后針對每個子問題并行訓練支持向量機。在測試階段，測試樣本坐落于哪個子問題所在空間中，就由該子問題訓練的支持向量機給出判別結果。在4個大規(guī)模問題上的實驗表明:與采取硬劃分的快速模塊化支持向量機(fm2SVMs)相比，軟劃分能夠使psfm2SVMs得到更加光滑的分類面，因而ps2fm2SVMs的泛化能力較高。在不增加訓練時間的條件下，psfm2SVMs減少了由于訓練集分割導致的分類器泛化能力下降。支持向量機方法的本質(zhì)是在訓練集的一個高維像空間中尋找最大間隔分類超平面，這個分類超平面對應于訓練集所在空間的一個光滑曲面。如果采用訓練集分割的方法，將這個光滑曲面分段求出，然后進行連接，就可以得到這個光滑曲面的近似曲面。該算法使用平行超平面簇對訓練集實施軟劃分，使得拼接后的分類面相比fm2SVMs得到的分類面更光滑，更接近最優(yōu)分