【正文】 是指對(duì)多個(gè)周期中回波脈沖串的復(fù)包絡(luò)進(jìn)行匹配或最佳濾波處理，使整個(gè)脈沖串中某時(shí)刻的信－噪比達(dá)到最大。對(duì)于周期內(nèi)處理，采樣周期應(yīng)小于或等于測(cè)時(shí)延（距離）的分辨單元。對(duì)于隔周期處理，采樣周期可以長(zhǎng)達(dá)一個(gè)重復(fù)周期。數(shù)字信號(hào)處理可分為四類，即線性非時(shí)變、線性時(shí)變、非線性非時(shí)變和非線性時(shí)變。在理論上最容易解決的是線性非時(shí)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(jí)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(shí)變型數(shù)字處理的分析問(wèn)題效果較好。這種方法尤其適用于利用電子計(jì)算機(jī)進(jìn)行仿真分析。關(guān)于含有非線性性質(zhì)的數(shù)字處理，只能對(duì)特定問(wèn)題進(jìn)行計(jì)算機(jī)仿真計(jì)算，而不能應(yīng)用疊加原理。信號(hào)處理方法有兩種，一種是信號(hào)依次進(jìn)入而形成信號(hào)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(dá)中的數(shù)字信號(hào)處理機(jī)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(lái)說(shuō)，采樣速度高而功能較簡(jiǎn)單者宜用前者；采樣速度較低而功能復(fù)雜者則宜采用后者。第二篇：學(xué)科前沿講座心得桂林電子科技大學(xué) 學(xué)科前沿技術(shù)講座心得體會(huì)學(xué)號(hào)：102031105姓名：劉瑞指導(dǎo)教師：王沖專業(yè)名稱：計(jì)算機(jī)應(yīng)用技術(shù)所屬學(xué)院：計(jì)算機(jī)科學(xué)與工程學(xué)院成績(jī)：近年來(lái)，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)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(zhuǎn)換成有用的信息和知識(shí)。獲取的信息和知識(shí)可以廣泛用于各種應(yīng)用，包括商務(wù)管理，生產(chǎn)控制，市場(chǎng)分析，工程設(shè)計(jì)和科學(xué)探索等。機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘這些年一直是計(jì)算機(jī)應(yīng)用方面研究的重點(diǎn)和熱點(diǎn)，首先要了解什么是數(shù)據(jù)挖掘，簡(jiǎn)單地說(shuō)，數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取或“挖掘”知識(shí)。我一直對(duì)這方面的知識(shí)頗感興趣，這學(xué)期學(xué)院開(kāi)設(shè)的學(xué)術(shù)前沿講座的課程，很有幸聽(tīng)到了文益民教授對(duì)于自己在機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘方面研究的講座，讓我對(duì)這些知識(shí)有了深入淺出的理解，受益匪淺。12月5號(hào)，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(kāi)始，文教授提到了戈登德萊頓《學(xué)習(xí)的革命》一書(shū)，皆在指導(dǎo)我們?nèi)绾畏e累知識(shí)如何思考如何學(xué)習(xí)如何去做研究，具有拋磚引玉的指導(dǎo)意義。在這之后，又對(duì)了解機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘首先要了解的知識(shí)做了簡(jiǎn)要的說(shuō)明，比如對(duì)于問(wèn)題的分類是分為線性問(wèn)題和非線性問(wèn)題；比如聚類的含義是將物理或抽象對(duì)象的集合分成由類似的對(duì)象組成的多個(gè)類的過(guò)程；比如對(duì)于這個(gè)世界上計(jì)算機(jī)的分類可以只分成工人（maker）和思考者（thinker）兩類。至此正式進(jìn)入問(wèn)題的討論。對(duì)于這次講座，文教授從四個(gè)方面進(jìn)行了講授。第一，實(shí)際應(yīng)用中的大規(guī)模數(shù)據(jù)分類問(wèn)題。第二，大規(guī)模數(shù)據(jù)給機(jī)器學(xué)習(xí)帶來(lái)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(diǎn)中做了很多工作也取得了可喜的成績(jī)。在機(jī)器學(xué)習(xí)的實(shí)際應(yīng)用中，大規(guī)模數(shù)據(jù)分類問(wèn)題一般會(huì)應(yīng)用在以下幾個(gè)方面，在高速高精度的工業(yè)圖像檢測(cè)方面，在專利分類方面，在生物信息數(shù)據(jù)快速增長(zhǎng)方面，在支持向量機(jī)參數(shù)選擇方面。大規(guī)模數(shù)據(jù)給機(jī)器學(xué)習(xí)帶來(lái)的問(wèn)題有：算法一般不是收斂太慢就是難以收斂，訓(xùn)練時(shí)間過(guò)長(zhǎng)。海量數(shù)據(jù)無(wú)法一次裝入內(nèi)存。算法可靠性得不到保證。已經(jīng)訓(xùn)練好的學(xué)習(xí)器遇到心得訓(xùn)練樣本時(shí)需要重新訓(xùn)練。在最重要的部分，文教授提到了幾個(gè)重要的研究方法，包括算法，這里面包含有：基于并行計(jì)算的算法，以并行計(jì)算方法求解工作集方法中每個(gè)迭代步中二次規(guī)劃的子問(wèn)題，Metalearning，最小最大模塊化支持向量機(jī)以及快速模塊化支持向量機(jī)，ClusterSVM，ClusterbasedSVM，CascadeSVM。文教授在第三和第四點(diǎn)中都有自己的工作和貢獻(xiàn)，在第三點(diǎn)中，他提出了分類面拼接算法，在第四點(diǎn)中，提出了分層并行支持向量機(jī)訓(xùn)練算法。對(duì)于分類面拼接算法我進(jìn)行了比較仔細(xì)的了解，并下載閱讀了文教授于2009年3月份在湖南大學(xué)學(xué)報(bào)上發(fā)表的論文“基于分類面的快速模塊化支持向量機(jī)研究”，對(duì)于分類面拼接算法有了初步的研究，下面說(shuō)說(shuō)我對(duì)這個(gè)算法的理解。信息采集和信息處理技術(shù)的快速發(fā)展導(dǎo)致了諸如公共健康數(shù)據(jù)、信用交易數(shù)據(jù)、國(guó)家經(jīng)濟(jì)普查數(shù)據(jù)、網(wǎng)絡(luò)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(xùn)練時(shí)間很長(zhǎng)和空間需求很大，現(xiàn)有的大多數(shù)機(jī)器學(xué)習(xí)算法很難被直接用于大規(guī)模數(shù)據(jù)的機(jī)器學(xué)習(xí)。這個(gè)算法是針對(duì)大多數(shù)現(xiàn)有的機(jī)器學(xué)習(xí)算法處理大規(guī)模問(wèn)題時(shí)需要的訓(xùn)練時(shí)間很長(zhǎng)和存儲(chǔ)空間很大的難點(diǎn)而提出的，英文名是psfnr SVMs，在訓(xùn)練階段，psfm2SVMs采用一簇平行超平面對(duì)大規(guī)模問(wèn)題實(shí)施軟劃分，然后針對(duì)每個(gè)子問(wèn)題并行訓(xùn)練支持向量機(jī)。在測(cè)試階段，測(cè)試樣本坐落于哪個(gè)子問(wèn)題所在空間中，就由該子問(wèn)題訓(xùn)練的支持向量機(jī)給出判別結(jié)果。在4個(gè)大規(guī)模問(wèn)題上的實(shí)驗(yàn)表明:與采取硬劃分的快速模塊化支持向量機(jī)(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(xùn)練時(shí)間的條件下，psfm2SVMs減少了由于訓(xùn)練集分割導(dǎo)致的分類器泛化能力下降。支持向量機(jī)方法的本質(zhì)是在訓(xùn)練集的一個(gè)高維像空間中尋找最大間隔分類超平面，這個(gè)分類超平面對(duì)應(yīng)于訓(xùn)練集所在空間的一個(gè)光滑曲面。如果采用訓(xùn)練集分割的方法，將這個(gè)光滑曲面分段求出，然后進(jìn)行連接，就可以得到這個(gè)光滑曲面的近似曲面。該算法使用平行超平面簇對(duì)訓(xùn)練集實(shí)施軟劃分，使得拼接后的分類面相比f(wàn)m2SVMs得到的分類面更光滑，更接近最優(yōu)分