在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,ISC)的基础上,提出了一种新的自适应时频分析方法―――局部特征尺度分解(Local charac- teristic-scale decomposition,LCD),该方法可以自适应地将一个复杂信号分解为若干个ISC 分量之和.分别采用LCD方法和经验模态分解(Empirical mode decomposition,EMD)方法对仿真信号进行了分析,分析结果表明:2种方法都可以有效地对信号进行分解,但LCD

针对高维数据的维灾问题，采用核熵成分分析方法降维数据，并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类，以验证算法有效性。实验结果表明，KECA在较低的维数时仍然能获得较好的分类精度，可以减少后续的处理复杂度和运行时间，适用于机器学习、模式识别等领域。

传统蚁群算法在求解中容易出现搜索时间长、收敛过早或停滞现象,为克服这些缺点,通过对蚁群算法进行选择策略、信息素更新等方面的改进,以加快算法的收敛速度,提高算法的搜索能力。再将改进后的蚁群算法引入物流运输车辆调度、综合车辆调度理论,对物流运输车辆的优化调度进行了探讨,对有时间窗车辆调度问题(VSPTW)探求新的求解方法,运用Matlab语言进行编程实现,应用实例对算法进行验证。实践证明,改进后的蚁群算法基本上克服了一般蚁群算法自身的不足,提高了算法的性能。

现有的DOA估计算法都是基于较为理想的模型提出的,在实际工程中,这些算法的性能受快拍数少、阵列误差的影响会严重恶化.针对这一问题,文中提出一种稳健的未知信源数目的DOA估计算法.该算法先利用投影变换技术对阵列接收数据进行预处理,抑制模型误差并降低数据维数,从而提高算法的稳健性并减少计算量,然后根据变换后的m-Capon算法空间谱函数估计DOA.仿真结果表明:该方法在快拍数少、系统误差不大(小于10%)的情况下依然具有一定的方位“超分辨”能力,而且有较强的稳健性,性能远优于现有的MUSIC算法和对角加载m-

数学一数学二数学三适用 高教版考试用书均包含。 内容包括：大纲、例题、解析

全国2012年7月高等教育自学考试教育学（一）试题.pdf

全国2012年7月高等教育自学考试计算机软件基础（二）试题.pdf

浙江省2012年1月高等教育自学考试汽车发动机原理与汽车理论试题.pdf

浙江省2012年10月高等教育自学考试汽车发动机原理与汽车理论试题.pdf

全国2012年4月高等教育自学考试计算机软件基础（二）试题.pdf