提出了多标记分类和标记相关性的联合学习(JMLLC),在JMLLC中,构建了基于类别标记变量的有向条件依赖网络,这样不仅使得标记分类器之间可以联合学习,从而增强各个标记分类器的学习效果,而且标记分类器和标记相关性可以联合学习,从而使得...提出了多标记分类和标记相关性的联合学习(JMLLC),在JMLLC中,构建了基于类别标记变量的有向条件依赖网络,这样不仅使得标记分类器之间可以联合学习,从而增强各个标记分类器的学习效果,而且标记分类器和标记相关性可以联合学习,从而使得学习得到的标记相关性更为准确.通过采用两种不同的损失函数:logistic回归和最小二乘,分别提出了JMLLC-LR(JMLLC with logistic regression)和JMLLC-LS(JMLLC with least squares),并都拓展到再生核希尔伯特空间中.最后采用交替求解的方法求解JMLLC-LR和JMLLC-LS.在20个基准数据集上基于5种不同的评价准则的实验结果表明,JMLLC优于已提出的多标记学习算法.展开更多
研制了一款K波段(23~25 GHz)收发一体化多功能芯片。该芯片集成了单刀双掷开关(SPDT)、接收支路低噪声放大器和发射支路高效率功率放大器。为兼顾低噪声和高效率功率特性,对电路的拓扑结构进行了优化选择和设计。在器件特征工作频点,采...研制了一款K波段(23~25 GHz)收发一体化多功能芯片。该芯片集成了单刀双掷开关(SPDT)、接收支路低噪声放大器和发射支路高效率功率放大器。为兼顾低噪声和高效率功率特性,对电路的拓扑结构进行了优化选择和设计。在器件特征工作频点,采用开关模型、噪声模型和非线性大信号模型进行联合仿真设计。测试结果表明,该收发一体多功能芯片在23~25 GHz范围内,接收支路增益23 d B、噪声系数2.5 d B,工作电流仅为12 m A;发射支路增益为30 d B,1 d B压缩点输出功率为18.7 d Bm,功率附加效率达到30%,动态电流仅为70 m A。芯片尺寸小,仅为3.5 mm×2.5 mm。展开更多
文摘提出了多标记分类和标记相关性的联合学习(JMLLC),在JMLLC中,构建了基于类别标记变量的有向条件依赖网络,这样不仅使得标记分类器之间可以联合学习,从而增强各个标记分类器的学习效果,而且标记分类器和标记相关性可以联合学习,从而使得学习得到的标记相关性更为准确.通过采用两种不同的损失函数:logistic回归和最小二乘,分别提出了JMLLC-LR(JMLLC with logistic regression)和JMLLC-LS(JMLLC with least squares),并都拓展到再生核希尔伯特空间中.最后采用交替求解的方法求解JMLLC-LR和JMLLC-LS.在20个基准数据集上基于5种不同的评价准则的实验结果表明,JMLLC优于已提出的多标记学习算法.
文摘研制了一款K波段(23~25 GHz)收发一体化多功能芯片。该芯片集成了单刀双掷开关(SPDT)、接收支路低噪声放大器和发射支路高效率功率放大器。为兼顾低噪声和高效率功率特性,对电路的拓扑结构进行了优化选择和设计。在器件特征工作频点,采用开关模型、噪声模型和非线性大信号模型进行联合仿真设计。测试结果表明,该收发一体多功能芯片在23~25 GHz范围内,接收支路增益23 d B、噪声系数2.5 d B,工作电流仅为12 m A;发射支路增益为30 d B,1 d B压缩点输出功率为18.7 d Bm,功率附加效率达到30%,动态电流仅为70 m A。芯片尺寸小,仅为3.5 mm×2.5 mm。
