冰下非高斯噪声下的范数约束波束形成方法

为解决冰下环境中噪声模型失配导致方位估计误差较大的问题,提出了一种基于范数约束的波束形成方法。该方法通过对接收信号进行范数约束来优化数据协方差矩阵,克服非高斯噪声带来的模型失配问题,提升方位估计的准确率。信号范数约束的性能分析表明,范数约束可有效抑制非高斯噪声。仿真及试验结果表明,在冰下环境中对接收信号进行范数约束后再实施波束形成可有效提高方位估计结果的准确度和稳定性。

基于Optuna框架的L_(p)范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_(p)范数约束的代价敏感的多核支持向量机(L_(p)-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_(p)范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_(p)-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_(p)-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。

基于DSSIM非范数约束增强的对抗训练方法

针对当前对抗训练(AT)中存在的鲁棒过拟合问题,即在对抗训练超过一定轮次后,网络模型对抗防御能力出现不升反降的现象,本文提出了一种基于结构相异性非范数约束增强的对抗训练方法(DSSIM-AT)。该方法将非范数约束引入到对抗训练过程中用于对抗样本生成,根据样本间的结构相异度剔除对抗样本中的无语义特征,使得生成的对抗样本更适合于对抗训练。该方法进一步设计了梯度异步更新机制,优化对抗样本生成与模型参数更新耗时问题。实验结果表明,该方法可有效缓解对抗训练鲁棒过拟合情况,相比于已有对抗训练方法,可以将CIFAR-10数据集上的干净样本识别准确率提高约3%,同时对抗样本识别准确率提高约4%~8%。

基于稀疏范数约束的低空飞行目标声信号自适应滤波技术

在执行低空飞行目标声探测任务时,往往会受到风、雨声等自然环境中宽谱噪声的影响导致探测性能下降,需采用一定的降噪算法对传声器接收混合声信号进行预处理。本文采用基于稀疏范数约束的自适应滤波技术对混合声信号进行处理,通过仿真和实测数据验证,相较于传统自适应滤波算法,基于稀疏范数约束的自适应滤波对低空飞行目标声信号具备更优的降噪性能。

基于压缩感知的反射系数域沿层L_(2)范数约束去强屏蔽方法

常规的压缩感知方法均是基于反射系数稀疏反演提高地震资料分辨率,而对于强屏蔽层信息和储层弱信息耦合叠加情况而言,效果并不理想,原因在于在剥离强反射层的同时往往会损失弱反射层的信息,从而不能有效预测储层。为此,基于压缩感知稀疏表示能力强的特点,利用反射系数域分辨率高和不存在子波重叠的优势,提出了基于压缩感知的反射系数域沿层L_(2)范数约束去强屏蔽方法。该方法基于压缩感知理论,首先根据时域反射系数域稀疏特性,利用沿层信息分离强屏蔽层与储层,再进行稀疏反演,最后将去强屏蔽后的反射系数与原子波褶积,从而获得去强屏蔽层的高分辨率结果。其优势在于高分辨率的反射系数能够分离强屏蔽层与储层的信息,有利于拾取和剥离强屏蔽层。模型测试和实际地震资料的应用表明:利用所提方法可以精准分离强屏蔽层反射信息与储层弱反射信息,提高储层识别精度;在剥离强屏蔽层的时频切片上,可以看见表征储层的弱能量团,并出现低频伴影现象;在剥离强屏蔽层的沿层能量半时属性切片上,能量半时属性与滩坝砂体储层的相关性较好,可以有效识别有利储层区域。

引入梯度导引似p范数约束的稀疏信道估计算法

为克服l0和l1范数约束的最小均方算法在不同信道稀疏程度下对稀疏信道估计中出现的收敛性能起伏较大等缺点,提出一种新的似p范数约束的最小均方算法,通过在最小均方算法代价函数中引入p值可变的似p范数约束以适应信道的不同稀疏程度,并在验证代价函数凸性的基础上导出p值的梯度导引寻优。最后给出仿真实验及其讨论,实验结果表明了新算法的优越性。

可适应稀疏度变化的非均匀范数约束水声信道估计算法

对于具有典型时频双重扩展特性的水声信道,利用其稀疏分布特性在估计算法中引入范数约束可提高信道估计性能。但当水声信道多径稀疏度变化时,经典的l0或l1范数约束由于缺乏对不同稀疏模式的适应性,将导致性能下降。通过引入非均匀范数约束自适应算法并对其进行收敛性分析,针对水声信道稀疏度变化利用该算法通过非均匀范数的形式提高适应性。不同接收深度水声信道的仿真及海上实验结果表明,该算法相对经典的l0或l1范数约束算法有较明显的性能改善。

基于两步加权L_1范数约束的高分辨率波达方向和功率估计

该文提出一种基于两步加权1L范数约束的波达方向(DOA)和功率联合估计新算法。该算法首先对阵列协方差矩阵元素进行求和平均运算获得统计性能更优的向量观测模型,进而在相应的过完备基下获得观测模型的稀疏表示。利用MUSIC谱函数和初始估计结果作为权值构建两步加权1L范数约束稀疏重构方法,重构获得多信源的DOA和功率估计。通过2c分布函数选择了合理的正则化参数。计算机仿真结果显示,与同类其它方法相比,该文所提算法具有更高的分辨率和估计精度。

范数约束下半参回归模型参数估计及其性质

给出了半参回归模型在一类新的参数约束‖β‖≤M下的估计问题,并近一步研究了该估计的一些性质如有偏性,及协方差的单调性质.

Banach空间中线性系统范数约束可达性

研究无穷维控制系统，范数约束可达性，其中ｘ∈Ｘ，１≤ｐ≤∞，Ｘ，Ｕ是自反Ｂａｎａｃｈ空间．文中提出一致范数约束可达性概念，得到充分必要条件．

基于L_(1/2)范数约束增量非负矩阵分解的SAR目标识别

增量非负矩阵分解(INMF)随目标样本增加逐渐更新分解模型,能够有效解决NMF算法的计算代价随样本增加而成倍增长的问题。然而INMF在使NMF具备增量学习能力的同时,并未考虑NMF分解矩阵的稀疏性对识别性能的提升作用。针对上述问题,提出基于L1/2范数约束的增量非负矩阵分解(L1/2-INMF)算法,并应用于SAR目标识别。L1/2-INMF采用L1/2范数实时约束增量过程中的NMF分解矩阵,能够在不增加计算复杂度的同时,提升识别性能。针对MSTAR数据集的仿真实验结果表明,提出的L1/2-INMF能够解决传统非负矩阵分解方法计算代价随样本增加而增加的问题。

基于混合范数约束的非均匀稀疏水声信道估计方法

水声信道具有明显的簇状稀疏特性,即稀疏的信道冲激响应大部分为零或接近零的小值系数,而非零值系数是以簇的形式非均匀分布于时延域。为此该文提出了一种基于非均匀混合范数约束仿射投影算法的水声信道估计方法。该方法首先根据信道簇状结构对其进行非均匀分组,基于此将l21范数约束规则加入仿射投影算法中,具体方法为对簇状部分施加l2范数约束,有效提高系数间的相关性,而簇状结构与其他零值抽头之间利用l1范数约束实现了整体的稀疏特性。数值仿真以及深海远程水声通信试验数据处理结果表明了该文所提出的水声信道估计算法相较现有稀疏信道估计方法能够实现更快的收敛速度以及更高精度的信道估计结果。

最大熵和l2,0范数约束的无监督特征选择算法

无监督特征选择可以降低数据维数,提高算法的学习性能,是机器学习和模式识别等领域中的重要研究课题。和大多数在目标函数中引入稀疏正则化解决松弛问题的方法不同,提出了一种基于最大熵和l2,0范数约束的无监督特征选择算法。使用具有唯一确定含义的l2,0范数等式约束,即选择特征的数量,不涉及正则化参数的选取,避免调整参数。结合谱分析探索数据的局部几何结构并基于最大熵原理自适应的构造相似矩阵。通过增广拉格朗日函数法,设计了一种交替迭代优化算法对模型求解。在四个真实数据集上与其他几种无监督特征选择算法的对比实验,验证了所提算法的有效性。

l_0-范数约束的稀疏多径信道分数间隔双模式盲均衡算法

针对深衰落稀疏多径信道下多进制相移键控(Multiple Phase Shift Keying,MPSK)信号的盲均衡问题,提出了一种l_0-范数约束的分数间隔稀疏自适应双模式盲均衡算法.该算法借鉴传统的分数间隔双模式盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l_0-范数对均衡器抽头系数进行稀疏性约束,构造出一种l_0-范数约束的分数间隔双模式最小均方误差代价函数,然后依据梯度下降法推导出盲均衡器抽头系数更新公式,并对迭代步长进行归一化和比例系数化.理论分析和仿真实验表明,与基于门限稀疏化的盲均衡算法、基于分数阶范数的盲均衡算法及分数间隔双模式盲均衡算法相比,本文所提算法在保证较快收敛速度的前提下,能有效降低剩余符号间干扰.本文设计的盲均衡算法为水声通信系统中接收方恢复出发送信号,提供了一种快速有效的方法.

部分范数约束的稀疏恢复算法及其在单载波水声数据遥测中的应用

对于单载波水声数据压缩与恢复问题,压缩感知能以较低能耗获得信号压缩与恢复效果。但压缩感知核心目标是直接求最小l_0范数,该问题表现为NP难问题,因此,常将其转化为求l_1范数约束最小化问题,而求l_1范数约束最小化的稀疏解精度有限。基于此,推导出基于部分范数约束的稀疏信号恢复算法,该算法通过部分范数约束在拉格朗日求解中增加一个零吸引项,从而动态分配稀疏抽头的软阈值。同时,该算法用于实际海上数据的遥测,结合离散余弦变换(DCT),可将单载波水声数据恢复精度提高。

l_0-范数约束的稀疏多径信道RLS常模盲均衡算法

针对稀疏多径信道下MPSK信号的快速盲均衡问题,提出了一种l_0-范数约束的递归最小二乘常模盲均衡算法.该算法借鉴传统的递归最小二乘常模盲均衡算法思想,结合稀疏自适应滤波理论,首先利用l_0-范数对均衡器抽头系数进行稀疏性约束,构造出一种l_0-范数约束的加权最小二乘误差代价函数,然后依据递归最小二乘算法推导出均衡器抽头系数更新公式.该算法发挥递归最小二乘常模算法收敛速度快的优势,并对幅度极小系数附加零点吸引调整,从而实现不同幅度抽头系数的快速收敛.理论分析与仿真结果表明,与现有算法相比,该算法在保证较低剩余符号间干扰的前提下,能有效提高均衡器的收敛速度.

矩阵方程AX=B的范数约束最小二乘解

为了求解矩阵范数约束下矩阵方程AX=B的最小二乘解问题,提出了一种迭代算法。该算法以广义Lanczos信赖域算法为基本框架,弥补了其不能求解矩阵方程的缺陷。数值实验表明,该算法是有效的。

变步长似p范数约束稀疏水声信道估计方法

针对范数约束类归一化最小均方(NLMS)算法在正交濒分复用(OFDM)稀疏水声信道估计中误码率较高的问题,提出一种改进的变步长似P范数约束信道估计方法。采用改进双Logistic函数构造步长,并将误差信号自相关函数引入其中,实时调整步长和零吸引项,使得收敛速度和估计精度能够很好地折中。算法仿真结果表明,在浅海多径稀疏水声信道下,相比于传统方法,所提出的信道估计获得的最高性能提升为收敛速度提高72.3%,稳态误差降低95.9%。湖上试验数据处理结果显示,相比于传统信道估计方法,所提出的方法能使通信误码率降低2~3个数量级,实现零误码水声通信.

水声通信近似L_(0)范数约束的BP网络均衡器

针对稀疏水声信道的长时延扩展及梯度下降的权值迭代方案导致的神经网络均衡器收敛速度慢的问题,提出了近似L0范数约束的BP神经网络均衡器。首先在传统BP网络均衡器基础上增加判决反馈项,然后在代价函数中对均衡器输入层到隐含层的权值增加L0范数约束,构造新的代价函数,利用高斯族函数近似L0范数约束,并根据不同隐层神经元节点输出权值的L2范数设定近似参数。仿真结果表明,稀疏信道条件下,本方法相比传统的BP网络均衡器收敛速度更快,误码率更低,可以有效提升神经网络均衡器的性能。

带范数约束不确定线性离散系统H_∞控制器设计

应用线性离散系统的Ｈ∞优化理论，针对带范数约束的不确定线性离散系统的鲁棒性要求和不确定范数约束条件，给出了设计Ｈ∞控制器的方法．经试验结果表明：可以不考虑非线性不确定系统，而只考虑相关的线性不确定系统，就可以根据黎卡特不等式方程设计出一个线性状态反馈器．