基于细化高斯-赛德尔迭代的线性预编码

在大规模多输入多输出预编码系统中,为提高经典迭代低复杂度线性预编码方法的收敛率,给出一种基于细化高斯-赛德尔迭代的快速收敛预编码方法。不同于经典迭代只求逆矩阵的对角矩阵,所给方法先求逆矩阵的带状矩阵,再通过迭代实现快速编码。带状矩阵含带更多信息,可降低编码系统的误码率。仿真结果显示,所给方法能有效提高预编码的收敛速率、减少迭代次数并降低误码率。

用拟高斯赛德尔迭代法求解鞍点问题的一个注记

对大型稀疏矩阵对应的鞍点问题给出了拟高斯赛德尔迭代法,该迭代法是基于对系数矩阵进行的一种添加Q阵的分裂.对该方法的迭代矩阵作了谱半径的讨论,分析收敛性,只有给出简单的左乘变换时该迭代方法才是收敛的.

大规模MIMO系统中块高斯-赛德尔检测算法

最小均方误差(Minimum Mean Square Error,MMSE)检测算法,虽然能在大规模多输入多输出系统中获得接近最优的线性检测性能,但是涉及高维矩阵求逆运算,难以在实际应用中快速有效地实现。提出了块高斯-赛德尔(Block Gauss-Seidel,BGS)低复杂度信号检测算法,将MMSE检测器的滤波矩阵先进行分块预处理,构造分裂矩阵,再通过迭代求解发送信号向量估计值,以提高算法检测性能。仿真结果表明,BGS迭代算法在调制方式为64QAM、用户侧的天线数量设置为16、基站侧的天线数量设置为256时,迭代2次后就能快速接近MMSE检测性能。在设置近似初始值后,BGS算法的性能得到了进一步的改善。当调制方式为256QAM时,设置近似初始值的BGS算法在迭代2次后就能逼近MMSE算法的误码率(Bit Error Ratio,BER)性能曲线,此时算法的复杂度仍然保持在O(K^(2))。

分块高斯-塞德尔迭代的曲线曲面拟合

曲线曲面拟合技术在许多领域扮演着重要的角色,基于高斯-塞德尔迭代法和矩阵分块理论,提出分块高斯-塞德尔迭代的曲线曲面拟合算法,将线性系统分块后按照高斯-塞德尔迭代法进行求解。数值实验结果表明:无论在迭代次数方面,还是在计算时间消耗方面,分块高斯-塞德尔迭代法都优于直接高斯塞德尔迭代法。

高斯-塞德尔迭代求解与国际政策合作分析的方法论研究

高斯-塞德尔迭代求解方法,与博弈论的无限次重复博弈具有相同的指导思想。深入研究发现,高斯-塞德尔迭代法需要解的方程组,正是无限次重复博弈的反应曲线,而迭代法的解,也正是重复博弈下的纳什均衡点。但以往关于国际政策合作的研究仅仅从博弈论的角度进行福利收益分析,虽然取得相当的研究成果,但却无法突破一些技术上限制,重要的一点就是无法突破两国合作分析。文章以哈马达模型为例,将重复博弈的反应曲线与高斯-塞德尔迭代求解的方程组相结合,从技术上突破了国际政策合作不能突破两国模型的问题。并且指出,如果初始条件不允许,则国际政策博弈中将不存在纳什均衡,从而国际政策总是处于不断协调谈判中,但如果各方共同努力,却可以达到合作均衡。

基于状态-动作图测地高斯基的策略迭代强化学习

在策略迭代强化学习中,基函数构造是影响动作值函数逼近精度的一个重要因素.为了给动作值函数逼近提供合适的基函数,提出一种基于状态-动作图测地高斯基的策略迭代强化学习方法.首先,根据离策略方法建立马尔可夫决策过程的状态-动作图论描述;然后,在状态-动作图上定义测地高斯核函数,利用基于近似线性相关的核稀疏方法自动选择测地高斯核的中心;最后,在策略评估阶段利用基于状态-动作图的测地高斯核逼近动作值函数,并基于估计的值函数进行策略改进.10×10格子世界的仿真结果表明,与基于状态图普通高斯基和测地高斯基的策略迭代强化学习方法相比,本文所提方法能以较少的基函数、高精度地逼近具有光滑且不连续特性的动作值函数,从而有效地获得最优策略.

基于卷积码的DFT-S-GMC系统迭代检测算法

针对基于离散傅立叶变换扩频的广义多载波系统(DFT-S-GMC),提出一种新的迭代检测方法。该方法基于DFT-S-GMC系统的频域收发结构,并根据线性最小均方误差(LMMSE)检测所得发送符号的后验均值和方差来表征其统计概率分布,从而完成检测器和译码器的信息传递。仿真结果表明,所提出迭代检测接收算法的性能明显优于传统的非迭代检测接收算法,并且在卷积码下的迭代检测性能超过了Turbo码下的非迭代检测性能,而其实现复杂度则有较大降低。

基于迭代正则化高斯-牛顿法的非线性Urysohn积分方程数值解

非线性Urysohn积分方程在许多领域中都有广泛的应用,但由于该方程具有不适定性的特点,数据的微小扰动可能导致解的巨大变化,给数值求解带来很大困难.为了获得稳定的、准确的数值解,本文利用迭代正则化高斯-牛顿法对此方程进行求解,给出了利用Sigmoid-型函数确定迭代正则化参数的方法.对一类重力测定问题进行了数值模拟,将得到的数值解和相应的精确解作比较.结果表明,本文提出的方法在求解非线性Urysohn积分方程时是可行的也是有效的.

基于高斯-牛顿迭代的非正交联合对角化算法

针对传统的分离算法因迭代次数过多而不能满足通信信号分离时对信号实时处理的要求,将最佳权矩阵引入到联合对角化准则中,提出了一种改进的基于"高斯-牛顿"迭代法的非正交联合对角化算法(WEDGE),提高了算法的分离性能和收敛速度.仿真结果验证了算法的有效性.

基于软干扰消除的TH-UWB迭代多用户检测算法

多址干扰已经成为影响UWB系统性能的重要因素,将Turbo理论中的迭代思想与多用户检测技术相结合,提出了一种基于软干扰抵消的迭代多用户检测算法,为进一步降低算法复杂度,对软干扰抵消后的剩余干扰进行高斯近似。仿真实验表明,在AWGN信道条件下,经过几次迭代后多址干扰被有效抑制,使用该算法的接收机性能明显优于传统接收机。

涡轮编码迭代检测在多输入多输出-正交频分复用系统中的应用

垂直分层空时码技术是多输入多输出-正交频分复用系统常采用的一种检测方法,但是其计算方法非常复杂.空频分组码是一种比较有效的技术,可以提高数据在多道无线信道传输的效率.本文提出一种将空频分组码与垂直分层空时码系统相结合的方法,并通过使用turbo码的迭代检测来改善信道估计性能.实验证明:该方法不仅可以简化系统的复杂度,还使得系统在快衰落信道中也具有较好的性能.

高速移动环境下OTSM迭代检测算法研究

正交时序复用(Orthogonal Time Sequency Multiplexing,OTSM)通过级联时分和沃尔什-哈达玛(WHT)复用将信息符号在时延和序列域进行复用。由于WHT在调制解调过程不需要进行复杂的乘法运算,相比于正交时频空(OTFS)调制有更低的调制复杂度。该文针对高速移动环境下的OTSM系统提出了一种二级均衡器:首先利用信道矩阵的稀疏性和带状结构在时域逐块进行低复杂度MMSE检测;随后采用高斯-赛德尔(GS)迭代检测进一步消除残余符号干扰。仿真结果表明,所提算法与基于单抽头频域均衡的GS迭代检测算法相比,采用16QAM调制且误码率为10–4时有1.8 dB性能增益。

中国农业生产经营行为的中长期预测——基于高斯-牛顿(Gauss-Newton)迭代的预测方法

本文重点针对中国的农业家庭式生产方式进行研究,将中国“家庭小农户”的基本情况、时间变化、重要指标特征从宏观和微观的角度进行数据统计及归纳。结合理论分析法,展望中国农业小规模生产经营的未来情形,利用数理模型和国际数据的横向比较预测未来中国农业人口、劳动参与率、农业平均生产率和农业经济增长率等指标的潜在变化趋势,回答在家庭生产经营占主导地位的情况下未来中国农业的发展速度和发展质量(生产率),并基于跨国“收敛”规律所呈现的共同属性、农业人口构造以及加入就业的独特属性,得到未来中国各年“农业生产发展质量的隐藏提升率”与“农业劳动力增长率”的数据。通过统计整理得出对应每年的潜在经济增长率,由此可以获得对应的预估结论。结论显示,2018年中国潜在农业增长率为4.97%(4.84%~5.10%),2019年中国潜在农业增长率为4.93%(4.81%~5.05%),2020—2024年将降至4.83%(4.62%~5.02%)、2025—2029年将降至4.40%(4.28%~4.65%)、2030—2034年将降至4.07%(3.90%~4.19%)、2035—2039年将降至3.93%(3.79%~4.06%)、2040—2044年将降至3.80%(3.70%~3.89%)、2045—2049年将降至3.65%(3.61%~3.69%)。

重力异常界面反演的Gauss-Newton方法及其隐式迭代实现

首先根据重力异常积分公式及重力异常实测数据将确定异常源的密度界面问题归结为求非线性泛函极小化的变分问题，并在Ｈｉｌｂｅｒｔ空间中应用Ｇａｕｓｓ－Ｎｅｗｔｏｎ迭代方法进行求解．在实际计算中采用有限维试验函数空间对模型进行离散，每次迭代的增量由隐式迭代方法给出。

大规模MIMO系统上行链路中改进的混合迭代检测算法

信号检测的任务是通过基站接收到的信号来估计出用户的发送信号。在大规模MIMO系统上行中,基于最速下降(Steepest descent,SD)算法和高斯-赛得尔(Gauss Seidel,GS)迭代的混合迭代(SDGS)算法解决了最小均方误差(Minimum mean square error,MMSE)算法中矩阵求逆的运算问题,将复杂度从O(K3)降为O(K2)(其中K为用户数)。同时,SD算法有很好收敛方向的特性加快了检测速度。本文基于SDGS算法,改进了其中对数似然比(Log likelihood ratio,LLR)的计算,在保持低复杂度(O(K2))的同时,改善检测性能。仿真结果表明,经过几次迭代后,改进后的混合迭代算法收敛较快并接近MMSE检测性能。

基于自适应迭代学习算法的一类非线性系统故障检测与估计

针对迭代学习算法在非线性系统故障检测与估计过程中存在估计误差较大和收敛速度较慢等不足的问题,提出了一种基于龙格–库塔故障估计观测器模型的自适应迭代学习算法,有效降低了故障估计误差;并引入H∞性能指标,提高了故障估计观测器的收敛速度.该算法首先设计故障检测观测器对故障进行检测,然后设计故障估计观测器,并将自适应算法与迭代学习策略相结合,使得估计故障逐渐逼近真实故障,从而实现对非线性系统中多种常见故障的精确检测与估计.最后,通过机械臂旋转关节驱动电机的执行器故障仿真验证了所提算法的有效性.

基于组合牛顿迭代法的改进IEKF及其在UNGM中的应用

从高斯-牛顿迭代的角度对迭代扩展卡尔曼滤波(IEKF)进行分析,提出了一种基于组合牛顿迭代法的改进IEKF算法。该算法通过实时判断每次迭代对状态的逼近程度,采用加权平均的方法确定新的迭代值,继而采用卡尔曼滤波框架对状态进行量测更新。新算法较传统的IEKF具有精度高以及对初值不敏感的优点。实例仿真验证了该算法的有效性。

迭代容积卡尔曼粒子滤波算法

针对标准粒子滤波算法粒子退化和贫化问题,提出了一种基于高斯-牛顿迭代思想的容积卡尔曼粒子滤波算法.该算法利用当前量测信息,使用容积数值积分原则通过以一组确定的点集和相应的权值直接计算非线性随机函数的均值和方差,避免了求导运算,并通过Gauss-Newton迭代方法对容积卡尔曼滤波(CKF)的非线性最小二乘问题进行求解,减小了线性化误差,以此来产生粒子滤波算法的重要性密度函数,使得迭代CKF产生的重要性密度函数更接近于真实后验概率分布,从而改进了滤波性能.仿真结果表明,与粒子滤波和CPF滤波相比,迭代CKF粒子滤波具有更高的估计精度.

退化情形下高斯-赛德尔迭代法的几个问题

高斯-赛德尔迭代法是一种经典的求解线性方程组的迭代算法,它对数值线性代数及数值最优化的发展产生了深远的影响.本文主要讨论求解系数算子自伴随且半正定但未必正定的线性方程组的(即退化情形的)高斯-赛德尔迭代法.我们回顾该算法收敛性分析的发展历史,并从与线性方程组等价的无约束凸二次规划问题出发,讨论基于高斯-赛德尔迭代的分块坐标下降法的收敛性,从而等价地得出高斯-赛德尔迭代法求解这类线性方程组的收敛性.与此同时,我们还将讨论与高斯-赛德尔迭代法密不可分的对称高斯-赛德尔迭代法,对比两者收敛性分析的异同.事实上,这其中的不同之处既促使了本文给出无约束凸二次规划问题分块坐标下降法的收敛性证明,又为很多相关问题的后续研究提供了动机.最后,基于本文内容,我们将提出一些与之密切相关但尚未解决的问题,并把它们作为进一步深入研究的对象.

基于迭代无迹卡尔曼滤波的SLAM算法仿真研究

对迭代无迹卡尔曼滤波算法在SLAM问题中的应用进行仿真研究。通过仿真分析发现,与一般的无迹卡尔曼滤波算法相比,迭代的算法有时无法提高SLAM的精度,继而探讨了SLAM问题中选择采用迭代算法的条件;同时针对迭代算法的观测更新阶段,用阻尼的高斯-牛顿迭代方法改进完全高斯-牛顿迭代方法,从而提出一种改进的基于迭代无迹卡尔曼滤波的SLAM算法。仿真实验对提出的迭代条件进行了验证,仿真结果表明提出的SLAM算法与无迹卡尔曼滤波算法相比,可以进一步提高SLAM问题的估计精度。