基于GSVD的分布式MIMO雷达测向算法

针对分布式多输入多输出(multi-input multi-output,MIMO)雷达测向中存在的数据信息提取不充分、运算量偏大等问题,开展了基于广义奇异值分解(generalized singular value decomposition,GSVD)的测向算法研究,以提高低信噪比条件下的角度估计性能。首先,建立了分布式阵列MIMO雷达回波信号的统一化表征模型;其次,将分布式MIMO雷达系统接收阵列数据的多线程GSVD问题转换为一个联合优化问题,运用交替最小二乘(alternating least squares,ALS)技术实现阵列信号流行矩阵的拟合,并引入子空间类算法实现目标角度联合估计;最后,对优化问题增加l1范数约束,避免了每次迭代中进行的奇异值分解运算,降低了算法运算量。仿真实验从角度联合估计、均方误差、运算时间等方面验证了所提算法的有效性。

基于KDA／GSVD和支持向量机的人耳识别

在高维、小样本的情况下使用Fisher线性鉴别分析的特征提取方法存在病态奇异问题,学者们提出了许多解决此问题的方法。针对小样本问题,并通过对现有人耳识别方法的研究,提出了一种利用KDA/GSVD算法对图像数据进行降维,运用SVM分类器对样本进行判别的人耳识别方法。此外,还对线性判别分析、广义奇异值分解和支持向量机的基本理论等内容做了简要介绍。实验证明,KDA/GSVD很好地解决了由于小样本的问题而导致的LDA算法中类内离散度矩阵不可求逆的问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法。

基于QR和子带分解的GSVD多麦克风语音增强方法研究

在GSVD(Generalized Singular Value Decomposition)多麦克风语音去噪方法中引入子带和QR(Orthogonal-Triangular Decomposition),从而提高了矩阵的分解速度.改进的方法由于对输入信号进行抽取和正三角分解的预处理,降低了计算复杂度.实验结果表明了改进方法的有效性和可行性.

基于GSVD的核不相关辨别子空间与雷达目标识别

该文提出了一种基于广义奇异值分解的核不相关辨别子空间算法,并将其用于高分辨距离像雷达目标识别。新算法结合广义奇异值分解与核方法的优点,有效地解决了传统方法面临的矩阵奇异问题,同时进一步改善了目标的类可分性。其次,依据Fisher准则导出了距离像总散度矩阵零空间中不含有有用辨别信息的结论。利用这一结论,可以在求解核不相关最优辨别矢量之前对各散度矩阵进行预降维,以减小后续运算的计算复杂度。对3类飞机目标实测数据的识别结果表明了所提方法的有效性。

四元数体上Hermite矩阵的最小化问题

该文建立了四元数矩阵对的标准相关分解(CCD-Q).借助CCD-Q,GSVD-Q和有限维内积空间中的投影定理,该文得到了基于四元数矩阵方程AXB=C的Hermite矩阵最小化问题解的表达式.

四元数矩阵方程的最小二乘解(英文)

利用四元数矩阵的广义奇异值分解,给出了下列四元数矩阵方程问题‖AXB-M‖2F+‖CXD-N‖2F=min解的一般表达式.

矩阵方程AXB=C的实部半正定解

通过对分块矩阵为实部半正定阵的充要条件的分析 ,以矩阵的广义奇异值分解 (GSVD)作为工具 ,给出了矩阵方程AXB =C有实部半正定解的充要条件以及这种解的一般形式。

矩阵广义奇异值分解的一个新证法及推论

从矩阵对的CS分解理论出发,给出了广义奇异值分解的一个新的证明.给出了关于矩阵对广义奇异值的三个有用的推论.最后给出了计算矩阵对的广义奇异值分解的一个算法.数值实例说明算法是可行且有效的.

基于协方差矩阵同时对角化的盲信号分离算法

提出了基于自相关协方差矩阵同时对角化的两个盲源信号分离算法.利用广义奇异值分解(GSVD)算法,将源信号观测数据预白化后的零阶和一阶自相关协方差矩阵同时对角化,估算出两路源信号.与二阶盲识别(SO-BI)算法进行了比较,该算法具有计算简单且运算精度高的优点.在线性混合加噪模型下,计算机仿真表明该算法的有效性.

基于广义奇异值分解的通用旁瓣消除算法

提出一种新的通用旁瓣消除器结构,它利用广义奇异值分解(Generalized singular value decomposition,GSVD)技术,通过广义奇异向量的变换间接估计声源到麦克风之间的传递函数。不同噪声环境下的实验结果表明,与现有的各种GSC算法相比,该算法能够更有效地抑制混响和噪声,并且增强后的语音失真最小。

基于广义奇异值分解算法的电离层三维层析模拟

为了研究广义奇异值分解(GSVD)算法在电离层三维层析中的可行性,利用IRI2001模型所提供的电子密度场构建的TEC模拟观测值。根据不同的测站、卫星源和初值,设计了4组模拟实验,利用广义奇异值分解算法反演电子密度。通过对比电子密度的模拟反演值和模拟真值,分析了站点分布、射线数量和初值选取对层析结果的影响。研究结果表明,广义奇异值分解算法理论上可用于电离层三维层析研究。在理想情况下,利用广义奇异值分解算法可较好地重建电离层电子密度三维分布。但当测站分布不好,或有效射线数较少时,重建质量将会受到较大的影响,在实际应用中合理选取初值可较好地重建电离层三维电子密度分布。

脑机接口的广义核线性判别分析方法研究

针对脑机接口中脑电信号处理,提出了一种基于核方法和广义奇异值分解(GSVD)的广义核线性判别分析(GKLDA)方法,对两类脑电信号进行特征提取。首先在非线性核函数映射的核空间对样本做线性判别分析,针对"小样本采样问题",采用GSVD求解一种非线性空域滤波器。算法验证中,采用BCI竞赛一数据集、竞赛二数据集Ⅳ和竞赛三数据集ⅢB中S4b等3组公开数据,以及一组自行采集的想象左右手运动的数据,同时分别与核共空间模式(KCSP)、核线性判别分析(KDA)、广义判别分析(GDA)进行对比。分类器采用Fisher线性判别分析分类器。所提出的方法针对3组公开数据,正确率分别为93%、77%、80%,自行数据正确率为97%,且优于其他几种核方法。实验结果表明,GKLDA方法是脑机接口中一种新的有效的特征提取方法。

一个约束最小二乘问题(英文)

约束最小二乘问题在许多科学工程领域中有重要应用。给出了两类约束最小二乘问题有解的充分条件和必要条件,并且给出了一般解的表达式。

监督降维算法的计算和理论分析

在小样本条件下,由于离散矩阵的奇异性,作为监督降维的传统线性鉴别分析(LDA)并不能直接计算.许多扩展算法被提出以克服此问题,一般可分为3类:基于类内离散矩阵零空间的方法、基于总体离散矩阵列空间的方法和基于其它子空间的方法.为了深入了解前2类算法的特性,作了计算和理论分析,并得出结论:在满足一定条件下(小样本高维数据一般都满足),基于类内离散矩阵零空间和基于总体离散矩阵列空间的方法具有等价关系,仅最优矢量集的约束条件和实现途径有所区别.在人脸数据库ORL和YALE上的比较实验结果亦证实了上述结论.

线性流形上广义次对称矩阵的加权最小二乘解

运用矩阵的奇异值分解及矩阵对的广义奇异值分解得到了线性流形上广义次对称矩阵在加权范数下的最小二乘解,同时导出了解集合中与给定矩阵的最佳逼近解的表达式.

线性流形上次反对称矩阵的加权最小二乘解

利用矩阵的奇异值分解和矩阵对的广义奇异值分解,得到一类线性流形上次反对称矩阵在加权范数下的最小二乘解,导出解集合中与给定矩阵最佳逼近解的表达式.

一种基于广义奇异值分解的无关联线性判别分析算法

有监督学习旨在样本数据集中找到最优判决向量。线性判别分析(LDA)和无关联线性判别分析(ULDA)是解决该问题的常用方法。研究中改进了古曲LDA方法使其与ULDA等价,并给出了相应求判决向量的ULDA/QR算法来简化ULDA中对判决向量的求解;为了有效地解决LDA方法和ULDA方法中类内散布矩阵奇异性的问题,提出了一种基于ULDA/QR,正则LDA和广义奇异值分解(GSVD)的无关联线性判别分析算法。

矩阵方程AXB=C的最小二乘Hamilton解

对于任意给定的矩阵A∈R^(k×2m),B∈R^(2m×n),G∈R^(k×n),本文利用投影定理,矩阵对的广义奇异值分解(GSVD),标准相关分解(CCD),研究矩阵方程AXB=C的最小二乘Hamilton解,得到了解的表达式.并由此考虑了解集合对给定矩阵的最佳逼近问题.

基于规范变量分析的化工单元多变量统计监控

化工生产过程往往含有大量的过程变量,且过程多处于闭环控制作用下,产生的测量数据常常存在互相关和自相关。规范变量分析(CVA)通过最大化两个变量集间的相关度,实现对高维数据的降维,并得到一组最大限度地解释变量集中信息的规范变量,很好地解决了上述问题。本文介绍一种基于CVA的过程监控方法,并将此方法应用于一实际化工单元的过程监控,利用控制图,及时准确地检测到过程故障,表明了基于CVA的监控方法的有效性。

Generalized Inverse Eigenvalue Problem for (P,Q)-Conjugate Matrices and the Associated Approximation Problem

In this paper,the generalized inverse eigenvalue problem for the（P,Q）-conjugate matrices and the associated approximation problem are discussed by using generalized singular value decomposition（GSVD）.Moreover,the least residual problem of the above generalized inverse eigenvalue problem is studied by using the canonical correlation decomposition（CCD）.The solutions to these problems are derived.Some numerical examples are given to illustrate the main results.