针对传统矿浆细度检测的离线筛分法效率低且不能及时反馈至上层磨矿系统的问题,为开发出细度自动检测技术,提出一种曲面拟合算法,即:基于最小二乘法改进的移动最小截平方法(MLTS-LS,Moving Least Trimmed Square-Least Square)对矿浆细...针对传统矿浆细度检测的离线筛分法效率低且不能及时反馈至上层磨矿系统的问题,为开发出细度自动检测技术,提出一种曲面拟合算法,即:基于最小二乘法改进的移动最小截平方法(MLTS-LS,Moving Least Trimmed Square-Least Square)对矿浆细度数据进行曲面拟合,以达到快速检测矿浆细度的目的。首先,通过细度检测试验采集矿浆细度三维离散数据;其次,计算分析“Nearest”、“Linear”、“Cubic”、“V4”和传统的最小二乘法的曲面拟合评价指标,提出一种改进的插值算法;最后,将“MLTS-LS”算法应用于矿浆细度三维离散数据的拟合。结果显示,“MLTS-LS”算法的和方差值与均方差值明显小于其他算法,且其确定系数值与校正决定系数值均接近于1,表明“MLTS-LS”算法对矿浆细度三维离散数据的拟合效果较好。展开更多
针对目前常用的基于参数化非线性模型(Parameterized Nonlinear Model,PNM)的补偿算法存在易陷入局部最小值,导致补偿性能不稳的问题,该文提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的宽带接收前端非...针对目前常用的基于参数化非线性模型(Parameterized Nonlinear Model,PNM)的补偿算法存在易陷入局部最小值,导致补偿性能不稳的问题,该文提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法(Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC)盲分离接收前端输出信号中的大功率基波信号和其他小功率信号,并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归(Least Squares Support Vector Regression,LS-SVR)算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明:该算法可使宽带接收前端的无杂散失真动态范围(Spurs-Free-Dynamic-Range,SFDR)提高约20 dB,较基于PNM的补偿算法提高了约5 dB.展开更多
针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权...针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权矢量。对LS、LMS和LS-LMS三种算法复杂度分析比较得知新方法的计算量较小,在快拍数较大或阵元与快拍数均较大时都能有效地提高计算效率。仿真实验表明,新方法性能优于LMS算法,具有较快的收敛速度,且收敛速度与干扰环境无关。展开更多
文摘针对传统矿浆细度检测的离线筛分法效率低且不能及时反馈至上层磨矿系统的问题,为开发出细度自动检测技术,提出一种曲面拟合算法,即:基于最小二乘法改进的移动最小截平方法(MLTS-LS,Moving Least Trimmed Square-Least Square)对矿浆细度数据进行曲面拟合,以达到快速检测矿浆细度的目的。首先,通过细度检测试验采集矿浆细度三维离散数据;其次,计算分析“Nearest”、“Linear”、“Cubic”、“V4”和传统的最小二乘法的曲面拟合评价指标,提出一种改进的插值算法;最后,将“MLTS-LS”算法应用于矿浆细度三维离散数据的拟合。结果显示,“MLTS-LS”算法的和方差值与均方差值明显小于其他算法,且其确定系数值与校正决定系数值均接近于1,表明“MLTS-LS”算法对矿浆细度三维离散数据的拟合效果较好。
文摘针对目前常用的基于参数化非线性模型(Parameterized Nonlinear Model,PNM)的补偿算法存在易陷入局部最小值,导致补偿性能不稳的问题,该文提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法(Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC)盲分离接收前端输出信号中的大功率基波信号和其他小功率信号,并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归(Least Squares Support Vector Regression,LS-SVR)算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明:该算法可使宽带接收前端的无杂散失真动态范围(Spurs-Free-Dynamic-Range,SFDR)提高约20 dB,较基于PNM的补偿算法提高了约5 dB.
文摘针对基于训练序列的智能天线自适应干扰抑制系统,提出了一种最小二乘(Least squares,LS)-最小均方(Least mean squares,LMS)智能天线自适应干扰抑制方法,该方法首先利用小快拍数LS方法为LMS方法提供初始加权矢量,然后用LMS算法更新加权矢量。对LS、LMS和LS-LMS三种算法复杂度分析比较得知新方法的计算量较小,在快拍数较大或阵元与快拍数均较大时都能有效地提高计算效率。仿真实验表明,新方法性能优于LMS算法,具有较快的收敛速度,且收敛速度与干扰环境无关。
