基于LS+AR模型的三种方式预报地球自转参数的比较

为研究最小二乘(least squares,LS)模型和自回归(autoregression,AR)模型的组合(LS+AR)方法用于地球自转参数(Earth rotation parameters,ERP)的预报时,不同的预报方式对预报结果的影响,我们采用递推、迭代和间隔这3种预报方式对ERP进行预报。结果表明,这3种方式对日长变化(length of day,LOD)所有跨度预报的精度相当,而递推方式在极移所有跨度的预报上表现出精度优势,间隔方式次之,迭代方式最差。在数据利用率和计算速度方面,递推和迭代方式的数据利用率高,但前者的计算量明显小于后者,而间隔方式的数据利用率低,但计算速度最快。

迭代再权q范数正则化LS SVM分类算法

提出一种迭代再权q范数正则化最小二乘支持向量机(LS SVM)分类算法。该算法通过交叉校验过程选择正则化范数的阶次q(0<q<∞),具有分类效果稳定、收敛快、运行速度快的特点。使用该算法和LS SVM对比3组癌症数据,实验结果表明,该算法能够实现自适应特征选择,且比LS SVM推广能力强,在算法耗时方面优于LS SVM。

基于符号检测辅助的LS干扰对齐算法

干扰对齐(IA)作为一种干扰消除技术,通过压缩信号使干扰信号与期望信号相互独立,能有效地消除干扰信号的影响。传统IA在设计收发机的过程中由于对数据流做了期望处理,使得设计并不严格合理。根据传统的最小二乘干扰对齐(LS-IA)算法,对其在收发机算法设计上的缺点进行改善,在传统算法上引入符号检测辅助(SDA),即:首先基于传统LS-IA的设计收发机的预编码矩阵和迫零矩阵,然后进行符号检测,最后根据检测符号再次进行迭代计算设计收发机。通过计算机仿真证明,所提算法比传统的LS-IA在MSE和BER性能上各提升了50dB、20dB左右,所以抗干扰性能提升。

基于多变量LS-SVM和模糊循环推理系统的负荷预测

智能电网环境下,电力需求响应的发展给传统用电模式带来重大变化,用户可以根据电能需求结合实时电价调整用电模式,这使得负荷预测变得更加复杂。通过相似日负荷序列局部形相似计算,选取样本数据,采用多输入双输出的最小二乘支持向量机(LS-SVM),对负荷和价格进行同时预测,得到初步预测结果。考虑需求响应条件下实时电价与负荷之间的相互影响,采用基于数据挖掘技术的模糊循环推理系统模拟人的思维过程,通过挖掘电价变化量、负荷变化量等变量之间的关联规则,模拟电价与负荷预测之间存在的博弈过程,对多变量最小二乘支持向量机预测算法的初步预测结果进行循环修改,直至负荷和电价预测结果趋于稳定。多变量最小二乘支持向量机不存在容易陷入局部最优等问题,并且有良好的泛化能力,基于改进的模糊关联规则挖掘算法和循环预测控制算法具有良好的完备性和鲁棒性,能够逼近现实环境的各种可能情况,修正负荷预测结果。针对某电网的实际预测结果表明,该方法具有较好的预测效果。

一种基于RLS算法的XPIC技术研究

采用双极化复用技术能使传输速率和信道容量加倍,但同时因为环境影响或天线的极化隔离度有限等原因,两个极化方向上的信号不再完全正交,两个方向上的信号相互影响,产生交叉极化干扰。分析了进行交叉极化干扰抵消的原理,提出了一种基于最小二乘算法的交叉极化干扰抵消方法,将递推最小二乘（RLS）算法进行改进,在大幅降低RLS算法计算复杂度的基础上实现了干扰抵消,并进行了仿真,比较了3种XPIC算法的计算复杂度和性能。结果表明,采用NIRLS算法的计算复杂度与抵消器抽头系数成线性关系,且能获得更快的收敛速度和更好的跟踪性能。基于NIRLS的XPIC算法更适合快速变化的信道。

基于改进初值带遗忘因子的递推最小二乘法的锂电池参数辨识

锂电池荷电状态(state of charge,SOC)的准确估计依赖于精确的锂电池模型参数。在采用带遗忘因子的递推最小二乘法(forgetting factor recursive least square,FFRLS)对锂电池等效电路模型进行参数辨识时,迭代初始值选取不当会造成辨识精度低、收敛速度慢的问题。为此,将电路分析法与FFRLS相结合,提出基于改进初值带遗忘因子的递推最小二乘法(improved initial value-FFRLS,IIV-FFRLS)。首先,通过离线辨识得到各荷电状态点对应的等效电路模型参数并进行多项式拟合;然后,利用初始开路电压(open circuit voltage,OCV)和OCV-SOC曲线获得初始SOC,代入参数拟合函数得到初始参数;最后,将初始参数带入递推公式得到IIV-FFRLS迭代初始值。对4种锂电池工况进行参数辨识,结果表明:与传统方法相比,IIV-FFRLS的平均相对误差、收敛时间分别减小58%、23%以上;IIV-FFRLS具有更高的辨识精度与更快的收敛速度。

基于最小二乘法的产品满意度预测模型

在简要分析产品满意度对企业的重要性和国内外相关研究的基础上,通过引入最小二乘算法,建立了一种产品满意度预测模型。通过数据刷新,建立了动态的模型修正机制,以提高模型的预测精度,从而为企业确定何时应该改造其产品提供了重要依据。

基于拉曼光谱和最小二乘支持向量机的橄榄油掺伪检测方法研究

为实现橄榄油中掺伪油类型的识别和掺伪量预测,对掺入葵花籽油、大豆油、玉米油的橄榄油共117个样品进行拉曼光谱检测,并用基于多重迭代优化的最小二乘支持向量机模型对掺入油的类型进行识别,综合识别率为97%。同时分别采用最小二乘支持向量机、人工神经网络模型、偏最小二乘回归建立橄榄油中葵花籽油、大豆油、玉米油含量的拉曼光谱定标模型,结果显示最小二乘支持向量机具有最优的预测效果,其预测均方根误差(RMSEP)在0.007 4～0.014 2之间。拉曼光谱结合最小二乘支持向量机可为橄榄油掺伪检测提供一种精确、快速、简便、无损的方法。

一种基于迭代最小二乘法的精确同步方法

最小二乘拟合鉴相曲线的方法可以实现精确同步,但其对粗同步要求苛刻且不能有效对抗频偏。该文通过分析证明当粗同步误差在前后各半个码片周期内时,最小二乘法的测量值介于零和实际值之间。根据该特性提出基于迭代最小二乘法的精确同步方法,并引入分段相关取模策略,以达到抗频偏效果。理论分析表明该方法能够有效消除噪声的影响,并且在分段长度不大的情况下具有很强的抗频偏能力。仿真结果表明该方法具有很强的抗频偏和抗噪声能力,并且在粗同步误差覆盖前后半个码片范围时依然具有很高的测量精度。

基于三角基函数分解的高精度介损角测量方法

为精确测量介损角,克服数字化测量时存在的非同步采样、基波频率波动、谐波变化等因素影响,提出并建立基于三角基函数分解的介损角测量模型,将电力谐波各参数作为未知量,基于最小二乘原理对采样数据进行最速下降迭代求解,准确提取基波电压、电流相位,进而得出介损角,排除直流和谐波分量干扰。从理论上证明该算法的收敛性,针对基波频率波动、介损角真值改变、谐波含量变化、白噪声影响等影响进行仿真实验,结果表明该测量方法使用极少采样点与较低采样率,即可获得较高的测量准确度,测量速度快。设计的基于数据采集卡与虚拟仪器技术的高压电容型设备绝缘在线监测系统,验证了该方法的可行性与有效性。

基于支持向量机的大样本回归算法比较研究

支持向量机的研究是当前人工智能领域的研究热点。基于支持向量机的大样本回归问题一直是一个非常具有挑战性的课题。最近,基于递归最小二乘算法,Engel等人提出了核递归最小二乘算法。文中基于块增量学习和逆学习过程,提出了自适应迭代回归算法。为了说明两种方法的性能,论文在训练速度、精度和支持向量数量等方面,对它们做了比较。模拟结果表明:核递归最小二乘算法所得到的支持向量个数比自适应迭代回归算法少,而训练时间比自适应迭代回归算法的训练时间长,训练和测试精度也比自适应迭代回归算法差。

应用子空间跟踪和递归最小二乘法的间谐波背景下电流基波分量的实时检测

提出一种高精度的间谐波、谐波背景下电流信号基波分量实时提取方法。该方法首先基于高分辨谐波跟踪算法高精度检测电压信号的基波频率,然后基于快速递归最小二乘估计算法求取含间谐波、谐波分量的电流信号的基波分量。高分辨谐波跟踪算法成熟应用于音频信号实时分析,其基于快速逼近幂迭代算法进行子空间跟踪、更新,该算法计算复杂度低,通过分析影响跟踪稳定性的因素,给出了保证计算稳定的实现方法,同时,给出计算阶数、遗忘因子和梯度步长等计算参数的选取原则。快速递归最小二乘估计算法简单、收敛快、计算量小。数值信号分析和IEEE提供的典型实测间谐波信号分析表明:依据给出的计算参数选取原则,应用高分辨谐波跟踪算法能稳定、高精度、快速检测电压信号的基波频率;应用快速递归最小二乘估计能高精度、快速提取电流信号的基波分量,算法稳定、有效。该方法可为实现间谐波、谐波治理提供参考。

基于递归最小二乘的DS-SS系统抗窄带干扰技术

该文针对DS-SS系统的未知窄带干扰,通过分析接收信号统计特性,提出递归最小二乘(RLS)滤波的干扰抑制算法。与盲递推最小二乘算法相比,减少了约束条件,降低了复杂度,而且克服了LS滤波算法不能实时处理的弱点,可以实现快速算法。仿真结果表明,该算法抑制干扰对DS-SS系统性能改善优于自适应线性滤波算法,而且不用考虑算法的收敛性,更利于工程应用。

基于双层自适应遗传算法的机器人参数辨识

激励轨迹的选取和优化是机器人动力学参数辨识的重要基础。为了提高机器人动力学参数的辨识精度,以SCARA机器人为研究对象,设计了基于双层自适应遗传算法的机器人激励轨迹优化方案。运用Newton-Euler法建立了机器人的动力学模型,并对机器人的动力学模型进行线性分离,得到了机器人的最小惯性参数集和对应的观测矩阵。分析机器人的参数辨识方程,确定了观测矩阵条件数最小的优化目标。针对传统遗传算法进行改进,提出了双层自适应机制,提升了算法的全局搜索能力和搜索效率。最后利用MATLAB和ADAMS进行联合仿真实验,使用递推最小二乘法计算机器人的最小惯性参数集。实验结果表明,使用改进的双层自适应遗传算法得到的激励轨迹可以保证机器人动力学参数的辨识精度。

规范状态空间系统辨识方法

因为状态空间模型既包含了未知状态,又包含了未知参数,且二者是非线性乘积关系,使得辨识问题变得复杂.针对这一问题,详细研究了规范状态空间系统的状态与参数联合估计方法.采用交互估计理论,即采用递推方法或迭代方法实现系统状态与参数的交互估计.基本思路是在计算参数估计时,辨识算法信息向量中的未知状态用其估计值代替,然后利用获得的参数估计,设计基于参数估计的状态观测器或基于参数估计的Kalman滤波算法估计系统的状态,二者形成一个交互计算过程(递阶计算过程).沿着这条思路,分别从递推方案和迭代方案,研究和提出了基于状态观测器和基于Kalman滤波状态估计的随机梯度辨识算法、递推最小二乘辨识算法、多新息随机梯度辨识算法、多新息最小二乘辨识算法,以及模型分解的辨识算法,并给出了几个典型算法的计算步骤、流程图和计算量.

迭代无味卡尔曼滤波器

通过对无味卡尔曼滤波器（Unscented Kalman filter，UKF）的误差进行分析，提出了迭代UKF（IUKF）算法。该基本思路是用测量更新后的状态估计去重新对状态量和观测量的一步预测，然后再次应用LMMSE估计子估计状态量的均值和协方差阵，如此多次迭代后的滤波估计输出具有更高的精度和更小的方差，故滤波器表现出更好的一致性。Monte Carlo仿真表明，IUKF主要应用于观测噪声较小的场合，其中的迭代只需进行2～3次即可。

CARMA模型离线最小二乘迭代辨识方法

基于迭代最小二乘原理,提出了辨识CARMA模型和输出误差模型参数的最小迭代算法。两个最小二乘迭代算法分别比递推增广最小二乘算法和辅助模型递推算法具有更高的参数精度和具有很快的收敛速度。最小二乘迭代辨识的基本思想是:采用交互估计理论和递阶辨识原理,在每步迭代计算中,参数估计依赖于噪声估计,反过来噪声估计通过前一次迭代的参数估计计算,二者执行了一个递阶计算过程。最后用仿真例子验证了提出的算法。

一种单站纯方位目标跟踪中的最小二乘递推方法

与成批处理的方位平差法相比,最小二乘递推方法无需矩阵求逆运算,具有计算简单、存储量小的优点,适合于在线估计目标运动要素。提出了一种用于单站纯方位跟踪的最小二乘递推方法,并对算法进行了仿真。仿真结果表明,该方法受初始值影响很小,适用于含方位预处理的纯方位目标跟踪。

具有LMS稳健初值的选权迭代法

基于选权迭代法的基本理论,文中提出先用LMS稳健估计来确定残差的初值,然后再进行选权迭代方法。其估计结果既继承LMS方法的高失效点(BP)稳健性,又具有选权迭代法的高估计效率,其计算结果与无异常点时最小二乘估计结果基本一致。

Hammerstein系统递推辨识的自适应算法

采用最小二乘支持向量回归对Hammerstein系统进行辨识缺乏稀疏性,且模型不易递推.提出一种基于输出预报误差的Hammerstein模型自适应稀疏递推辨识算法.根据分块矩阵对模型进行递推运算,基于系统输出预报误差的结果,自适应调整算法的辨识步骤,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性.仿真结果表明,与常规的递推算法相比,该自适应算法能够在保证辨识精度的情况下,有效稀疏和简化模型,提高算法的鲁棒性和辨识效率,更加符合系统在线辨识的需要.