基于随机扰动梯度近似的图像复原与重构算法

为了复原缺乏先验知识的降质图像以及探索层析X射线图像重构的新途径,借鉴Spall和Cristion的随机扰动近似(SPSA)方法,将其扩展到高阶和多元的情形,进而提出了一种新的随机扰动梯度近似算法.此算法无须先验知识或后验概率,具有良好的稳定收敛性.对比实验表明,将此算法用于图像的复原和重构可获得良好的效果,而且性能稳定.

基于梯度的扰动时变系统辨识算法及其收敛性

根据工程背景,提炼出了一类时变系统(亦称为广义时变系统或扰动时变系统)的数学描述模型.扰动时变系统是指参数随系统可测扰动量变化的一类时变系统.利用梯度搜索原理,提出了这类时变系统的投影算法、随机梯度和遗忘梯度辨识方法,并应用鞅超收敛定理分析了算法的收敛性.由于提出的随机梯度算法同时还利用了系统扰动量所含的信息,因而可以给出时变参数的一致估计.数字仿真验证了提出方法的有效性.

基于改进的同步扰动随机逼近算法的聚表二元驱优化

聚表二元驱作为一种提高采收率的有效方法已经被广泛应用于各大油田,为实现聚表二元驱生产效益最大化,从油田实际情况出发,将油田开发的经济效益作为优化目标,选取聚合物与表面活性剂的质量浓度、注入体积、注入时机等参数作为调控变量,并结合改进随机差异化步长的SPSA算法进行优化求解,比较约束与不约束聚合物、表面活性剂使用总量。结果表明:随机差异化步长不仅可以加快算法的运行效率而且能更好地实现全局最优性;当不约束聚合物和表面活性剂使用总量时,在含水率越小时实施聚表二元驱,生产效益越好;当约束聚合物和表面活性剂使用总量时,聚合物和表面活性剂使用总量越小,在含水率越大时实施聚表二元驱生产效益越好。

基于滤波极大似然随机梯度的弃风电量预测（英文）

研究了一类Hammerstein有限脉冲响应模型的建模方法,并用于风电场弃风电量预测领域。采用极大似然估计律对似然方程进行最小化,同时为了减少有色噪声对建模过程的干扰,结合极大似然估计方法和滤波过程,将原本耦合的非线性模型转变为独立参数的辨识模型,进而推导了一类基于滤波的极大似然随机梯度辨识算法,并将该方法用于风电场弃风电量的预测领域。仿真结果表明提出的算法可以精确的辨识实际风电场的风电功率特性曲线,并能很好的预测风电场的弃风电量情况,具有很强的实用性。

随机扰动条件下对流弥散方程源项系数反演的数值模拟

应用梯度正则化算法对一维对流弥散方程中未知的源项系数进行了数值反演.在附加数据取真值的情况下,反演计算结果非常精确;而在附加数据有扰动的情形下,计算结果也基本稳定.这表明梯度正则化算法对于求解一维溶质运移中的源项反演问题是可行的和有效的.

图的最大二等分问题的投影梯度算法

本文基于图的最大二等分问题已有的半定规划松弛模型,给出了原问题的等价模型及其新的半定 规划松弛模型,利用投影梯度算法求解该半定规划松弛模型,最后使用随机扰动算法求得原问题 的近似最优解。理论和数值试验表明该方法不仅可以在较高的精度下求解中小规模的图的最大二 等分问题,而且特别适合求解大规模的图的最大二等分问题。

基于随机梯度的双率系统自校正控制方法

针对输入更新频率是输出刷新频率整数倍的未知参数双率系统,设计一个损失输出估计器计算采样间输出,再根据随机梯度算法设计参数估计器并得到系统模型的估计参数,基于最小方差控制原则设计出双率系统的自适应控制器。通过与基于最小二乘方法辨识系统参数的自适应控制算法进行比较,可以看出该算法的计算量较小,尤其是在输入数据更新频率与输出数据刷新频率相差较大时,计算量的差距更加明显。最后用仿真例子说明了该算法的有效性。

CAR模型的可变遗忘因子多误差随机信息梯度辨识

CAR模型在过程建模中得到了广泛应用。传统的随机信息梯度算法虽然可以辨识CAR模型,但是算法收敛速度慢、估计精度不高。为解决这一问题,提出了一种带可变遗忘因子的多误差随机梯度算法。首先用信息向量取代信息标量,提出了一种多误差随机信息梯度算法;然后,将误差信息引入遗忘因子,提出一种可变遗忘因子。数值仿真表明,所提算法能够以较快的收敛速度获得精度较高的参数估计值。

基于移相器控制电压的“动中通”波束形成改进算法

在波束形成技术中,基于同时扰动随机梯度估计算法计算接收功率对移相器控制电压的梯度,研究了同时扰动随机梯度估计算法中扰动量和电压更新方程中步长的取值问题。仿真结果表明,随迭代次数变化的扰动量较固定扰动量能有效地提高算法的收敛性能,在同时扰动随机梯度估计算法中,将步长改为随阵元空间位置变化,能有效地提高电压更新方程的收敛速度。研究了与变扰动量有关的参数取值,指出了参数的选取准则。MATLAB仿真结果验证了所改进算法的正确性和有效性。

一类非线性系统的参数估计

考虑有色噪声干扰的Hamm erste in非线性系统的辨识,通过梯度搜索原理推导了增广投影算法,简化增广投影算法和增广随机梯度辨识算法。基本思想是将增广信息向量中的未知噪声项用其估计残差代替。增广投影算法对噪声非常敏感,增广随机梯度算法的收敛速度慢,为了解决这些不足,在增广随机梯度算法中引入遗忘因子,来改善参数估计精度,进一步通过仿真来比较算法的估计误差以及收敛速度。

自适应光学中SPGD算法关键参数实时调节方法

介绍了随机并行梯度下降(SPGD)算法及其在相干合成中的应用,针对实验中算法关键参数难以调节的难点,提出采用软硬件结合的新方式,实现对实验数据的在线采集和分析以及对SPGD算法关键参数的自动实时调节。开展了4路光纤激光相干合成实验,对不同调节方法进行对比。实验中采用新方式有效调节了SPGD算法中增益系数和随机扰动幅度的取值,合成效果显著。

一种微弱直接序列扩频信号的盲自适应解扩算法

针对微弱直扩信号扩频码的盲估计和信息码的盲解扩问题,本文提出了一种能同时分离直扩信号扩频码和信息码的非线性盲自适应恒模算法,达到了对直扩信号盲处理。本文首先提出了直扩信号的盲分离问题,然后详细分析推导了盲自适应随机梯度恒模算法,最后将该盲自适应随机梯度恒模算法应用到了对微弱直扩信号的盲分离中,并从理论上阐明了可以用该算法来实现直扩信号的盲分离。所提出的算法完全不同于以往的基于矩阵分解(奇异值分解、特征分解等)的伪码盲估计方法,它的存储开销量和计算量都比较小,可以实现对较长伪码构造的直扩信号的处理,而且它的计算速度较快,在某种程度上解决了传统的基于矩阵分解的方法在直扩信号的实时处理及实现上的困难。理论分析和数值结果都表明了所提方法能较好地工作在较低的输入信噪比条件下。

大气湍流自适应光学随机并行梯度下降算法的优化

基于随机并行梯度下降(SPGD)算法的自适应光学(AO)无需波前传感器就可以实现对波前相位畸变的闭环补偿。但是算法的收敛速度较慢,制约着其在实时性要求高的系统中的应用。根据SPGD算法中随机扰动对收敛速度的影响,提出一种利用泽尼克(Zernike)模式优化算法随机扰动的方法。针对大气湍流,建立了一个基于SPGD算法的61单元自适应光学仿真模型,并对一组符合Kolmogorov特性的相位畸变进行了数值仿真,分析了该优化方法对系统收敛特性的影响。仿真结果表明,与优化前相比,优化随机扰动后,校正精度略微下降,但是收敛速度得到明显的改善。

基于梯度投影法与随机优化算法的约束优化方法

针对带有线性等式和不等式约束的无确定函数形式的约束优化问题,提出一种利用梯度投影法与遗传算法、同时扰动随机逼近等随机算法相结合的优化方法.该方法利用遗传算法进行全局搜索,利用同时扰动随机逼近算法进行局部搜索,算法在每次进化时根据线性约束计算父个体处的梯度投影方向,以产生新个体,从而能够严格保证新个体满足全部约束条件.将上述约束优化算法应用于典型约束优化问题,其仿真结果表明了所提出算法的可行性和收敛性.

随机梯度算法的收敛性分析

虽然随机梯度算法的计算量比最小二乘法要小得多，但是它的收敛速度很慢。为了提高随机梯度算法的收敛速度和参数估计精度，提出了遗忘梯度算法，它不仅具有较快的收敛速度，而且具有跟踪时变参数的能力。随机梯度算法的收敛性证明是辨识领域的一个研究难题，文章运用鞅收敛定理分析了它的收敛性，结果表明随机梯度算法给出的参数估计误差一致有界，在强持续激励条件下参数估计误差一致收敛于零。数字仿真表明提出的方法是有效的。

基于非线性共轭梯度的同时扰动随机逼近方法

为了消除黑塞矩阵和步长因子的影响,利用非线性共轭梯度算法计算搜索方向,在混合非线性共轭梯度算法的作用下保证了每次搜索均为下降方向;利用非精确线搜索方法改进SPSA步长计算方法,通过与下降的搜索方向结合,保证了每次迭代时目标函数值的减小,加快了收敛速度.将改进的SPSA算法用于异步电机再励学习系统中,仿真结果证明了其可行性和优越性.

多点随机搜索算法估计反应动力学参数

提出一种多点随机搜索算法,一方面它汲取随机搜索算法的优点以克服陷入局部最优点;另一方面它通过判断搜索过程目标函数变化趋势,从而能在响应曲面的下降方向上前进,加快寻优进程。与遗传算法相比较,多点随机搜索算法能以更快的速度找到全局最优解;与梯度下降算法相比较,它能以更高的概率找到全局最优解。本文将多点随机搜索算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得动力学模型对实验数据拟合的相对误差绝对值之和比文献报道降低了14.1%。

相干合成中的随机并行梯度下降算法性能研究

随机并行梯度下降算法(SPGD)是一种基于直接性能指标优化的相位控制方法,在自适应光学中有较好的适用性。该算法主要包含增益系数和随机扰动幅度两个可变参数,其取值对算法收敛性有很大的影响。对双边SPGD算法实现收敛时参数的取值要求进行研究,结合算法原理分析了算法参数的取值范围,并通过大量仿真实验找出所有使双边SPGD算法收敛的增益系数和随机扰动幅度值;得到随机扰动幅度的取值下限,理论和仿真分析了下限存在的原因及取值;在相干合成中存在相位噪声,研究了不同相位校正器参数的情况下可使算法收敛的参数的取值范围。

随机扰动梯度近似中的矩收敛率

采用递归估计器的序列求函数的最小值 ,并扩展了Spall的同步扰动随机近似方法 ,进而提出随机扰动梯度近似算法 .对于任意的 1≤q<∞ ,可用估计误差的范数Lq 来度量收敛率 ,序列的收敛速度为O(n- 2 ) ,( >0 ) .在最小点上 ,若代价函数的Hessian矩阵的所有本征值都在 1 2的右面 ,则误差指数 2可任意地接近 1 2 ,并且代价函数足够光滑 。

一种随机相位估计简化EM算法

期望最大化(EM)算法在处理随机相位估计时是一个NP-完全问题,目前主要采用梯度算法来对其求解。但该方法存在计算量大、不易稳定且对相邻时刻估计结果依赖严重等问题。基于随机相位模型EM算法的因子图表示,提出了一种简化EM算法,其思想是只针对当前时刻进行独立的EM迭代计算,然后通过相邻相位偏转之间的关系对结果进行修正。仿真实验说明,该方法在减小计算量的同时,提高了算法性能。