基于降维噪声子空间的二维阵列DOA估计算法

为提高波达方向(Direction Of Arrival,DOA)的估计速度,该文基于子空间的正交性原理,利用噪声子空间及其共轭的交集进行奇异值分解(SVD)实现噪声子空间的降维,并基于降维噪声子空间与导向矢量及其共轭的双正交性提出一种2维阵列快速DOA估计算法。理论分析和仿真实验表明:该算法不受实际阵型的限制,能将传统MUSIC谱的角度范围压缩至原来的一半,从而将DOA估计的计算量降至传统方法的50%,并具有与MUSIC算法相当的角度分辨率。

基于降维子空间的多重信号分类快速算法

基于MUSIC的DOA估计存在运算量大的问题,已有的改进快速算法很多是以降低精度为代价的,因此提出了基于降维子空间的多重信号分类快速算法,该算法先利用降维的噪声子空间进行DOA粗略估计,使得MUSIC搜索的运算量大大减小,然后利用最大噪声子空间对估计结果进行修正;数值仿真结果表明,该方法能够在不影响DOA估计精度的情况下显著降低运算量,使MUSIC算法更具实用性。

基于累积切片的多元响应降维子空间估计

将相关研究提出的累积切片均值估计(CUME)、累积海塞方向(CHD)应用到多元响应降维子空间的估计中并对估计量加以改进得到改进的多元累积切片估计(g-CUME)、多元累积海塞方向(g-CHD).

多元响应降维子空间

提出多元中心K阶条件矩降维子空间,指出与多元中心K阶矩子空间的关系.结合相关文献方法,提出1种新方法估计多元响应降维子空间,给出该方法估计量的相合性与实例模拟.

含高维相依自变量的中心k阶条件矩子空间的估计

在回归分析中往往对条件均值,条件方差及高阶条件矩特别感兴趣.本文我们将关注中心k阶条件矩子空间在高维相依自变量情形的估计问题.为此,我们首先引入中心k阶条件矩子空间的概念,并研究该子空间的基本性质.针对高维相依自变量的复杂数据,为了避免预测变量协方差阵的逆矩阵的计算,本文提出用偏最小二乘方法来估计中心k阶条件矩子空间.最后得到了估计的强相合性等渐近性质.

基于Fisher判别分析的增量式非负矩阵分解算法

增量式非负矩阵分解算法是基于子空间降维技术的无监督增量学习方法.文中将Fisher判别分析思想引入增量式非负矩阵分解中,提出基于Fisher判别分析的增量式非负矩阵分解算法.首先,利用初始样本训练的先验信息,通过索引矩阵对新增系数矩阵进行初始化赋值.然后,将增量式非负矩阵分解算法的目标函数改进为批量式的增量学习算法,在此基础上施加类间散度最大和类内散度最小的约束.最后,采用乘性迭代的方法计算分解后的因子矩阵.在ORL、Yale B和PIE等3个不同规模人脸数据库上的实验验证文中算法的有效性.

稀疏约束下非负矩阵分解的增量学习算法

非负矩阵分解(NMF)是一种有效的子空间降维方法。为了改善非负矩阵分解运算规模随训练样本增多而不断增大的现象,同时提高分解后数据的稀疏性,提出了一种稀疏约束下非负矩阵分解的增量学习算法,该算法在稀疏约束的条件下利用前一次分解的结果参与迭代运算,在节省大量运算时间的同时提高了分解后数据的稀疏性。在ORL和CBCL人脸数据库上的实验表明了该算法降维的有效性。

改进增量式非负矩阵分解算法及其在人脸识别中的应用

非负矩阵分解(NMF)是一种有效的子空间降维方法,凭借其可解释性在人脸识别方面有着较好的应用。而增量式非负矩阵分解(INMF)利用近似的原则将上一步迭代寻优的运算结果参与后续计算,有效改善了NMF算法运算规模随训练样本增多而不断增大的现象。文章提出的改进增量式非负矩阵分解算法(Improved Incremental Non-negative Matrix Factorization)在INMF的基础上进一步利用了新加入样本的类别信息,优化了算法中参与迭代的增量系数向量的初始化值,使目标函数在迭代求解时具有更快的收敛速度和全局寻优能力。通过在ORL和YALE人脸数据库上的实验表明,该算法在运算速度和识别率上均优于传统的NMF算法和INMF算法。

一种分析宽带天线特性的快速有效方法

提出一种快速分析天线宽带特性的有效算法.该方法利用特征模对天线给定频带内少数频率点进行分析,选取这些频率点主要特征模函数组构成降维子空间;利用奇异值分解技术,构造该频带内一组与频率无关的特征模正交基.运用特征模正交基可以快速获得天线频带内所有频率点的特性.文中分析了蝶形天线与宽带缝隙天线给定频带内特性,并将计算结果与一般矩量法计算结果作比较,两者之间具有良好的一致性.