一种自适应拟牛顿广义特征分解算法

通过构造一种新的无约束损失函数,广义特征分解问题可以转化为无约束优化问题.此损失函数具有良好的特性,即具有全局极小点、无局部极值点,从而保证了迭代算法的全局收敛性.利用近似Hessian矩阵,提出了一种新的自适应拟牛顿广义特征分解算法.然后,采用随机逼近理论,严格分析了算法的收敛性.仿真结果表明,算法具有快速收敛和动态跟踪能力.

基于二进小波的相合束广义特征分解盲源分离算法

针对盲源分离算法中用相合束广义特征分解法提取源信号,滤波法需根据源信号选择滤波器,时延法不能分离3个以上的源信号,而离散小波变换法的分离效果不够理想,本文提出基于二进小波变换的相合束广义特征分解算法,二进小波的正交性有利于增强信号的非高斯性,并且二进小波在分解时没有进行下抽样,小波基之间存在一定冗余,更好地保留了源信号的信息。仿真结果表明,该算法能更准确地分离4个源信号的混合,且该算法简单易实现,分离速度快。

基于广义特征分解的盲信号分离算法

针对复杂环境下的线性混叠信号,给出了一种基于广义特征分解的盲信号分离方法。在信号数目未知的情况下,该方法利用广义特征分解即可获得混叠矩阵,无需进行常规的迭代运算即可实现对线性混叠信号的分离。实验证明了该方法的可行性和有效性。

考虑空穴效应的广义特征分解法解雷诺方程

针对目前油膜力模型空穴效应考虑不充分、计算速度优势不明显等问题,基于广义特征分解法(PGD),采用雷诺边界条件,提出了一种考虑空穴效应的动载有限长滑动轴承非线性油膜力模型,并给出了详细的求解方法与流程。数值算例表明,与传统的有限差分法(FDM)相比,基于新模型方法的油膜力计算速度最快可以提高近5倍,最低相对误差可以控制在1%以内,证明了所提方法的准确性与高效性。含润滑间隙铰接副的动力学分析依赖于对雷诺方程数十万次的求解,精度与效率往往不可兼得,在曲柄滑块多体系统中引入新计算模型,计算结果表明,在30×30和40×40的网格密度下,与传统有限差分法相比,基于新模型方法的单个计算周期所节省时间分别高达6 min和20 min,证明了所提方法的可靠性和工程应用价值。

基于滑窗递归广义特征分解的盲源分离方法

针对混迭矩阵发生突变的盲源分离(BSS)问题,提出一种基于二阶统计量的滑窗递归BSS方法。首先滑窗递归更新两个不同时延的自相关矩阵,然后结合幂迭代法和压缩处理在线计算矩阵束的广义特征向量以求得分离矩阵。与已有递归型盲源分离算法相比,该方法收敛速度快,追踪性能好,仿真结果验证了所提算法的有效性。

基于加权矩阵的多维广义特征值并行分解算法

针对串行广义特征值分解算法实时性差的缺点,提出基于加权矩阵的多维广义特征值分解算法.与串行算法不同,所提算法能够在一次迭代过程中并行地估计出多维广义特征向量.平稳点分析表明:当且仅当算法中状态矩阵等于所需的广义特征向量时,算法达到收敛状态.通过对比相邻时刻的状态矩阵模值证明了所提算法的自稳定特性.所提算法参数选取简单,实际实施较为容易.数值仿真和实例应用进一步验证了算法的并行性、自稳定性和实用性.

广义局部特征尺度分解方法及其应用

针对自适应时频分析方法局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)方法中均值曲线插值点的属性主要由相邻两同类极值点的属性决定,不能很好地体现数据的整体变化趋势,从而可能引起分解精度降低,提出了广义局部特征尺度分解(Generalized Local Characteristic-scale Decomposition,GLCD)方法。该方法在借鉴EMD和LCD等方法思路的基础上,采用典型的数值计算方法定义了5种不同的均值曲线,并定义了瞬时频率具有物理意义的广义内禀尺度分量(Generalized Intrinsic Scale Component,GISC)和GISC判据。GLCD从不同均值曲线筛分得到的每一阶分量中选取最优分量作为该阶最终的GISC,确保了最终结果为最优。研究了GLCD方法的原理及GISC判据,通过仿真信号将GLCD方法与LCD方法进行了对比,结果表明GLCD在提高分量精确性和正交性等方面具有一定的优越性,并将GLCD方法应用于转子不对中和碰摩故障的诊断,结果表明了方法的有效性。

一种新的基于广义特征值分解的盲信号分离算法

以矩阵的奇异值分解定理为基础,给出了一种基于广义特征值分解的盲信号分离算法,该算法以混叠信号的两个不同的方差矩阵为基础建立广义特征值问题,通过求解广义特征值问题的特征矢量来获得分离信号.该算法计算简单,避免了Para算法的不足,并能分离源信号中既有亚高斯信号又有超高斯信号的情况.仿真结果表明该算法是有效的,并具有很好的分离性能.

核子空间投影和广义特征值分解的云数据隐私保护

云数据及大量网络数据需要在保护用户隐私的前提下进行统计和分析,对此提出核子空间投影和广义特征值分解的云数据隐私保护算法。将云数据进行数学化建模,该算法将隐私保护作为数据转换问题进行处理,转换问题分为隐私不敏感任务和隐私敏感任务两类。该算法形成类间散布矩阵,寻找子空间维度来解决特征值分解问题,并对广义特征值排序,得到广义特征向量对应的最大广义特征值;对云数据进行转换,实现数据隐私保护。实验结果表明,该方法能够实现用户隐私保护,并且核广义特征值分解算法优于子空间隐私保护算法,且两种隐私保护算法都优于其他隐私保护方法。

基于广义特征子空间快速估计的语音增强算法

给出了一种基于迭代最小二乘并行计算进行广义特征矢量矩阵分解的语音增强算法。这种算法不需要假定噪声类型(白噪声或有色噪声),也无需话音的活动监测,以递推更新的方式实现含噪语音信号和噪声信号的同时对角化,弥补了其它子空间算法在收敛速度和收敛精度上的不足,仿真结果证明了本算法的有效性。

用于增强信号的自适应广义特征向量跟踪算法

广义特征分解技术在现代自适应信号处理中占有重要地位.本文提出了一种新的无约束损失函数用于广义特征分解,并且分析了损失函数的特性.通过应用递推最小二乘(RLS)技术来最小化损失函数,得到了用于求解最大广义特征值对应的广义特征向量的自适应算法.并将这种算法应用于CDMA系统中的智能天线波束形成问题.仿真结果表明算法具有快速收敛和动态跟踪能力.

基于广义特征值和核函数的非线性盲分离算法

在给出了一种基于广义特征值分解的线性混合信号盲分离方法的基础上,结合核特征空间而给出了一种非线性混合信号盲分离算法。该算法首先将混合信号映射到高维核特征空间,同时构造该核特征空间的一组正交基。其次,通过这组正交基将高维核特征空间的信号映射到参数空间,从而把非线性混合信号盲分离问题转化为参数空间的线性混合信号盲分离问题。在参数空间中,应用基于广义特征值分解的线性混合信号盲分离方法对信号进行分离。该算法具有闭解形式,计算简单,收敛精度较高,稳定性好。仿真结果表明该算法是有效的,具有良好的分离性能。

一种基于最小化广义Rayleigh商的无源定位算法研究

为改善只测角无源定位的性能,提出了一种基于最小化广义Rayleigh商的无源定位算法.该算法利用扰动观测矩阵和扰动观测向量的乘性结构,将约束总体最小二乘问题转化为最小化广义Rayleigh商问题,从而只需对一对矩阵束进行广义特征值分解即可求得全局最优定位解.仿真结果表明所提算法性能稳健且计算量较小,定位收敛精度逼近克拉美罗限(CRLB),远优于最小二乘(LS)算法和总体最小二乘(TLS)算法,实用性强.

基于递归广义特征值分解的化工过程监控方法

根据独立元分析理论,提出了一种基于递归广义特征值分解的化工过程监控方法。广义特征值分解理论上等价于盲源分离领域中针对高阶统计量的联合对角化方法,而其递归算法又能很好地收敛至最优解。鉴于基于递归广义特征值分解的真CA方法在发掘数据集中隐含信息方面的优良性能,本文将其引入工业化工过程监控,并详述了具体步骤。在田纳西-伊斯曼过程中的应用验证了其有效性。

基于最大信噪比的盲源分离雷达抗主瓣干扰方法

针对现有压制干扰从主瓣进入雷达天线,传统副瓣抗干扰方法失效的问题。提出一种应用最大信噪比准则的盲源分离抗主瓣干扰方法。首先提出了盲源分离应用于雷达抗主瓣干扰的模型,估计信号源个数后构建基于信噪比的目标函数,而后选择求解得到的广义特征向量构造分离矩阵。与传统算法相比,该方法不需要进行迭代运算,有效降低了计算复杂度。经过仿真分析,验证该方法能够有效分离混合信号,具有较高的分离效率。

一种小波域盲源分离算法

针对基于相合束广义特征分解时域盲源分离方法受滤波器或时延影响大、性能不稳定的问题,提出了一种基于相合束广义特征分解的小波域盲源分离算法.该算法通过信号小波变换的正交性,增强信号的非高斯性,减小信号的分离难度;利用双正交小波具有线性相位特性且对信号有良好逼近能力的优点,对小波系数进行相合束广义特征分解,得到稳定的分离矩阵.该算法不仅保留了时域算法的优点,而且可以随机选取滤波器,当源信号多于3个时仍可以完全分离出源信号.4个语音信号的盲源分离仿真结果表明了算法的有效性.

系统幅相误差的统计拟合

本文讨论了等距线阵幅相误差的自校正，从理想数据协方差矩阵的Ｔｅｏｐｌｉｔｚ结构出发，建立关于系统幅相误差的线性方程组；在最小二乘准则下，采用了分离消无处理，使计算量大幅下降．对系统扰动的统计分布以及阵元个数各作了两种假设；根据不同假设下误差的统计特性，提出了几种不同的约束拟会准则，还对所提约束作了统计性能分析．最后，建立了基于广义特征分解的系统误差自校正方法．

一种双站交叉定位无偏估计滤波算法

针对将非线性观测方程转化为伪线性方程会产生有偏估计的缺点,基于两站纯角度信息,提出了一种对三维空间目标进行跟踪的近似无偏估计算法。该算法只需要对一对矩阵束进行广义特征分解,即可获得目标坐标和速度的估计值。计算机仿真结果表明该算法相比有偏估计算法(如伪线性卡尔曼滤波(PLKF)算法)具有更高的滤波精度,尤其当测向均方误差较大时,其优势更加明显。

双站基于角度和时差的近似无偏定位算法

联合角度(DOA)和时差(TDOA)信息对运动目标进行无源定位实质上是一种非线性估计问题。针对将非线性观测方程转化为伪线性方程会产生有偏估计的缺点,该文基于双站定位中获得的角度和时差信息,给出了一种对三维空间目标定位跟踪的近似无偏估计滤波算法,它只需要对一对矩阵束进行广义特征分解,即可获得目标坐标和速度的估计值。计算机仿真结果表明,相比有偏估计滤波算法,如伪线性卡尔曼滤波(PLKF)算法或者最小二乘(LS)算法,该算法具有更高的定位精度,并且当观测误差增大时,其优势更加明显。

连续迭代优化SLNR准则的下行多用户MIMO预编码

多用户MIMO下行链路通信系统必须设计合适的预编码方案来抑制多用户间的共信道干扰.该文提出一种基于连续迭代优化信号泄漏噪声比最大准则的预编码方法.利用已知用户未使用的子信道空间增大其他用户的预编码空间自由度,降低干扰泄漏,并用迭代法进一步抑制多用户干扰,提高接收端信干比.该方法仅在发射端使用用户的信道信息优化与编码矩阵,不需要基站与用户协作,接收端可自由选择检测算法,且不会增加系统开销.仿真结果表明,所提方法取得了比原SLNR方法更好的系统性能,且具有较快的收敛速度,实用性较强.