改进最小二乘递推算法的洪水预报应用研究

建立线性自回归模型,应用于洪水实时预报,并应用AIC、BIC这两种准则以确定自回归模型的阶数。最小二乘递推算法是估计自回归参数的一种常见方法。最小二乘法估算出的模型参数在预报误差平方和最小的条件下是最优解。研究中,为了强化时变系统的辩识以提高洪水预报精度,对数据采取衰减记忆、有限记忆及时变衰减记忆的方式,对基本的最小二乘递推算法提出了三种改进形式,并利用这几种改进算法进行了洪水演算,最后对几种算法的演算结果进行了比较。

最小二乘估计的HOUSEHOLDER变换快速递推算法

本文利用ＨＯＵＳＥＨＯＬＤＥＲ交换（简称Ｈ－变换）推导出最小二乘估计的递推算法和遗忘因子法的快速算法．与现有的最小二乘递推算法相比，本文提出的算法不仅运算量大大减少，而且数值稳定性好，占用内存量少．

基于最小二乘递推算法的半主动悬架系统参数辨识

为了减少在实体建模过程中的误差,本文对半主动悬架系统进行参数辨识研究。在对悬架结构进行分析的基础上,基于ADAMS建立了半主动悬架减振控制系统的实体模型。采用最小二乘递推算法对悬架系统各指标参数进行辨识,辨识后的输出响应曲线与MATLAB输出曲线基本吻合。仿真结果表明:最小二乘递推算法可以有效地降低误差值,提高悬架系统实体建模的准确性,对进一步的悬架系统控制策略研究具有非常重要的意义。

最小二乘参数估计的递推算法及其C语言实现

最小二乘参数估计的递推算法是系统参数辨识中最基本、最成熟的方法。文章首先介绍了最小二乘法的递推算法原理和本识别系统的框架流程图,然后针对文章的算法分别阐述了服从N(0,1)正态分布自相关随机噪声v(k)的产生方法。文章着重介绍了利用C语言编程对一个简单系统的参数辨识实现最小二乘参数估计的递推算法,详细说明了本系统各个环节的C语言实现,并通过matlab仿真对数据进行了详细的分析。从仿真实验结果可以看出,试验数据符合试验要求,系统的参数辨识实现最小二乘参数估计的递推算法的效果令人满意。

最小二乘递推算法和 Kalman 滤波算法

就一般加权、最优加权和指数加权三种情形分别介绍了最小二乘递推（ＲＬＳ）算法和Ｋａｌｍａｎ滤波算法，且首次将状态向量的概念扩展到了状态矩阵的概念．这将使我们在某些应用中能采用比以前规模小得多的模型而丝毫不会因此带来任何误差．最后，我们还指出了ＲＬＳ算法和Ｋａｌｍａｎ滤波算法所存在的一些问题．

变步长的最小二乘递推算法

针对固定步长的最小二乘递推算法在信号辨识中采集数据量大、辨识速度较慢的缺点,提出了变步长的最小二乘递推算法,在保证同等辨识精度的条件下, 采集的数据明显减少,大大提高了辨识速度。

严格的最小二乘递推算法

If the prior statistical knowledge of the parameters and the initial state to be estimated is not available,the RLS and Kalman filtering algorithms can not give least squares estimators or minimum variance estimators in the rigorous sense.Following the reference[1],the rigorous recursive least square algorithms(be called R 2LS algorithms for short)are derived by applying the theory of generalized inverse.The R 2LS algorithms give the least square estimators not requiring any prior statistical knowledge of parameters or the initial state to be estimated .Further discussion in this paper show that R 2LS algorithms provide the minimum time unbiased filters for linear stochastic systems and minimum time deadbeat observers for linear deterministic

线性模型的广义最小二乘估计递推算法

基于广义线性模型,讨论了新增样品后其系数的广义最小二乘估计与原有的样品其系数的广义最小二乘估计之间的关系,在此基础上,讨论剔除某个过时的样品后,其系数的广义最小二乘估计与原有样品的系数的广义最小二乘估计之间的关系,最后研究新增样品、剔除样品和原有样品它们三个的系数的广义最小二乘估计之间的关系.

严格的最小二乘递推算法

当缺乏待估计量的初始统计知识时，最小二乘递推（ＲＬＳ）算法不能给出严格意义下的最小二乘估计．本文继文献［１］之后，应用广义逆的理论，分别就一般加权情形、最优加权情形和指数加权情形给出了严格的最小二乘速推算法（简称Ｒ２ＬＳ算法）．该算法无需事先提供待估计量的任何统计知识而能获得严格意义下的最小二乘估计，且证明了该算法分别为时变与定常系统提供了最短时间无偏状态估计算法与无差状态观测器．

严格的最小二乘递推算法在系统辨识与滤波中的应用

研究了严格的最小二乘递推（R2LS）算法在系统辨识与滤波中的应用。另一重要内容是给出了与R2LS算法相对应的充分激励（PE）系列及重要性质。且从关于多目标飞行轨迹的跟踪应用中可知，由于采用了状态矩阵这一新概念，使我们能用一规模很小的模型同时描述多个目标的运动，从而使计算量大为减小。

完整的最小二乘递推算法

利用广义逆矩阵的理论,本文给出了完整的最小二乘递推算法,并由此得到若干很有意义的推论.

一种改进的二维最小交叉熵图像分割方法

针对当前二维最小交叉熵阈值法存在计算复杂度高等问题,提出了一种改进的二维最小交叉熵阈值分割方法。首先,依据图像的含噪声类型选择邻域模板并建立相应的二维直方图来提高分割效果;然后,对二维最小交叉熵公式进行推导和简化处理,利用定义的数组运算推导出新型递推算法,再确定图像及其邻域图像的实际灰度级别范围,并用这种新算法在所求的灰度级别范围内搜索最佳阈值向量来降低计算复杂度;最后,使用关键阈值对滤波后的图像进行分割达到最佳的分割效果。仿真实验结果表明,与当前的二维最小交叉熵阈值分割法相比,本文提出的方法不仅分割性能及抗噪性能更强,而且分割时间大大减少,小于0.05s。

递推阻尼最小二乘法的收敛性与稳定性

递推最小二乘法是参数辨识中最常用的方法,但容易产生参数爆发现象· 因此对一种更稳定的辨识方法———递推阻尼最小二乘法进行了收敛特性的分析· 在使用算法之前先归一化测量向量,结果表明,参数化距离收敛于一个零均值随机变量,并且在持续激励条件下,适应增益矩阵的条件数有界· 参数化距离的方差有界·

递推阻尼最小二乘法

递推最小二乘法是参数辨识中最常用的方法，但容易产生参数爆发现象．本文推导了一种更稳定的辨识方法——阻尼最小二乘法的递推求解算法．

线性系统最小二乘滤波的完整递推算法

在文[1]关于最小二乘问题■的递推算法的基础上。

一种改进的二维最小误差阈值分割方法

二维最小误差(TME)阈值法是一种有效的图像分割方法,但该方法计算复杂度高,难以实时处理,且该算法受噪声影响较大。针对此问题,提出了一种改进的TME阈值分割方法。首先,将传统的3×3模板分成互补的两个模板:十字模板和4-角域模板,并用这两个模板分别对原图像进行中值滤波得到两幅图像;然后,用两幅图像创建二维直方图并对其进行分割,以获得更好的分割性能;最后,对TME阈值选取公式进行简化得到最简公式,并利用此最简公式和其在二维直方图上的计算特性构建新型的快速算法,以便降低计算复杂度。仿真实验结果表明,与当前TME阈值分割方法相比,所提方法不仅分割效果更好、稳定性更强,而且运行速度更快,占用的存储空间更少。

一种简化递推偏最小二乘建模算法及其应用

在已有的偏最小二乘相关算法基础上 ,提出一种简化的递推偏最小二乘算法 ,即直接采用自变量主元的 2个回归系数矩阵来取代残差矩阵进行递推计算 ,进一步简化了递推计算过程 ,在保证建模精度的同时 ,使计算速度提高了近一倍 .并以数控铣削加工过程中切削合力峰值在线建模为应用实例 ,对切削过程z传递函数的参数进行了在线辨识计算 ,由估计模型重构了切削过程的输出 ,其结果与实验测量值是一致的 ,且误差很小 .仿真和实验结果表明 ,该简化递推偏最小二乘建模算法是正确和有效的 ,并且具有计算量小、辨识速度快、建模效率高等特点 ,适用于数据量较大。

改进的偏最小二乘回归推荐算法

基于已有的相关PLS算法,提出了针对QSAR研究和工业过程控制建模的环境要求的PLS回归改进算法:加强递归PLS算法.模拟实验结果表明:在实时建模过程中,该算法的性能优于传统的PLS回归算法.

二维Tsallis-Havrda-Charvat熵阈值分割的快速递推算法

阈值分割是图像分割中简单有效的方法,应用极为广泛。基于熵的阈值选取方法是其中一类颇受关注的方法,二维Tsallis-Havrda-Charvat熵法分割效果好,但因计算量庞大,难以实用。本文提出了二维Tsallis-Havrda-Charvat熵的阈值分割两种不同的快速递推算法,都可将计算复杂性由O(L^4)减少为O(L^2)。文中给出了二维Tsallis-Havrda-Charvat熵两种快速递推算法的分割结果及运行时间,并与原始算法进行了比较。实验结果表明,这两种递推算法都可以大幅度地提高运算速度,运行时间几乎不到原始算法的0.1%。

基于改进偏最小二乘法的近红外快速分析强化生物除磷污泥胞内PHA

聚β羟基烷酸酯(PHA)是强化生物除磷系统中颗粒污泥胞内重要碳源和能源,其快速测定对强化生物除磷机理研究有重要意义.采用Savitzky-Golay平滑法(SG)-多元散射校正法(MSC)对污泥的近红外光谱进行预处理,通过改进的偏最小二乘法(i PLS、si PLS、bi PLS)建立污泥样品近红外光谱与PHA含量的定量分析模型.结果表明,SG-MSC预处理减弱噪声和背景等表面因素对光谱的影响,采用联合区间偏最小二乘法(si PLS)将全光谱等分为30个子区间,联合子区间[13 21 24 29]建立的模型预测效果最优,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.2018和0.3120,校正集和预测集相关系数分别达到0.9925和0.9391,该光谱区段与PHA分子结构中C—H的伸缩变形、弯曲振动和C=O的伸缩振动密切相关.改进偏最小二乘有效地优化光谱建模区域,提高模型预测能力,实现污泥胞内PHA含量的快速定量分析.