用于波束形成的最小二乘广义模值算法研究

对用于波束形成的最小二乘广义模值算法(LSGMA)在多种信号环境下的收敛性能进行了分析;在此基础上提出一种新的多用户盲波束形成算法———迭代最小二乘广义模投影(ILSP-GMA)算法,克服LSGMA算法当恒模干扰信号强于所需信号时会错误收敛的缺陷。仿真结果表明该算法可有效适用于多用户情况,并可获得较原迭代最小二乘投影算法(ILSP)更快的收敛速度。

WGS-84坐标系下改进的广义最小二乘配准算法

针对广义最小二乘算法在WGS-84坐标系中存在收敛速度慢及收敛性能不稳定的问题,提出了一种改进的广义最小二乘算法.该算法以收敛步数作为最小二乘算法中的量测精度加权因子,使得量测精度随着步数的变化而变化,从而实现了收敛步数的减少和收敛之后稳定性的改善,提高了目标跟踪定位的性能.仿真结果表明,改进的广义最小二乘算法优于广义最小二乘算法,进一步验证了该算法的有效性.

偏最小二乘相关算法在系统建模中的两类典型应用

讨论了偏最小二乘回归(PLSR)的相关算法对两类典型实际系统建模的有效应用。分析了传统的偏最小二乘回归批处理算法及由此产生的一种简化算法的基本原理和技术特点。在此基础上,对原有的递推算法进行了一定程度的改进,直接采用自变量主元t的回归系数矩阵P和R来取代旧的数据信息,从而进一步简化了计算过程。针对上述两种算法的特点,分别对无人机费用模型(少样本,多变量)和切削力峰值模型(多样本,少变量)参数进行了估计计算,说明了各自算法的应用优势。

基于SSA-BP神经网络构建近红外光谱汽油辛烷值预测模型

基于100组汽油样品的近红外光谱分析数据,采用不同方法进行预处理,结合麻雀搜索算法(SSA)优化BP神经网络模型,构建了汽油辛烷值SSA-BP预测模型,对模型预测值与汽油研究法辛烷值(RON)测量值进行拟合,并与偏最小二乘法模型及BP神经网络模型的预测结果进行对比。结果表明:采用标准正态变量变换(SNV)方法进行光谱数据预处理后,所建SSA-BP模型的预测精度最高,验证集决定系数(R^(2))为0.9760,预测标准偏差(RMSEP)为0.326;3种汽油辛烷值预测模型中,SSA-BP神经网络模型预测准确度最好,且模型适用性和稳定性良好。说明利用SNV方法预处理光谱数据的SSA-BP神经网络模型,可以将近红外光谱分析技术更好地用于汽油辛烷值的预测,且预测结果具有良好的准确度,可以实现汽油辛烷值的快速无损检测。

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。

基于子空间的线性约束最小二乘恒模算法

线性约束最小二乘恒模算法能够有效克服恒模算法中存在的干扰捕获问题,然而,在实际的系统中,由于受到来自噪声子空间分量的影响,从而导致性能下降。针对这一问题,该文提出了一种基于子空间方法的线性约束最小二乘恒模(SLSCM)多用户检测算法并对其性能进行了理论分析。该算法收敛速度快,信道跟踪能力强,有较好的输出信干噪比和误码率性能。理论分析和仿真实验验证了该文算法的有效性和优越性。

基于最小二乘恒模算法及子空间方法的盲多用户检测算法

恒模算法(CMA)是一种广泛应用于阵列处理、均衡、多用户检测中的盲算法。最小二乘恒模算法(LSCMA)由于其全局收敛性及稳定性受到关注,但是它在信噪比较低时性能不是很理想。本文将最小二乘恒模算法与子空间方法相结合,提出一种基于子空间分解的恒模算法,称为LSCM_SUB算法。仿真结果表明这种算法的收敛性能比LSCMA要好,尤其是在信噪比低的时候。

线性受限最小二乘恒模盲多用户检测算法

本文将线性受限条件运用于最小二乘恒模算法,提出了一种线性受限最小二乘恒模盲多用户检测算法,称为LCLSCMA,并将它与传统的最小二乘恒模算法(LSCMA)进行了仿真比较。仿真结果表明,本文提出的LCLSCMA算法比传统的最小二乘恒模算法的信干比性能和误码率性能要好,特别在低信噪比强多址干扰情况下性能仍优于LSCMA。

基于遗传算法的广义非线性最小二乘测量平差

为了解决当前“数字地球”、“数字国家”、“数字城市”、“数字矿山”等数字化工程中广泛出现的具有多源、多维、多类型、多精度、动态和非线性等特点的测量数据的误差处理问题,本文采用了一类基于自然界生物进化基本法则而发展起来的新算法——遗传算法,在提出、设计基于遗传算法的广义非线性最小二乘参数平差方法的同时,给出了遗传算子中选择、交叉、变异算子的设计,以及具体的算法步骤。通过实例计算表明,该遗传算法是进行广义非线性最小二乘参数估计的具有全局最优化的有效方法,为广义非线性测量数据处理提供了又一新的思路。

基于总体最小二乘法的RAIM算法模型改进

最小二乘残差RAIM算法中的伪距观测模型线性化过程会形成截断误差。考虑环境噪声对数据矩阵和观测值的扰动影响,给出了RAIM解算模型;采用总体最小二乘法估计准则,使残差更精确,数据可靠性更高,提高了RAIM算法的定位解算的精度与可靠性。分别采用总体最小二乘残差法和最小二乘残差法对实测数据进行了处理,分析结果验证了总体最小二乘法优于最小二乘残差法,说明了该算法具有可用性。

基于LU分解和交替最小二乘法的分布式奇异值分解推荐算法

针对当前分布式潜在因子推荐算法存在时间复杂度较高、运行时间较长的问题,文中提出基于LU分解和交替最小二乘法(ALS)的分布式奇异值分解推荐算法,利用ALS利于分布式求解目标函数的特点,提出网格状分布式粒度分割策略,获取相互独立不相关的特征向量.在更新特征矩阵时,使用LU分解求逆矩阵,加快算法的运行速度.在KDD CUP 2012 Track1中的腾讯微博数据集上的实验表明,文中算法在确保一定推荐精度的前提下,大幅提升推荐速度和算法效率.

快速采样数据建模的最小二乘算法

由于传统的ＡＲ模型不适于快速采样数据的建模，提出了基于增量差分算子建模的递推最小二乘算法，讨论了这种模型与相应连续模型的关系．数据仿真表明这种模型较之于ＡＲ模型有较好的适用性．

一种智能天线MC-CDMA系统中的最小二乘恒模波束成形算法

提出了智能天线多载波CDMA系统中一种最小二乘恒模波束成形算法,它是在对多载波阵列接收信号进行恒模波束成形的同时,用已估信道参数对各个子载波上的信号进行合并(采用ORC、EGC或MRC),然后对合并后的信号进行判决,用判决后的信息和期望用户的扩频码重构各个子载波上的信号,最后用此重构信号与波束成形输出信号的差去控制波束成形器的抽头系数,从而提高了系统的性能.对这种波束成形算法与传统的最小二乘恒模波束成形算法进行了仿真比较,仿真结果表明,提出的束成形算法的误码性能优于传统的算法.

用阻尼最小二乘优化算法实现电力系统综合静态负荷建模

针对电力系统传统静态模型在电压稳定性分析中应用的局限性,采用阻尼最小二乘优化算法实现了电力系统综合静态负荷建模.通过对仿真结果的分析,验证了模型的描述能力和算法的可行性.

改进的正弦余弦算法求解广义绝对值方程的最小一范数解

针对存在多个解的广义绝对值方程,定义了智能算法的适应值函数,研究了正弦余弦算法中控制参数的特征,给出了一个改进的正弦余弦算法,最后应用于寻找广义绝对值方程的最小一范数解.

总体最小二乘回归模型中回归参数的一种新估计算法

当系数矩阵和观测向量都包含误差时,基于总体最小二乘法的平差模型要优于普通最小二乘法。奇异值分解法和Euler-Lagrange逼近算法是总体最小二乘法普遍采用的两种回归参数估计方法。但其推导过程要涉及Eckart-Young-Mirsky矩阵逼近理论等,复杂难懂,令许多学习者难以接受,也使其应用受到了限制。引入回归参数估计的一种新迭代算法,其理论依据严谨充分,推导过程清晰易懂,具体计算也容易编程实现。通过实际算例来验证该方法的可行性与有效性,测试结果表明该算法得出的线性回归模型具有良好的拟合效果。

半盲最小二乘恒模算法研究

恒模算法(CMA)是一种广泛应用于阵列处理、均衡、多用户检测中的盲算法。最小二乘恒模算法(LSCMA)由于其全局收敛性及稳定性受到关注。本文针对CDMA系统下行链路,基站知道小区内用户码字而小区外干扰用户码字未知的情形,提出一种适用的半盲LSCM多用户检测(MUD)算法。它将非盲多用户检测(本文中选用解相关MUD)与盲多用户检测技术(本文中选用LSCM检测器)相结合,首先根据小区内已知用户的信息,利用解相关MUD抵消小区内其它用户的干扰,接着利用LSCM算法抵消剩余的干扰。文中将SB-LSCM算法与已经提出的半盲解相关算法、LSCM算法和解相关算法进行了复杂度、SIR和BER性能的比较,并对SB-LSCM算法的SIR性能进行了理论分析。仿真结果表明SB-LSCM算法能够获得与半盲解相关相当的SIR的性能,但是其复杂度更低且在系统负荷大时能够获得优于半盲解相关算法的BER性能。另外,SB-SLCM算法能够获得较LSCM算法更快的收敛速度以及更加优良的性能。

鲁棒约束最小二乘恒模算法

在实际的通信环境中,信号方向向量偏差使得线性约束最小二乘恒模算法的性能急剧下降.针对这一问题,提出了鲁棒约束最小二乘恒模算法.该算法通过在代价函数中增加一个方向向量存在偏差的模值约束条件来提高算法的鲁棒性,并在此约束条件下推导出权重向量的递推公式.另外,采用递推算法计算逆矩阵,大大地降低了计算复杂度.所提算法对信号方向向量偏差具有较强的鲁棒性,从而保证了阵列输出的信干噪比接近最优值.仿真实验结果表明,与传统算法相比,所提鲁棒约束最小二乘恒模算法具有更好的性能,且能适应实际复杂的通信环境.

基于二次型约束的鲁棒最小二乘恒模算法

阵列指向性偏差会导致线性约束最小二乘恒模算法(LSCMA)的性能急剧下降,为此提出了一种基于二次型约束的鲁棒LSCMA算法。该算法通过对期望信号波达方向附近小区域内的方向向量的误差模值进行约束来构造一种新的代价函数,并在此函数下迭代更新权重向量,以提高算法的鲁棒性。该算法收敛速度快,稳态性能好,能够有效地解决干扰捕获问题,对阵列指向性偏差具有很强的鲁棒性,从而改善了阵列输出的信干噪比,使其更接近最优值。仿真结果表明:与线性约束最小二乘恒模算法相比,所提鲁棒算法提高了输出性能,降低了计算量,易于实时实现,且能适应实际复杂的通信环境。

基于全局最小二乘的维纳误差变量系统建模算法(英文)

讨论了一类非线性维纳误差变量系统的建模问题,该系统的输入和输出端均存在不可测的高斯白噪声。在重构误差变量模型的基础上,提出了一类基于全局最小二乘的两阶段辨识方法,引入奇异值分解取得系统的辨识解,并证明了非线性误差变量系统在持续激励情况下,当数据采样次数趋近无穷大时,所提出的全局最小二乘算法的辨识解即为非线性模型参数的极大似然解。仿真结果体现了采用该全局最小二乘两阶段算法解决非线性系统建模问题的有效性。