基于正交最小二乘的声源高分辨识别定位方法研究

针对小孔径平面阵下的低频相干源定位分辨率低的问题,提出一种基于正交最小二乘(OLS)的协方差拟合定位法。首先,将OLS运用到协方差拟合成本函数中;然后,利用OLS能在迭代识别源时能逐渐减少点扩散函数(PSF)分量影响的特点,在每次迭代后,利用当前源信息重新校正先前识别源,并通过指数参数提高声源选择标准以缩减各声源主瓣宽度提高空间分辨率。仿真和试验表明,所提方法显著降低了声源间距固定的双相干声源可分辨的最低频率。

正交最小二乘曲线拟合法

在最小二乘曲线拟合中,自变量的误差常常被略而不计,提出采用正交最小二乘法拟合曲线。该方法以正交距离残差平方和极小为准则,同时顾及了因变量和自变量的误差;基于间接平差原理详细推导了相关模型和算法。实际计算表明,采用正交最小二乘法拟合曲线,拟合效果整体上优于普通最小二乘法。

基于正交最小二乘法的径向基神经网络模型

为提高神经网络模型的预测精度以及提高模型的计算效率,减少获得高精度模型的计算量,构建了基于正交最小二乘法的高斯径向基神经网络模型结构,给出了最小二乘法高斯径向基神经网络的递归模型.依据样本点序列信息,给出了高斯径向基函数中心参数的确定方法,并采用正交最小二乘法回归迭代,从而获得隐层同输出层间的连接权参数值.采用混沌Lorenz时间序列预测问题对该设计的网络模型进行验证,并同其他文献对该序列预测的精度以及迭代所需的时间作对比.结果表明,采用该设计方法获得的网络模型具有时间预测精度高及计算效率高等优点.

基于正交最小二乘算法的小波神经网络

小波神经网络是小波函数在神经网络中的应用.本文从回归分析出发，讨论了基于离散小波变换的小波族的截断问题.然后利用正交最小二乘算法进行小波神经元函数的选择.

基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则 ,提出了基于正交最小二乘 ( OLS)递推算法 ,采用改进的 Givens旋转变换技术避免了大型矩阵的 QR分解运算。在满足系统测量精度条件下 ,使用反向优选算法优化 RBF网络结构。仿真结果表明 ,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题 。

基于正交最小二乘学习算法的径向基函数网络设计

利用正交最小二乘（OLS）方法给出径向基函数网络（RBFN）中。的选择算法；用OLS学习算法选择RBFN中心，基本思想是以OLS算法导出的误差下降速率指标为依据，按照每个正交向量对误差下降速率的贡献大小，依次选取作为网络的中心向量，所得到的网络不但具有唯一性．而且还有最少的中心数目；给出应用实例，实例说明，生成的网络规模小、速度快，而且能够避免数值病态情况的发生。

基于正交最小二乘法模糊模型的短期负荷预测

将正交最小二乘法（ＯＬＳ）模糊模型用于电力系统短期负荷预测，其推理系统模糊规则的生成、影响因素的选取和隶属度的确定均利用正交最小二乘法从历史数据中直接获得，从而克服了模糊推理系统的知识由咨询专家和经验来产生所造成的知识获取的“瓶颈”现象．相应的数学模型简洁有效．实际算例表明，该方法的预测精度较径向基网络法高０３％～０５％，每个模型运算仅需１ ｓ左右，具有较强的实用性．

径向基函数神经网络正交最小二乘改进算法的实现

综合现有文献提出的径向基函数 (RBF)神经网络关于正交最小二乘学习算法 ,对它作了改进 ,增加对于回归矩阵线性无关的判断及 β值调整的方法 ,提出具体编程实现。

基于正交最小二乘估计的非线性系统模糊辨识

提出了一种基于正交最小二乘的模糊模型结构和参数辨识方法 .首先 ,基于正交最小二乘方法分析模糊模型的模糊关系矩阵 .通过分析正交向量在模型中贡献的大小 ,确定模糊模型的结构 ,即确定模糊模型的规则数、规则 .另外 ,再次通过正交最小二乘方法确定模糊模型的结论参数 ,实现模糊模型结构和参数的优化 .为了证明该方法的有效性 ,采用该文方法对Box Jenkins煤气炉数据系统进行建模研究 ,仿真结果表明该文方法能够对非线性系统进行辨识 .

用蒙特卡洛模拟法计算正交最小二乘法拟合参数的标准偏差

介绍了一种计算正交最小二乘法拟合参数标准偏差的新方法———蒙特卡洛模拟法 ,并以电子探针微区分析技术分析环境样品的数据为例 ,对用于计算经典最小二乘法回归系数标准偏差的公式法和蒙特卡洛模拟法进行了比较。计算结果表明 ,两者完全相符 ,蒙特卡洛模拟法的计算结果正确、可靠。考察了模拟次数对计算结果的影响。模拟次数大于 5 0 0时 ,计算结果趋于稳定 ,计算所需时间在 1min以内。拟合方差与回归系数标准偏差存在明显的相关关系。线性模型能解释的方差越大 ,回归系数标准偏差越小。

基于正交最小二乘估计的非线性时间序列的预测

在对非线性时间序列的短期预测中经常采用局部线性化的预测算法 ,原有的算法使用普通最小二乘法 (LS)估计近似线性模型的参数。对于存在噪声的数据 ,该算法的数值稳定性较差。本文在对非线性空间进行局部线性化的基础上 ,采用正交最小二乘方法 (OLS)对线性模型同时进行结构选择与参数辨识 ,改善了数值的病态特性 。

RBF网络的微分进化正交最小二乘算法

研究用于径向基函数(RBF)网络训练的一种微分进化正交最小二乘(DEOLS)算法。把微分进化(DE)算法的种群作为正交最小二乘(OLS)算法的候选径向基函数集合,利用OLS对DE的种群个体进行评断,以确定RBF网络的隐结点的数目、中心和宽度。该算法融合了DE的强大搜索能力和OLS的高效评断能力,隐结点的选择比OLS要合理,同时避免DE的复杂性。最后使用实验验证了该算法的优越性。

稳健正交最小二乘拟合法

针对一般的最小二乘法忽略自变量的误差这一缺点,提出一种新的正交最小二乘法.该方法以正交距离残差平方和最小为衡量准则,并通过一定的算法剔除粗差和异常值,从而获得最佳的拟合曲线.算例结果表明稳健正交最小二乘拟合法结果更为可靠.

基于正交最小二乘的非线性系统模糊辨识

提出了一种新的基于T S模糊模型的建模方法.该方法是基于输入空间的模糊划分计算给定样本在各模糊子空间的隶属度,并利用正交最小二乘辨识模糊模型的结论参数.最后通过Box Jenkins煤气炉数据和Mackey Glass混沌时间序列的仿真结果验证了该方法的有效性与实用性.

基于正交最小二乘多面函数构建局域海洋地磁场模型研究

针对多面函数拟合局域海洋地磁场模型中质量控制和节点选择问题,提出使用抗差估计与正交最小二乘原理相结合的方法。在质量控制过程中,将局部有显著起伏的采样点视为异常观测值,采用抗差估计减弱异常值点的不利影响。在节点选择中,使用基于正交最小二乘原则判断节点的贡献效力大小,按照此原则自适应地选择节点。结果表明,基于正交最小二乘原理的多面函数法的精度和稳定性更好,更适于构建局域海洋地磁场模型。

基于正交最小二乘法的聚类及异常检测

异常检测是防范新型攻击的基本手段。文中使用了一种基于K-近邻的入侵检测算法,它不需要预先知道分布,也能很好完成异常检测的任务。为了降低检测算法的时间和空间复杂度,使用正交最小二乘法对数据进行了聚类,其优点在于数学思想非常明确,可控性好。在文中使用了DARPA99的部分入侵测试数据对两种方法进行了测试。

新的正交最小二乘方法

正交最小二乘是一种贪婪算法,采用逐步回归建模,每一步利用搜索算法找到最小化残差的一个回归项。将其拓展为每一步搜索多个最优的回归项,从而得到一种稀疏的回归方法,并将其应用于谐波分量提取中。仿真实验说明,新方法不仅能够较为精确地逐项估计出分量的参数,而且可以对分量个数进行有效的估计。

正交最小二乘法在确定台站震级偏差校正公式中的应用

经典最小二乘回归模型假设自变量没有误差而所有误差都集中于响应变量,但是许多应用领域中实际问题的自变量含有噪声数据,往往不符合这个假设,经典最小二乘回归模型不再适用。为克服这一缺陷,介绍了正交最小二乘回归模型和参数估计算法。对经典最小二乘和正交最小二乘回归系数进行了理论分析和计算机数值仿真,结果表明当自变量和响应变量都含有误差时,正交最小二乘法优于经典最小二乘法。最后将经典最小二乘法和正交最小二乘法用于蒙城地震台2001-2006年地震数据,确定了台站震级偏差校正公式,并对它们的结果进行了详细比较。

时变AR模型正交最小二乘估计法及其工程应用

指出了时变ＡＲ模型ＬＳ估计中目前存在的一些问题，并提出了一种正交最小二乘估计方法，在循环冷却水ｐＨ值的动态特性的预报控制应用中达到了较高的精度。

基于正交最小二乘的傅立叶神经网络结构选取方法

针对傅立叶神经网络基频选取及隐含层神经元数目难以确定这一问题,提出一种基于正交最小二乘的傅立叶神经网络结构选择方法。该方法依据傅立叶神经网络激活函数是一系列不同函数的特点,给定一个较小的基频,把一系列关于基频整数倍的正余弦函数作为可供选择的激活函数集,然后由正交最小二乘算法选择对网络性能贡献显著的函数作为激活函数,并简化网络结构。以聚合反应器为对象的建模仿真研究表明,正交最小二乘算法可以更有效地确定傅立叶神经网络结构。