基于迭代重赋权最小二乘算法的块稀疏压缩感知

压缩感知是一种新颖的信号处理理论.它突破了传统香农采样理论对采样的限制,以信号的稀疏性或可压缩性为基础,实现了信号的高效获取和精确重构.然而在现实中,部分稀疏信号还表现出一些其他结构,典型的例子就是一类块稀疏信号,其非零元素以块的形式出现.针对这类信号,本文研究了求解块稀疏压缩感知的迭代重赋权最小二乘算法(IRLS),给出了该算法的理论分析:误差估计和局部收敛性分析.大量试验验证了基于迭代重赋权最小二乘算法的块稀疏压缩感知策略的有效性.

迭代再权共轭梯度q范数正则化线性最小二乘–支持向量机分类算法

L2范数罚最小二乘–支持向量机(least square support vector machine algorithm,LS–SVM)分类器是得到广泛研究和使用的机器学习算法,其算法中正则化阶次是事先给定的,预设q=2.本文提出q范数正则化LS–SVM分类器算法,0<q<∞,把q取值扩大到有理数范围.利用网格法改变正则化权衡参数c和正则化阶次q的值,在所选的c和q值上,使用迭代再权方法求解分类器目标函数,找出最小分类预测误差值,使预测误差和特征选择个数两个性能指标得到提高.通过对不同领域的实际数据进行实验,可以看到提出的分类算法分类预测更加准确同时可以实现特征选择,性能优于L2范数罚LS–SVM.

加权最小二乘估计中选择权数的迭代算法

介绍了加权最小二乘估计的性质及其常见权数选择的方法,并给出评判一个好的二乘估计的标准,由此提出选择权数的迭代算法.

基于选权迭代的总体最小二乘算法在三维坐标转换中的应用

提出一种基于选权迭代的TLS算法,通过IGG I函数进行定权,降低含粗差观测值的权值,在进行三维坐标转换时能有效地处理观测值粗差。实例证明,该算法可以获取更高精度的三维坐标转换参数。

求解二次指派问题的最优迭代最大最小蚂蚁算法

为提高二次指派问题的求解质量,设计了一个有效的最大最小蚂蚁求解算法。首先,运用最优迭代思想,让每只蚂蚁从当前最优路径中随机地选择位置及其对应的任务作为下一轮迭代的初始值,增强每轮搜索的有效性;其次,采用加入新任务后目标值的增量作为启发式因子来引导状态转移,增加每步搜索的目的性;然后,应用多精英策略来进行信息素更新,增加解的多样性;并设计有效的双重变异技术来提高解的质量,提高算法的收敛速度;最后,应用QAPLIB数据集进行了大量实验,结果表明:该算法在二次指派问题的求解质量和稳定性上显著优于其他算法。

基于最小二乘迭代算法精确估计塔康方位参数

对中频数字化技术的塔康视频信号方位估计进行了研究。首先通过搜索PAM信号的峰值,得到由随机峰值点组成的包络信号;再根据确定的信号形式,采用最小二乘迭代算法估计出包络信号的方位参数。不需要寻找正斜率拐点和脉冲对译码,通过迭代运算能减小运算量和计算机内存,在对峰值进行拟合过程中,能有效抑制噪声的影响,提高参数估计精度。计算机仿真验证了其有效性。在3 dbW的功率信噪比下,估计误差不超过0.5°,满足塔康系统的方位误差为2°的要求。与传统方法相比,该方法具有实现简单、高精度的特点。

混合总体最小二乘的迭代解算算法

总体最小二乘估计能够同时顾及线性模型中系数矩阵A和观测向量L的误差,平差理论相对更为严密。如果系数矩阵A的部分元素没有误差,这种总体最小二乘模型为混合总体最小二乘模型。针对混合总体最小二乘(Least squares-total least squares,LS-TLS)解算问题,应用测量平差中的原理和方法,推导了混合总体最小二乘的迭代逼近解算公式,通过与奇异值分解法分析比较,分析了两种解算方法具有等价性,最后通过实验数据分析得出迭代算法的有效性和合理性。

基于选权迭代法的抗差整体最小二乘及其应用

在测量数据处理中,观测向量与系数矩阵同时存在偶然误差时,整体最小二乘法能够得到更高精度的参数解,但整体最小二乘法无抗差能力,观测向量中的粗差将对参数求解产生较大影响。为解决上述问题,采用拉格朗日极值法推导了基于选权迭代法的抗差整体最小二乘计算公式,通过三维坐标转换参数求解实例对3种选权迭代法进行分析。结果表明,IGG法在抗差整体最小二乘解法中抗差效果最好。

矩阵方程AXB=C的中心对称最小二乘解及其最佳逼近的迭代算法

本文建立了求矩阵方程AXB=C的中心对称最小二乘解的迭代算法。在不考虑舍入误差时,对任意给定的初始中心对称矩阵,该算法能够在有限步迭代后得到此方程的中心对称最小二乘解。当选取特殊的初始矩阵时,可得到极小范数中心对称最小二乘解。另外,在上述解集合中也可得到给定矩阵的最佳逼近矩阵的表达式。

复指数信号模型非线性最小二乘解的几何结构及迭代算法

本文给出了复指数信号模型非线性最小二乘解的几何结构 .从分析迭代算法的收敛性态入手得到解的几何结构 ,将有助于构造十分有效的迭代算法 .另外 ,本文在低信噪比 (10dB)及较小频率差 (0 0 2Hz)的情况下 。

分数阶系统的迭代最小二乘辨识算法

针对等比例阶次的分数阶系统的特点,提出了一种分数阶系统频域辨识的迭代最小二乘算法,并将运算数据的实部和虚部分离计算引入辨识过程,简化了计算的复杂度。此算法是整数阶系统辨识频域最小二乘算法的推广。通过无噪声和有噪声两种情况下的仿真实验,证明了该算法的有效性。

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机（LS-SVM）回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明：在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。

线性矩阵方程异类约束最小二乘解的迭代算法

多矩阵变量线性矩阵方程(LME)约束解的计算问题在参数识别、结构设计、振动理论、自动控制理论等领域都有广泛应用。本文借鉴求线性矩阵方程(LME)同类约束最小二乘解的迭代算法,通过构造等价的线性矩阵方程组,建立了求多矩阵变量LME的一种异类约束最小二乘解的迭代算法,并证明了该算法的收敛性。在不考虑舍入误差的情况下,利用该算法不仅可在有限步计算后得到LME的一组异类约束最小二乘解,而且选取特殊初始矩阵时,可求得LME的极小范数异类约束最小二乘解。另外,还可求得指定矩阵在该LME的异类约束最小二乘解集合中的最佳逼近解。算例表明,该算法是有效的。

求矩阵方程AXB+CXD=F的中心对称最小二乘解的迭代算法

该文建立了求矩阵方程AXB+CXD=F的中心对称最小二乘解的迭代算法.使用该算法不仅可以判断该矩阵方程的中心对称解的存在性,而且无论中心对称解是否存在,都能够在有限步迭代计算之后得到中心对称最小二乘解.选取特殊的初始矩阵时,可求得极小范数中心对称最小二乘解.同时,也能给出指定矩阵的最佳逼近中心对称矩阵.

一类Lyapunov矩阵方程对称最小二乘解的迭代算法

基于共轭梯度法,建立了一类Lyapunov矩阵方程的对称最小二乘解的迭代算法.使用该算法不仅可以判断这类矩阵方程的对称解的存在性,而且无论对称解是否存在,都能够在有限步迭代计算之后得到对称最小二乘解.选取特殊的初始矩阵时,可求得极小范数对称最小二乘解,同时也能给出指定矩阵的最佳逼近对称矩阵.最后,利用数值算例对有关结果进行了验证.

多变量LME一种异类约束最小二乘解的迭代算法

基于求多矩阵变量线性矩阵方程(LME)异类约束解的迭代算法,通过构造等价的线性矩阵方程组,建立了求多变量LME的一种异类约束最小二乘解的迭代算法.该算法不要求等价线性方程组的系数矩阵正定、可逆或者列满秩,因此该算法总是可行的.不考虑舍入误差时,该算法可在有限步计算后求得多变量LME的一组异类约束最小二乘解;选取特殊的初始矩阵时,可求得多变量LME的极小范数异类约束最小二乘解.此外,还可在多变量LME的异类约束最小二乘解集合中给出指定矩阵的最佳逼近矩阵.算例表明,迭代算法是有效的.

矩阵方程组的最小二乘解及其最佳逼近的迭代算法

建立了求矩阵方程组AiXBi=Ci(i=1,2)的最小二乘解的迭代算法.不考虑舍入误差时,对任意给定的初始矩阵,该算法能够在有限步迭代计算后得到矩阵方程组的最小二乘解,给定特殊的初始矩阵时可得到极小范数最小二乘解.另外,在上述解集合中也可给出指定矩阵的最佳逼近矩阵.

双变量矩阵方程组对称最小二乘解的迭代算法

本文研究了求双变量线性矩阵方程组的对称最小二乘解的问题.利用求解线性代数方程组的共轭梯度法的基本思想,通过对有关矩阵和系数的变形与近似处理,建立了一种迭代算法.拓宽了共轭梯度法的适用范围.算例表明,迭代算法是有效的.

非线性最小二乘参数平差迭代算法

在非线性最小二乘问题现有的 3类主要算法高斯 牛顿法、阻尼最小二乘法和最小二乘的拟牛顿法的基础上 ,引入了综合性能更优的非线性规划的SQPM (序列二次规划法 )算法 ,并且为进一步提高SQPM算法迭代的收敛性 ,对其步长策略进行了改进。改进的SQPM算法成为无需精确计算参数概略值的非线性最小二乘参数平差的实用和有效算法。

基于最小二乘自适应迭代的宽带波束形成算法

大部分时域恒定束宽宽带波束形成算法的权值拟合运算量较大,导致实用性大大降低。本文给出一种基于最小二乘自适应迭代的恒定束宽波束形成器设计方法,同时将RLS迭代算法应用于滤波器组设计中。本文方法易于实现,不受阵形及阵元指向性限制,不受迭代步长影响,且能快速收敛。理论推导及仿真实验验证了本文方法的有效性。