基于负集加权迭代修正最小二乘拟合原理的快速自适应拉曼光谱基线校正算法

拉曼光谱是无损光谱分析技术,通过分析散射光的频率变化获取物质的分子结构信息。基线校正是提升光谱数据质量的关键步骤,可以去除背景信号和不相关噪声,凸显并纯化目标信号。传统的拉曼光谱技术对基线校正的时效性要求不高,但随着流式拉曼和内窥拉曼等需要实时处理光谱数据的应用场景增多,基线校正在速度和准确性要求也随之提高。传统的迭代多项式拟合和小波变换方法在时间、精度或自适应能力上存在不足。本研究开发了一种基于负集加权迭代修正最小二乘原理的快速自适应基线校正算法(MWIALS)。主要原理是提取负数集并赋予更高权重,在迭代过程中不断修正基线,并通过设置参数阈值以跳出循环,实现快速准确的基线校正。提出两种参数选择策略:固定参数(FMWIALS)适用于批量同类型光谱的快速处理,自适应(AMWIALS)适用于差异化光谱的自适应处理。该算法应用于颗粒物的流式拉曼光谱分析。结果表明,与其他主流算法相比,MWIALS在实际光谱处理上显著高效(平均处理时长47 ms·谱^(-1)),具有较高的准确性和自适应性。该算法能够满足流式拉曼和内窥拉曼等生物样本检测中实时光谱处理的需求,为拉曼光谱技术的进一步应用提供了强有力的支持。

非对称加权惩罚最小二乘算法校正X射线荧光法定量精铜痕量银元素模型

针对精铜中痕量银元素定量时特征X射线存在背景干扰的问题,采用非对称加权惩罚最小二乘算法(arPLS)对X射线荧光光谱进行基线校正,建立精铜中痕量银元素定量检测模型。通过改变算法平滑参数(λ)和收敛条件(ratio),研究痕量元素X射线光谱基线随参数变化规律,对60组光谱数据采用调整参数并图像监控的方式估计基线。所建立的定量模型不确定度系数R2=0.9862,均方根误差(RMSE)为0.0040 wt%。与不经背景校正算法相比,定量模型R2提高了0.0211,RMSE降低了0.0023 wt%,预测值和参考值平均相对误差缩减了2倍,预测不确定度由0.0028 wt%降低为0.0025 wt%。所建立的定量模型可应用于冶金在线检测、金属回收、合金强化等领域。

基于精度因子与距离残差的加权最小二乘算法在DTMB辅助北斗定位中的应用

北斗三号系统已完成建设,该系统可以在空旷的室外提供较为准确的定位信息。但是在城市峡谷区域,北斗信号会受到遮挡。当能够提供有效定位信息的北斗卫星数目逐渐减少时,利用北斗卫星进行定位得到的定位结果偏差会逐渐增大。本文针对以上问题,在采用地面数字多媒体广播信号辅助北斗定位的基础上,利用基于精度因子与距离残差的加权最小二乘算法进行定位,相比于利用最小二乘算法进行定位,定位精度提高了40%~50%。本文提出的算法对于解决定位基站数目不足时增加其他不同类型基站来进行辅助定位的问题具有借鉴作用。

基于有序子集的惩罚加权最小二乘低剂量CT优质重建算法研究

为解决低剂量CT图像重建的噪声问题,在经典的加权最小二乘迭代算法的基础上,采用有序子集设计策略,针对此问题进行低剂量CT图像优质重建。有序子集技术下惩罚加权最小二乘算法,可以较有效处理低剂量条件下CT重建信息量不足带来的缺点。同时有序子集的引入,使得新算法较经典的惩罚加权最小二乘算法在速度上得到很大提高,低剂量CT的重建图像仍可保持较佳的图像质量和较高的空间分辨率。

局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法。该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二乘回归模型,降低模型对异常数据的敏感度、优化模型参数。鉴于多模型可以改善模型估计精度,提高泛化性,采用C-NN近邻扩张搜索聚类算法对样本集进行聚类,对得到的聚类子簇依据上述算法建立回归子模型,得到多模型软测量系统。将其应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了方法的有效性。

基于最小二乘原理的多传感器加权融合算法

以存在随机扰动环境中的不同参数多传感器为研究对象 ,基于最小二乘原理 ,提出了一种加权融合算法 ,推导出各传感器的权系数与测量方差的关系。并且根据测量信息 ,提出了一种方差估计学习算法 ,实现对各传感器测量方差的估计 ,从而对各传感器的权值进行合理的分配。该算法简单 ,能快速。

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。

基于加权最小二乘优化的DV-HOP定位算法

确定事件发生的传感器节点位置是大多数无线传感网络应用场景中不可缺失的一部分。目前,在资源受限的无线传感网络中设计高精度定位算法仍是一个极具挑战性问题。为此,深入分析了DV-HOP算法中误差产生的原因,提出一种改进的DV-HOP算法。该算法为了降低计算所带来的固有误差,估算坐标时采用不直接对估算方程进行平方的方法;此外,为了进一步降低误差,采用了加权最小二乘法进行坐标估算;最后,采用理论分析的方法对算法进行了误差分析。仿真结果表明改进的算法与传统DV-HOP算法及文献[16-17]中的算法相比定位精度得到明显改善,分别提高了40%、28%和15%。

基于加权最小二乘估计的双基地声呐定位算法研究

依据T/R-R型双基地声呐的工作特点,提出了基于加权最小二乘(WLS)估计的双基地声呐定位算法,通过数值仿真,研究了不同基线长度下该算法的定位精度,给出了WLS算法定位精度的几何分布。结果表明,运用该算法对水下目标进行定位,比单纯基于波达时间(TOL)的定位方法,双基地系统可以获得更高的定位精度。

递推加权最小二乘算法的研究

通常在使用递推加权最小二乘算法时,需要设计矩阵列满秩。从极限理论的角度出发,对设计矩阵列不满秩时加权最小二乘估计的递推算法进行了理论证明和分析,得出了在任意第n步,未知参数估计值收敛于由前n组数据所决定的极小范数加权最小二乘解,并且此解是唯一的,仿真结果同样验证了该结论的正确性。

双基地加权最小二乘估计算法定位精度研究

本文通过将双基地声呐中发射和接收站的测量数据进行融合处理 ,提出了基于加权最小二乘估计 (WLS)的双基地声呐定位优化算法 ,给出了算法的原理和误差分布。通过数值仿真 ,研究了系统参数对算法定位精度的影响 ,给出了不同条件下定位误差的几何分布。并将该算法与单纯基于声波到达时间算法的定位性能进行了比较。仿真结果表明 ,双基地WLS算法充分利用了双基地系统的冗余信息 ,具有较高的定位精度。该研究为多基地声呐水下目标的探测。

加权整体最小二乘EIO模型与算法

构造了加权整体最小二乘EIO(errors-in-observations)模型,只改正独立观测值,观测值协因数阵最简洁,可克服EIV模型缺陷。基于EIO模型推导了参数估计和协因数阵精确迭代算法,实例结果正确,计算效率高。

基于加权最小二乘的多基地声呐定位算法研究

研究水下监视目标跟踪声呐定位精度问题,改善双基地声呐在某些区域(如基线区、发射和接收站的侧边区)定位性能,为了提高系统定位精度,最有效的方法就是增加发射和接收站的数量,形成多基地声呐。根据多基地声呐的几何关系,提出了加权最小二乘估计的多基地声呐定位优化算法,结合定位误差的表达式,对定位性能进行了仿真。仿真结果表明,基于加权最小二乘估计的多基地声呐定位优化算法,能够充分利用各基站的测量信息,有效提高声呐系统的定位精度。与基于距离信息的多基地声呐定位算法相比,算法不仅具有较高的定位精度,而且可以有效解地解决边区定位误差较大的问题。

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.

多变量系统混合加权最小二乘约束稳定预测控制算法研究

单变量混合加权最小二乘(MWLS)稳定预测控制算法具有在线计算量少、闭环系统稳定以及处理存在不可行解的情况等优点。但是在实际工业控制过程中,许多化工过程都是多变量的。因此,在此基础上,针对多输入多输出系统,研究了MWLS算法,并进行了仿真研究,仿真结果证实了该算法的可行性。

加权最小二乘联合遗传算法的无源定位

针对复杂环境下运动通信辐射源的无源定位,闭式解方法对于时频差模型中的测量噪声敏感且存在定位均方根误差较大问题.为了改善大观测误差下的定位性能,本文提出一种加权最小二乘联合遗传算法的递推式混合TDOA/FDOA定位方法.该方法首先利用已知站点观测大量时频差数据并建立误差模型,基于模型对定位过程中的多组时频差序列进行数据处理;其次通过加权最小二乘求解目标位置的初始值;然后采用改进的遗传算法在初始值的基础上通过多组时频差序列不断迭代、递推求解,修正位置坐标;最后利用位置估计和频差模型完成对目标速度估计.仿真结果表明,本文定位算法相比于经典两步加权最小二乘法具有更低的均方根误差,在大观测误差下能保持较高精度.同时相比于其他混合定位算法收敛速度快,可以有效减少计算量.

基于惩罚最小二乘算法的土壤重金属检测光谱基线校正

针对X射线荧光光谱分析技术在检测土壤重金属过程中由于土壤背景复杂、包含大量噪声和干扰信息而易受基体效应影响的问题,为了提高定量分析模型的精度,利用惩罚最小二乘算法拟合基线与真实基线之间的保真度和平滑度,对X射线荧光光谱进行基线校正,从而减小基线漂移的影响。选用无基线扣除、非对称最小二乘(ASLS)、自适应迭代重加权惩罚最小二乘(AIRPLS)、非对称重加权惩罚最小二乘(ARPLS)、局部对称重加权惩罚最小二乘(LSRPLS)和多约束重加权惩罚最小二乘(DRPLS)等6种处理方法对土壤重金属元素铅和砷的测量光谱进行基线校正;结合偏最小二乘(PLS)算法建立相应的校正模型,以选择最优基线校正算法;与神经网络(BP)和支持向量机(SVR)建立的校正模型进行比较,对模型进行评价。结果显示,铅元素的最佳模型为DRPLS-PLS,模型的R^(2)达到0.982,预测均方根误差(RMSEP)为0.056 mg/kg;砷元素的最佳模型为DRPLS-PLS模型,模型的R^(2)达到0.985,RMSEP为0.796 mg/kg。与PLS和BP模型相比,铅、砷两种元素的SVR模型建模均最优,模型的R^(2)分别达到0.998和0.993,RMSEP分别为0.015、0.596 mg/kg。实验表明,通过基线校正后模型的预测精度、检出限和稳定性均有所提高,该方法可有效提高X射线荧光光谱在土壤中的定量分析能力。

加权整体最小二乘EIV模型与算法——与“加权整体最小二乘EIO模型与算法”一文的讨论

加权整体最小二乘方法是一种能同时顾及EIV(errors-in-variables)模型中系数矩阵和观测向量误差的参数估计方法。根据不同的应用场景,EIV模型则表现出不同的结构特征。“加权整体最小二乘EIO模型与算法”一文采用EIO模型处理EIV模型中的结构化问题*。为了将其与现有方法进行对比,本文罗列出4种处理EIV模型结构特征的方法,并归纳了8种参数估计公式。同时从精度评定的角度讨论了整体最小二乘解的一阶及更高阶精度近似评定方法。需要强调的是,针对EIV模型及其参数估计理论可以从函数模型、随机模型和参数估计方法3个方面展开研究,但各方法殊途同归。

基于斜率加权的最小二乘RAIM算法研究

为解决某些卫星在故障检测算法中不敏感的问题,提出了卫星斜率加权的最小二乘算法。该方法从理论上推导出卫星特征斜率的表达式,根据特征斜率大小构建斜率加权矩阵,对特征斜率较小的卫星加以更大的权重。构造出斜率加权的检验统计量,通过比较新的检验统计量与检测门限,实现对卫星的故障检测。结合真实数据对该方法进行验证,结果表明:基于斜率加权的最小二乘RAIM算法的故障检测率优于最小二乘RAIM算法。

非负最小二乘约束的加权贝叶斯反演算法研究

在多角度动态光散射纳米颗粒粒度分析反演算法中,加权贝叶斯算法具有较好的抗噪性能,然而初值敏感、耗时长等缺点限制了其广泛应用,本文提出非负最小二乘约束下的加权贝叶斯反演算法,利用非负最小二乘法的计算结果作为加权贝叶斯算法先验初值,并限制中值粒径和峰宽的寻优.对不同分布宽度的单峰颗粒系统在不同噪声下进行数据模拟,发现无论是宽分布还是窄分布的单峰颗粒系统,非负最小二乘约束的加权贝叶斯算法都可以显著提升迭代收敛速度和抗噪性能,在大噪声时收敛速度提升8倍以上且保证分布误差在0.0709以内.实验结果证明本文算法能很好地应用于多角度动态光散射的粒度分析.