Signal estimation with binary-valued sensors

<正> This paper introduces several algorithms for signal estimation using binary-valued outputsensing.The main idea is derived from the empirical measure approach for quantized identification,which has been shown to be convergent and asymptotically efficient when the unknown parametersare constants.Signal estimation under binary-valued observations must take into consideration oftime varying variables.Typical empirical measure based algorithms are modified with exponentialweighting and threshold adaptation to accommodate time-varying natures of the signals.Without anyinformation on signal generators,the authors establish estimation algorithms,interaction between noisereduction by averaging and signal tracking,convergence rates,and asymptotic efficiency.A thresholdadaptation algorithm is introduced.Its convergence and convergence rates are analyzed by using theODE method for stochastic approximation problems.     

Convergence and stability of the Newton-Like algorithm with estimation error in optimization flow control

The Newton-Like algorithm with price estimation error in optimization flow control in network is analyzed.The estimation error is treated as inexactness of the gradient and the inexact descent direction is analyzed.Based on the optimization theory,a sufficient condition for convergence of this algorithm with bounded price estimation error is obtained.Furthermore,even when this sufficient condition doesn't hold,this algorithm can also converge,provided a modified step size,and an attraction region is obtained.Based on Lasalle's invariance principle applied to a suitable Lyapunov function,the dynamic system described by this algorithm is proved to be global stability if the error is zero.And the Newton-Like algorithm with bounded price estimation error is also globally stable if the error satisfies the sufficient condition for convergence.All trajectories ultimately converge to the equilibrium point.     

基于正交小波变换的奇对称误差函数盲均衡算法

针对常数模（Constant Modulus Algorithm,CMA）收敛速度慢、均方误差大的缺点,在分析基于正交小波变换的盲均衡器结构及奇对称误差函数的特性基础上,提出了一种基于正交小波变换的奇对称误差函数盲均衡算法（WT-OSE,orthogonal Wavelet Transform based Odd Symmetry Error function blind equalization algorithm）,该算法通过归一化正交小波变换来加速收敛速度,用误差函数的奇对称性以减小均方误差,利用变步长来进一步加快收敛速度。水声信道的仿真结果表明,该算法具有较快的收敛速度和较小的均方误差。

Abstract：

Aiming at the slow convergence rate and big mean square error of Constant Modulus Algorithm（CMA）,orthogonal wavelet transform based odd symmetry error function blind equalization algorithm blind equalization algorithm was proposed,on the basis of orthogonal wavelet transform based blind equalizer structure and characteristics of odd symmetry error function,the convergence rate of the proposed algorithm could be improved by normalized orthogonal wavelet transform and its mean square error could be reduced by odd symmetry of error function and the convergence rate was further improved via using the performance of variable step size.Simulation tests with underwater acoustic channel indicate that the proposed algorithm has not only faster convergence rate but also less mean square error.     

单位根检验中的Wald检验量研究：Bootstrap法VS临界值法

针对Wald临界值检验方法存在检验水平扭曲和功效低下的不足,提出了Wald检验量的Bootstrap检验方法,并从理论上证明了该方法的有效性;借助于蒙特卡罗模拟技术对两种检验方法进行对比.结果表明：在无漂移项数据生成过程中,两种方法的实际覆盖率分别为100%和72.9%,精确程度之比为33：15;在有漂移项的数据生成过程中,实际覆盖率分别为94.4%和77.8%,精确程度之比为20：15;在检验功效方面,Bootstrap方法较临界值检验具有明显的优势,尤其是在小样本下;由标准正态分布得到的临界值对其它误差分布类型缺乏稳健性.实证分析也表明由Bootstrap检验方法得到的模型更符合实际情况.因此,Bootstrap方法可以替代临界值方法进行单位根的Wald检验.     

基于方差分析变量约减的指令制导回路误差分配方法

针对引入惯导设备的指令制导系统中的误差分配问题,构建了指令制导回路误差优化分配的数学模型,利用方差分析法进行了变量约减,改善了传统优化设计中优化参数过多的问题。采用基于带精英策略的非支配排序遗传算法的Pareto多目标遗传算法,并利用动态罚函数法处理多约束情况,改善了优化求解过程仿真时间过长和局部收敛的问题。以某指令制导系统和惯导设备的误差参数为例,用此方法对制导精度和总费用两项指标进行优化。结果表明,优化方案的各项性能指标均满足设计要求,与优化前方案相比,优化目标有很大程度的改观,制导精度提高近30%,总费用降低近40%。该优化方法有效且通用性强,可为其它制导方式的误差优化分配问题提供设计依据。     

中国股市多标度的幂律分布与相关性关联研究

对上海证券交易所综合股价指数（SSECI）收益率多标度条件下幂律分布与相关性的关联研究发现,加速幂律衰减,对收益率的相关性没有显著影响;短程、非线性和非线性长程相关性不同程度地维持着幂律分布特征,消除某一特定类型的相关性均会弱化收益率的胖尾,同时加速幂律衰减和渐进收敛速度,其中非线性长程相关性的影响最为显著,但这一影响过程以一定的临界标度作为前提,大于临界标度,相关性的作用显著减弱,幂律分布表现出完全的标度依赖性.     

基于蜂群算法和神经网络的通信调制识别方法

针对现有基于误差反向传播算法的多层感知器神经网络分类器在信号识别中存在收敛速度缓慢、出现假饱和现象等问题,采用蜂群算法提取信号的联合特征模块,提出快速支持、超级自适应误差反向传播、共轭梯度3种不同算法分别应用于多层感知器神经网络分类器,实现对通信信号的自动识别。所提算法和误差反向传播算法相比有更高的识别率。仿真结果表明,所提算法能够克服误差反向传播算法的缺陷,在隐藏层神经元仅为20个、信噪比为4 dB条件下,3种算法的识别率均高于95% ,且系统易于实现,在信号识别中具有广泛的应用前景。     

自回归模型的加权复合Expectile回归估计及其应用

本文基于充分利用多个Expectile信息能提高参数估计效率的假设,提出了AR模型的加权复合Expectile回归(WCER)估计,探讨了该估计的最优权重,建立了其大样本性质,发现根据由数据驱动的最优权重所获得的WCER估计与最优权重已知时所获得的WCER估计具有相同的渐近有效性.数值模拟表明,当误差为厚尾或非对称分布,所提出的WCER估计大大优于传统最小二乘估计.即使误差分布未知,依然可以得到像极大似然估计一样具有优良统计性质的WCER估计.应用所提出的方法分析恒生指数和标准普尔500指数,实证分析表明:所提出的WCER估计在有效性意义下非常具有竞争力.     

一种T-S模糊系统建模方法

T-S模糊系统被广泛应用于基于数据的建模应用中。模糊规则作为系统的核心,是影响系统性能的重要因素。在分析常见模糊系统建模方法的基础上,提出一种简单有效的建模方法。该算法基于变结构模糊建模思想,均匀选择模型的初始结构,以绝对误差为建模指标,通过增加模糊规则来提高T-S模糊系统的精度。为降低规则参数辨识的计算量,提高建模速度,将规则参数分为线性和非线性两部分,分别采用不同方法进行辨识。实例证明文中所提出的建模方法规则分布合理,收敛速度快,建模精度高,具有很好的实际应用价值。     

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。     

基于HKKP估计的商业银行操作风险估计

对于商业银行而言，操作风险已经成为与市场风险和信用风险同样重要的风险。本文利用极值理论对中国商业银行操作损失极端值分布进行估计，针对尾参数估计的采用传统Hill估计对小样本数据容易产生偏倚的情况，提出了采用Hill估计的改进——小样本无偏估计的HKKP估计来估计操作损失的尾参数，针对由于阈值确定不准确导致结果偏差大的情况，采用最小化估计的累计概率分布与经验累计概率分布平均平方误差的方法确定较精确的阈值，估计出给定置信水平下操作风险损失的分位数，从而使得中国商业银行操作风险监管资本的测定成为可能。     

基于MRS-EGARCH模型的沪深300指数波动预测

提出了一种新的马尔可夫机制转换EGARCH模型,假定收益残差序列可以服从高斯分布、t-分布或广义误差分布,并允许非高斯分布中自由度与所处机制有关,以刻画可能存在的时变峰度及厚尾特征.以沪深300指数为例进行实证研究,发现新模型能区分隐藏在指数收益序列中的不同机制.预测成功率指标表明设定收益残差服从厚尾分布的MRS-EGARCH比单机制EGARCH具有更好的波动率预测性能.     

基于随机截尾的数控机床故障分布模型研究

针对随机定时截尾试验数据,提出运用故障总时间法确定其故障时间,用Johnson法确定故障时间的顺序号,用近似中位秩确定其经验分布函数.针对故障分布模型不唯一这一特点,本文提出采用图分析和误差面积比指数从定性和定量两方面确定其最优分布模型.最后以某一数控机床的现场试验数据为例,介绍了整个计算过程.该算法利用几何直观,计算简便准确,具有一定的工程应用价值.     

AN INTELLIGENT CONTROL SYSTEM BASED ONRECURRENT NEURAL FUZZY NETWORK AND ITS APPLICATION TO CSTR

In this paper, an intelligent control system based on recurrent neural fuzzy network is presented for complex, uncertain and nonlinear processes, in which a recurrent neural fuzzy network is used as controller (RNFNC) to control a process adaptively and a recurrent neural network based on recursive predictive error algorithm (RNNM) is utilized to estimate the gradient information ρy/ρu for optimizing the parameters of controller.Compared with many neural fuzzy control systems, it uses recurrent neural network to realize the fuzzy controller. Moreover, recursive predictive error algorithm (RPE) is im-plemented to construct RNNM on line. Lastly, in order to evaluate the performance of the proposed control system, the presented control system is applied to continuously stirred tank reactor (CSTR). Simulation comparisons, based on control effect and output error,with general fuzzy controller and feed-forward neural fuzzy network controller (FNFNC),are conducted. In addition, the rates of convergence of RNNM respectively using RPE algorithm and gradient learning algorithm are also compared. The results show that the proposed control system is better for controlling uncertain and nonlinear processes.     

水声信道混合型常数模盲均衡新算法

为了克服常数模算法(constantmodulusalgorithm,CMA)收敛速度慢、符号误差常数模算法(signerrorcon stantmodulusalgorithm,SECMA)收敛后剩余干扰大的缺点,利用常数模代价函数和符号误差常数模代价函数定义了一个混合常数模新代价函数,并从理论上分析了该代价函数的特性,构造了具有常数模代价函数梯度矢量与符号误差常数模代价函数梯度矢量联合更新的混合常数模新算法(mixedconstantmodulusalgorithm,MCMA)。调整该算法中两个梯度矢量的比例系数,可提高该算法收敛速度、减少收敛后的均方误差。通过对水声信道均衡的计算机仿真,证明了该算法的有效性。     

模糊步长LMS算法及其性能分析

以均方误差、输出与误差信号的相关系数作为衡量LMS算法收敛程度的标准及模糊推理系统的输入,提出了一种用零阶Sugeno模糊推理系统自适应调整步长的模糊步长LMS(FSS-LMS)算法,并从理论上分析了FSS-LMS算法的计算复杂度及其收敛性能。分析结果指出FSS-LMS算法的计算复杂度与传统LMS算法基本相当,但它具有更大的灵活性。自适应系统辨识的仿真结果表明FSS-LMS比传统的LMS算法及其它一些变步长LMS算法具有更好的收敛性能。     

中国省际差异化能源转型背景下的CO_2排放预测

为促进中国能源消费转型,减少CO_2排放,本文首先利用俱乐部收敛检验等方法对不同类型化石能源消费的省际差异演变及原因进行实证研究.其次,基于收敛聚类结果利用分层(组)预测方法对不同消费层级未来中短期内的CO_2排放进行预测.研究发现:由于经济发展对煤炭消费的依赖程度不同,各省煤炭消费分别向3个不同水平收敛;在能源强度及结构效应的驱动下,各省石油和天然气消费整体向上收敛.在未来,Clubs2省份将主导全国总的煤炭消费CO_2排放趋势,进而对化石能源总CO_2排放产生显著影响;同时,未来的原油消费将增加总CO_2排放量,而天然气消费具有减排优势;另外,各省CO_2排放量及增速仍将存在较大差异.以上发现对建立特定的区域能源消费及排放政策具有重要启示:Clubs2中的省份是控制煤炭消费,减少CO_2排放的重点区域;严控高收入、重工业省份的原油消费将会进一步降低总CO_2排放量.     

采用梯度平滑措施的自适应符号算法

以自适应回波对消为对象 ,讨论了两种自适应符号算法的梯度估计平滑方法。从理论上对其中一种平滑方案导出的自适应算法的性能进行了详尽的分析。在输入为联合高斯的情况下 ,给出了权值一阶矩和二阶矩的收敛特性公式。结果表明 ,与符号算法相比 ,平滑算法的收敛速度与符号算法基本一致 ,但稳态误差更小 ,自适应步长的取值范围更大。     

水声信道快速收敛自适应均衡算法

从提高自适应均衡算法水声信号收敛性能的角度出发,提出了一种新的快速收敛水声信道自适应均衡算法。该算法将改进的归一化均方误差算法和判决反馈均衡器结构有机结合,在不增加计算量的前提下,很好地实现了不同水声信道的自适应均衡,易于算法的硬件实现。仿真结果表明,该算法计算量同归一化最小均方(normalized least mean square, NLMS)误差算法的计算量相当,但在稳态误差和收敛速度上有很大优势;收敛性能与自适应调整最小二乘回归〖CD*2〗判决反馈均衡器(variable tap-length decision feed-back equalizer based on recursive least square, RLS-DFE)算法接近,却克服了RLS-DFE算法计算量大,不利于硬件实现的实际问题。提出的算法为水声通信提供了一种性能优良的可实现方法,具有较高的应用价值。     

探索曲面结构的小生境遗传算法

提出了具有适应值曲面结构自学习能力的多区域并行局部搜索算子PLS和约束交叉算子GC，定性地分析了它们的作用机制，给出了基子仿真实验数据的遗传算法收敛速度和全局收敛可靠性的定量计算方法。仿真实验数据表明，PLS能有效地提高搜索速度并维持足够的种群基因多样度，GC可有效地微调解的质量，使改进的遗传算法的全局收敛速度和收敛可靠性均显著地优于标准遗传算法，并具有良好的鲁棒性和稳定性．