基于RLS-SVM的OFDM信道估计算法

为了提高OFDM系统的传输效率,提出了一种新的信道估计算法.通过改变导频模式,在一个OFDM符号的前若干子载波处插入导频,并在导频处进行信道估计,在此基础之上,采用递归最小二乘支持向量机(RLS-SVM)测后续子载波处的信道频率响应.仿真结果表明,在违反采样定律的情况下,与传统的信道估计算法相比,基于RLS-SVM的信道估计算法获得了较好的性能,在同样的传输速率下,减少了导频个数,提高了系统的传输效率.     

Modified L-P小波最小二乘支持向量机及在动态系统辩识中的应用

为了提高动态系统的辩识品质,提出了-种新的可调带宽多维支持向量小波核函数-modifiedL-P小波核函数.理论E证明了这种核函数是满足平移不变核定理的支持向量核函数.由于该核函数具有平移伸缩正交性,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提升了支持向量机的泛化性能.应用Modified L-P小波核作为最小二乘支持向量机的核函数,可以简化计算复杂性,提高学习效率.回归实验和动态系统辩识的仿真结果表明,Modified L-P小波核函数最小二乘支持向量机的建模和逼近能力优于基于L-P小波核函数或高斯核函数最小二乘支持向量机,更适合工程应用.     

基于GA优化小波LS-SVR的惯性器件故障预报

为了提高最小二乘支持向量回归机的性能,将Morlet小波核函数引入其中,形成了最小二乘小波支持向量回归机模型。利用待优化的参数重构模型的目标函数和约束条件,并在此基础上通过遗传算法进行参数选择,从而提高了该模型的泛化能力。将最小二乘小波支持向量回归机应用于导弹陀螺仪的漂移趋势预测,仿真实验结果表明了该方法的有效性和可行性,因此可以为陀螺仪的故障预报、可靠性辅助决策提供依据。     

基于压缩感知的多核稀疏最小二乘支持向量机

为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。     

基于最优LS-SVM的制导工具误差分离与折合

将最小二乘支持向量机方法应用于制导工具误差分离于折合。利用线性核函数获得了工具误差系数的估计,然后利用交叉验证技术推导了最小二乘支持向量机最优参数的选择准则。该准则的计算是基于模型求解的中间参数,所以并没有增加很多的计算量。最后根据六自由度弹道仿真软件进行了特殊弹道与全程弹道的仿真。仿真计算表明,与最小二乘和主成份方法相比,最优最小二乘支持向量机获得的误差系数估计与真值更加接近,折合得到的全程弹道遥外差更加准确。     

模糊偏最小二乘支持向量机的应用研究

基于偏最小二乘回归法和模糊隶属度函数,提出了一种模糊偏最小二乘支持向量机.传统最小二乘支持向量机引入模糊加权系数后,可以根据训练样本点的情况调整折衷系数,有效地提高了最小二乘支持向量机的抗噪性能.同时利用偏最小二乘回归法,克服了求解线性回归方程中自变量向量间的多重相关性问题.利用 sinc 函数对该建模方法进行了测试,并进一步对铜转炉吹炼时间的预测问题进行了仿真研究.仿真结果表明,该建模方法具有预测准确、跟踪性能好的优点.     

基于均匀试验设计的支持向量回归参数选择方法

支持向量机通过引入核函数将低维空间的非线性问题转化为高维空间的线性问题,克服了维数灾难,并展现了极好的学习能力.但是在支持向量回归分析中,核函数的选取和模型参数的选择目前都没有十分有效的方法.针对高斯核函数的情况,首先通过理论分析和数值仿真,给出了模型参数的选取范围,然后结合均匀试验设计和偏最小二乘回归,提出了一种快速有效的模型参数选择方法.理论分析和实例计算表明该方法选取的模型参数确实能够得到泛化能力较好的回归模型.     

基于GA和Bootstrap的最小二乘支持向量机参数优选

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便.针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

MIMO-OFDM/OQAM系统中基于导频的时域信道估计方法

针对基于交错正交幅度调制的多输入多输出正交频分复用(multiple input multiple output orthogonal frequency division multiplexing with offset quadrature amplitude modulation,MIMO-OFDM/OQAM)系统的信道估计问题,构造了基于导频的时域信道估计模型,利用导频符号估计信道的时域脉冲响应。与传统的频域信道估计方法相比,这种方法需要的导频数量较少,并且在存在严重频率选择性衰落的信道条件下也有较好的估计性能,理论分析和仿真结果表明了算法的有效性。     

用于回归估计的最小二乘广义支持向量机

提出了一种用于回归估计的最小二乘广义支持向量机.这种最小二乘广义支持向量机的核函数同标准的支持向量机相比没有或者只有很少的限制.将这种用于回归估计的最小二乘广义支持向量机表示成标准的二次规划(QP)问题,采用基于矩阵分裂的超松弛法同投影梯度法相结合的算法来解这一QP问题.根据超松弛法的特点,这一算法可以处理大量数据的情形.     

基于距离加权最小二乘的量测数据关联

量测数据关联是被动多传感器系统中需要首先解决的一个关键问题,通常可采用多维分配算法进行求解,其中代价函数的选取在一定程度上决定了算法的最终分配结果。基于广义似然比构造的代价函数由于采用精度较低的传统最小二乘法进行定位,且没有考虑融合方差的影响,导致其性能较差。针对这一问题,提出一种基于距离加权最小二乘的量测数据关联算法,该算法将距离信息引入最小二乘定位算法中,并在代价函数的计算中融入目标位置的估计方差,构建出能够更为准确反映量测与目标之间相关程度的代价函数。仿真实验表明,所提算法在计算代价较小的前提下,提高了关联正确率,具有较好的工程应用价值。     

基于压缩感知的稀疏多径信道估计

提出了一种基于压缩感知理论的稀疏多径信道估计方法。利用训练序列设计了一种简化的Toeplitz结构观测矩阵,证明了观测矩阵满足限制等距特性,可以作为压缩感知的观测矩阵。根据此矩阵的近似正交性特点对正则化迭代硬阈值算法进行简化,并引入精英策略提出一种归档正则化迭代硬阈值估计算法。仿真结果表明,该估计方法相对于迭代最小二乘法具有更优的性能,且提出的归档正则化迭代硬阈值算法兼具收敛速度快和稳定性高的优点。     

基于DNN的无人机数据OFDM传输技术

针对无人机信道含多径、多普勒频移,还易受到外来干扰和高功率放大带来的非线性失真影响的问题,提出一种基于深度神经网络(deep neural network,DNN)的无人机正交频分复用(orthogonal frequency divi-sion multiplexing,OFDM)数据传输技术.下行链路采用OFDM系...     

基于叠加训练序列的MIMO信道估计及其性能分析

提出一种基于叠加训练序列的MIMO信道估计模型,该模型信道估计方法不占用额外的信号带宽并具有较高的估计精度。通过最小二乘(LS)方法,推导出模型信道估计误差的均方差、信道容量的下限以及更加紧凑的Cramer-Rao界。数值模拟结果表明,相同条件下,采用叠加的训练序列要比直接采用训练序列对系统容量的改善5 dB左右。此外,模型所采用的算法结构简单,计算量小,有很大的实际应用前景。     

基于遗传算法的区间数核模糊聚类方法

针对现有区间数聚类算法对多种聚类模式以及不对称数据聚类性能不理想的问题,本文提出了一种基于核方法的区间数模糊聚类算法.该方法通过设计合适的核函数,有效地对非对称数据以及混合模式原型的数据结构进行聚类,同时避免了直接在高维特征空间求解聚类问题.本文采用区间数遗传算法来求取高度非凸聚类优化问题得到聚类问题的全局最优解.仿真实例说明了本文算法的有效性.     

Jelinski-Moranda模型的一种新的NLS估计法

提出了一种新的基于非线性最小二乘法的软件可靠性Jelinski-Moranda(J-M)模型参数估计方法(LogLSE).给出了一种与经典的J-M模型最小二乘法等价的曲线拟合函数,推导了J-M模型的新的非线性最小二乘(NLS)参数估计公式.在标准的软件可靠性失效数据一海军战术数据系统(NTDS)和三组J-D.Musa软件可靠性数据上,利用牛顿迭代法求解参数估计的实例分析,说明了LogLSE估计优于传统的基于最大似然估计(MLE)和最小二乘估计(LsE)的J-M模型参数估计.     

基于超曲面的多类分类方法

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分 .基于 Jordan曲线定理 ,提出了一种通用的基于分类超曲面的分类法 ,它是通过直接构造分类超曲面 ,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种全新分类判断算法 ,不需作升维变换 ,不需要考虑使用何种核函数 ,而直接地解决非线性分类问题 .对数据分类应用的结果说明 ,基于分类超曲面的多类分类法可以有效地解决非线性数据的分类问题 ,并能够提高分类效率和准确度 .     

基于压缩传感的MIMO-OFDM水声通信信道估计算法

充分利用水声信道的稀疏特征,提出一种基于压缩传感理论的多输入多输出正交频分复用(multiple-input multiple-output orthogonal frequency division multiplexing, MIMO-OFDM)水声通信系统信道估计算法。在MIMO-OFDM水声通信系统模型的基础上,考虑Doppler频移的影响设计符合压缩传感理论框架的过完备字典,利用一系列非正交基在过完备字典下描述待重建信号。通过对比分析基追踪降噪、丹茨格选择器以及正交匹配跟踪3种算法的信道估计性能,进一步证明了算法的有效性。仿真实验结果表明,基于压缩传感的稀疏信道估计算法具有优于传统最小二乘算法的信道估计精度,并且在最小二乘矩阵求逆奇异的情况下仍能准确地估计出信道参数;在计及Doppler频移的影响时,直接压缩传感估计优于补偿后的压缩传感估计方法。     

Joint DOA and time delay estimation method for space-time coherent distributed signals based on search

Under dense urban fading environment, performance of joint multi-path parameter estimation method based on traditional point signal model degrades seriously. In this paper, a new space and time signal model based on multipath distribution function is given after new space and time manifold is reconstructed. Then joint spacetime signal subspace is obtained by converting acquired channel from time domain to frequency domain. Then space and time spectrum is formulated by the space sub-matrix and time sub-matrix taken out of joint space-time signal subspace, and parameters are estimated by searching the minimum eigenvalues of the space matrix and the time matrix. Lastly, A space and time parameters matching process is performed by using the orthogonal property between joint noise subspace and the space-time manifold. In contrast with tradition MUSIC, the algorithm we present here only need two 1- dimension searching and was not sensitive to different distribution function.