鲁棒约束最小二乘恒模算法

在实际的通信环境中,信号方向向量偏差使得线性约束最小二乘恒模算法的性能急剧下降.针对这一问题,提出了鲁棒约束最小二乘恒模算法.该算法通过在代价函数中增加一个方向向量存在偏差的模值约束条件来提高算法的鲁棒性,并在此约束条件下推导出权重向量的递推公式.另外,采用递推算法计算逆矩阵,大大地降低了计算复杂度.所提算法对信号方向向量偏差具有较强的鲁棒性,从而保证了阵列输出的信干噪比接近最优值.仿真实验结果表明,与传统算法相比,所提鲁棒约束最小二乘恒模算法具有更好的性能,且能适应实际复杂的通信环境.     

基于凸包的最小体积有向包围盒生成算法

针对复杂物体三维点集的建模问题,提出一种基于凸包的最小体积的封闭有向包围盒生成算法.对凸包和其最小体积有向包围盒的关系进行分析,总结了其4种边面接触类型.通过枚举凸包中边的所有可能的组合,唯一确定包围盒的最优方向.实验证明,该算法可以快速生成符合模型体积特征的最小有向包围盒,且拟合效果良好.     

基于最优最小二乘的红外目标单站定位算法

为消除红外目标单站定位算法估计有偏性,解决现有估计算法中有可能出现多个解向量的问题,提出了一种基于最优最小二乘的目标估计算法.对总体最小二乘定位算法进行了研究,针对扩展测量矩阵出现最小奇异值多重的问题,构造了一个由多重奇异特征向量组成的测度函数,将该函数进行偏微分得到最优的最小二乘解;通过理论分析,证明了最优最小二乘解向量是渐进无偏的;最后,将该算法与总体最小二乘法和修正辅助变量法进行仿真对比.仿真实验结果表明,该方法在不同测量环境噪声下所得到的位置、速度误差曲线能快速地逼近克拉美罗下限,且具有更高的估计精度和稳定性,说明了算法的有效性.     

基于FDM技术的阶梯效应弱化及特征保留自适应分层算法

当FDM-3D打印在模型细节特征较多、外轮廓曲率变化较大时,阶梯误差明显且无法有效保留细节特征.以列表排序法去除STL模型冗余数据并重新建立其三角面片拓扑关系,并提出一种基于FDM技术的自适应分层算法.该算法将3D打印自适应层厚计算问题分解为弱化阶梯效应与保留细节特征两部分,将阶梯误差分别描述为体积误差与尖端高度,模型特征以点、线、面的形式分别计算,得出4个自适应层厚分量并加权结合,以防止特征遗漏为目的,确定下一个分层扫描面高度.与常规等厚分层算法相比,该算法试验模型成型时间缩短30%、分层数减少27%、体积误差缩小34%,且表面质量更佳,在保证3D打印成型质量的前提下,能够最大程度地减少分层数.     

基于L_p范数的加权几何平均组合预测

组合预测模型的参数估计方法大都是在预测误差平方和最小准则之下建立的.针对误差平方和最小准则存在的不足,提出一种基于L_p范数的加权几何平均组合预测模型,并给出寻找最优L_p范数的蚁群算法.实例分析表明,该模型给出的组合预测方法为优性组合预测,从而证明了该模型的有效性.     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

基于P_(EV)准则的D-UMOP求解方法及应用研究

针对目标函数相关的不确定多目标规划问题提出了一种在期望-方差准则下的求解方法.首先,给出了不确定多目标规划的等价模型,基于期望-方差准则和帕累托有效解的定义,利用线性加权或理想点法将原问题转化为不确定单目标规划问题,再利用该准则将不确定单目标规划问题转化为确定型单目标规划问题;其次,通过相关理论推导证明了在该准则下转化后的问题求得的最优解是原不确定问题的帕累托有效解;最后,结合不确定多目标规划模型在航路网络容量评估中的应用,设计了一个具有代表性的数值算例以说明本文方法的有效性,考虑算例的特点,用遗传-粒子群算法进行了求解.     

鲁棒RLS波束形成算法

分析了多径传播环境下,信号方向向量的偏差和采样样本数目的变化对自适应波束形成算法性能的影响,提出了一种鲁棒RLS波束形成算法·该算法具有收敛速度快,抗扰动性强,误差小的特点·采用鲁棒RLS波束形成算法不但降低了波束形成器对于信号方向向量的偏差的敏感程度,而且可以保证阵列输出的信干噪比(SINR)接近最优值,仿真实验验证了所提算法的有效性·实验结果表明即使在强扰动或偏差存在的情况下,采用鲁棒RLS算法可使系统具有良好的SINR,而且可以改善加权向量的归一化偏差·     

最小二乘支持向量机鲁棒回归算法研究

最小二乘支持向量机因模型学习过程中以二次损失函数为经验风险,造成学习结果对噪声特别敏感。鉴于实际问题中噪声不可避免、不可预测,且分布规律难寻,该文主要研究最小二乘支持向量机的鲁棒性增强算法,以提高其抵抗噪声与异常值的能力。通过分析得知,样本的局部异常因子与噪声大小间具有很大的相关性,因此提出了用于非线性回归问题的局部异常因子概念;并将其应用于最小二乘支持向量机模型学习时最优损失函数的确定中,提出了基于样本局部异常因子的直接加权最小二乘支持向量机鲁棒回归算法。为验证所提出算法的性能,该文最后以2个典型非线性对象为例,将其与原最小二乘支持向量机、文献中已有的基于预估噪声分布的加权最小二乘支持向量机进行了对比。对比结果表明,所提出的直接加权最小二乘支持向量机算法具有更好的鲁棒性。     

基于加权递推最小二乘法的微硬盘伺服信号滤波

针对微硬盘伺服信号的滤波问题,采用了一种加权递推最小二乘法.该算法使用最小二乘加权时间平均准则取代通常的最小均方误差准则,并利用该准则导出权向量的自适应迭代公式,算法保证在每步迭代运算中权值都能调整到最佳,同时降低了权值调整量对噪声的敏感程度.实验结果表明:该算法滤波效果好、抗噪能力强、稳态收敛精度高和收敛速度快,适用于诸如微硬盘驱动器之类对收敛速度及消噪要求较高的场合.