支持向量机与最小二乘法的关系研究

研究了支持向量机 (SVM)在二次损失函数下的优化问题解的形式 ,并与普通的最小二乘 (L S)估计问题进行了比较 ,得到了几乎完全一致的优化问题形式。由于 SVM在二次损失函数下的优化问题对应于一个欠定问题 ,该问题在最小二乘估计中有最小范数解。如果 SVM的参数选择合适 ,从理论上可以证明采用二次损失函数的 SVM函数拟合问题实际为约束最小二乘估计问题 ,并且该问题的解对应于最小范数最小二乘解。由于最小化范数解实际是 SVM在取某些参数时的一个特例 ,如果能够自动调整这些参数 ,则得到一类最小化范数解。由此提出了采用 SVM解决最小二乘法问题的思想 ,由于 SVM的优点 ,使解更加符合实际情况     

基于VFF-RLS的力传感器的动态特性研究

在科学实验与工业生产中,力传感器动态特性会直接影响传感器的精度,因此研究力传感器动态特性具有重要意义。针对应用于手术机器人的应变式力传感器动态特性难以满足精度要求的问题,文中研究了基于最小二乘参数辨识方法在力传感器振动结构中的应用。由于递推最小二乘（RLS）对于二阶振动系统模型辨识难以同时保证快速性和抗干扰性,文中提出了一种基于可变遗忘因子的递推最小二乘参数辨识方法。首先,通过建立随机振动系统模型,对系统的输入/输出特性进行仿真与分析,确定了遗忘因子函数中的参数,仿真结果表明,文中提出的方法在保持更快收敛速度的同时,使参数辨识误差和收敛预测误差相比于RLS有明显的降低,相比于最小二乘有良好的时变性;然后,在阶跃测试标定法基础上对微创外科手术机器人力传感器的动态参数进行辨识,获得该传感器系统的结构动态特性,即固有频率和阻尼比。实验结果表明,文中提出的方法有较好的收敛性和稳定性,有效地提高了辨识精度。     

基于混合混沌搜索方法的多层递归模糊神经网络建模

提出了一种多层递归模糊神经网络（MRFNN）,并提出混合混沌搜索方法用于网络学习。该网络融合了T—S模糊模型．在隶属函数层和规则层有局部反馈连接。网络的学习分为结构学习和参数学习两部分。结构学习确定隶属函数层和规则层的节点数;参数学习由混合混沌搜索方法完成,利用混沌搜索优化前件参数。同时利用最小二乘法实现后件系数更新。对非线性系统辨识进行,仿真实验并对连续搅拌釜式反应器系统建模。结果表明：本文方法能够有效捕捉系统的动态特性。所建模型具有良好的精度。     

估计同步电机不可测状态量的自适应观察器

提出了一种新的适用于工程的自适应观察器的设计方法。该观察器以可测状态量作为输入，能输出不可测状态量。设计中采用互相关分析确定观察器的阶次，然后以多输入多输出最小二乘法递推出观察器参数。输入基矢量的正确选择，保证了观察器对任意输入的适用；互相关函数分析保证了观察器模型阶次的正确选定；所推导的算法足以保证观察器参数的一致收敛性。以同步电机为例，在微型计算机上进行仿真计算，仿真结果证明了本观察器设计方法的有效性。本观察器可用于同步电机参数自适应辨识中。     

大型立式淬火炉温度分布参数系统参数辨识算法

以块脉冲函数为基函数,利用正交函数变换将由偏微分方程描述的分布参数系统模型转化为最小二乘形式的代数方程,在此基础上推导出大型立式淬火炉温度分布参数系统的参数辨识算法,并进行仿真和31m立式淬火炉温度控制系统应用,该算法能够满足控制规律对参数辨识实时性和精度的要求。研究结果表明：基于正交函数逼近法的分布参数系统参数辨识算法的关键在于正交函数正、反向积分运算矩阵的求解。辨识过程中考虑大型立式淬火炉温度分布参数系统模型边界条件和初始条件的影响,提高参数辨识精度,参数辨识精度为-6％～6％,保持系统的空间分布特性,算法计算量小,可以实现在线参数辨识。     

表面建筑材料吸放湿特性的辅助变量辨识

建立了以材料表面空气相对湿度为输入，材料湿容量为输出的建筑围护结构材料动态湿特性单输入单输出辨识数学模型，得到相应的Z传递 函数模型。建造了建筑围护结构材料的辨识试验系统。采用辅助变量辨识方法辨识得到单输入单输出差分方程和Z传递函数。并比较了最小二乘辨识法和辅助变量辨识法的辨识结果。结果表明，辅助变量辨识法辨识精度有所提高，系统阶降低。     

虚拟参考反馈校正控制器参数的预测误差辨识

针对未知系统中双控制器的设计问题,采用虚拟参考反馈校正方法,通过最小化由一组观测数据组成的L2范数所构成的代价函数,达到直接设计控制器目的.联合前馈控制器分离出的固定部分和反馈控制器作为滤波器,对原输入/输出关系式进行重参数化,得到标准的预测误差辨识形式,在所得式中,对控制器未知参数矢量采用可分离迭代的非线性最小二乘法进行估算.文中还对算法的收敛性进行了理论分析,并通过仿真验证了所提方法的有效性.     

线性回归模型的抗差泛最小二乘估计

首次用抗差泛最小二乘法考虑线性回归模型，得到了抗差泛最小二乘估计；然后，研究了该估计的影响函数和渐近方差-协方差矩阵；最后，用算例说明了抗差泛最小二乘估计具有抗差性，优于传统的最小二乘估计及作提出的泛最小二乘估计。     

非线性系统的2自由度VRFT控制器设计

针对非线性系统的复杂性,提出了由非线性前馈控制器与线性反馈控制器构成的2自由度控制器设计。通过设计虚拟参考信号,将非线性前馈控制器的设计转化为非线性函数在某类基函数展开式下的参数辨识;在此基础上,增加一线性控制器于反馈回路用以增强系统的跟踪性能,采用递推最小二乘法辨识线性控制器参数。对闭环系统的稳定性进行了理论分析,给出跟踪误差的上界;最后进行了仿真验证。     

基于最小二乘法在线参数辨识的异步电动机矢量控制仿真

为取得高性能的异步电机矢量控制,将一种基于最小二乘法在线辨识异步电机参数的方法运用到矢量控制系统中.这种基于最小二乘法异步电机参数辨识方法是在转子坐标系下进行的且不需要电机转子磁链参数,只需要定子电压、电流和转速参数.文章通过Matlab/Simulink对基于最小二乘法的参数辨识的异步电动机矢量控制系统进行了仿真,仿真结果表明:这种电机参数辨识方法能够实时更新电机控制参数,改善了矢量控制系统的性能.     

基于阶递归的几种新的最小二乘快速算法

阶递归最小二乘(LS)算法适用于观察样本个数固定且模型阶数未知时 FIR 或 AR 参数的最佳估计和识别问题中。作者从广泛适用的非对称投影算子的递归公式出发,导出了非对称的、对称的及平方根归一化的三种阶递归 LS 快速算法,其中第一种和第三种是现存文献所不具备的,第二种算法是同类型中计算量最小的算法之一。文中还给出了几种简化的算法形式,在较大程度上减小了计算量。     

基于深度神经网络的高频谱效率频分复用系统的信道估计方法

针对高频谱效率频分复用(SEFDM)系统, 提出了一种基于深度神经网络(DNN)的信道估计方法.该方法使用等间隔相互正交的导频符号, 将其接收信号作为DNN的输入信号, 通过4层的全连接DNN结构提取信道特征, 最终实现了时域上的信道估计.仿真结果表明:提出的信道估计方法在同等条件下的均方误差(MSE)明显比最小二乘法(LS)的低, 对应的解调性能也更优, 且对导频数量具有更强的鲁棒性, 由此反映出该方法的优越性.     

振动系统时变参数识别分析

本文利用变物理参数微分方程模型,讨论了刚度与阻尼随时间变化时,物理参数与模态参数的识别问题,比较了三种在线识别技术.数字模拟结果表明,采用变物理参数微分方程模型可比采用差分方程模型极大的提高最小二乘法识别阻尼比的精度.当加入系统的噪音较大时,有些改进识别方法失效,但最小二乘法仍能给出较好的估计.     

应用恒速压汞实验数据计算相对渗透率曲线

截取一段实际储层岩样 ,利用恒速压汞实验技术测定其孔喉频数分布 ,并拟合成连续分布函数 ,该函数符合伽马函数分布。对剩余岩样进行了油、水相对渗透率的测定。以所拟合的孔喉频数分布为主要输入参数 ,利用孔隙网络模型计算了油、水相对渗透率。计算结果与利用JBN法处理的实测结果对比表明 ,恒速压汞实验是确定岩石微观孔喉分布的一种非常有效的实验手段 ,可直接为孔隙网络模型提供主要的输入参数 ,能够得到反映微观孔隙结构特征的较合理的相对渗透率曲线 ,这对于用JBN法不满足或者处理结果不理想的实验具有重要的意义。     

基于集成神经网络的信道估计方法研究

为解决噪声以及信号干扰等因素严重影响接收端信道估计的问题,提出一种基于集成神经网络的信道估计方法,利用多个改进后的神经网络来提取带噪导频信号与原始导频信号之间的非线性关系模型,根据其输出误差来计算差异度值,并结合差异度对其进行集成,得到训练完成的集成神经网络模型,通过集成神经网络模型来获取信道估计结果;与最小二乘(least squares,LS)估计方法相比,该方法不仅可以提高通信的可靠性,而且还能减少导频开销提高通信有效性;在不同的调制方式下,当误码率相同时,算法所需的信噪比LS算法均要更低;基于正交频分复用(orthogonal frequency division multiple,OFDM)通信系统进行仿真,结果证明,该方法具有优良的性能。     

基于BP神经网络的桥梁移动荷载识别精度

为了识别作用于桥梁结构上的移动荷载,基于反向传播神经网络方法,开展了输入参数对荷载识别精度影响的分析.首先利用ANSYS模拟移动集中力通过简支T梁桥,得到了主梁跨中位移、速度和加速度时程曲线;其次基于MATLAB建立反向传播神经网络结构,分别将桥梁结构的位移、速度和加速度动态响应数据作为反向传播神经网络的输入参数,移动荷载大小作为输出参数,研究不同输入参数对荷载识别精度的影响;然后分别选取位移和速度、位移和加速度、速度和加速度以及三者组合的工况进行多参数输入的优化设计;最后,以某4跨预应力混凝土连续T梁桥工程为背景,以重车下的竖向加速度实测数据验证了该反向传播神经网络用于识别实桥上简单移动荷载的可行性.结果 表明:利用反向传播神经网络进行移动荷载大小识别时,单输入参数的识别精度由高到低依次为加速度、速度、位移,建议在实际工程中采用较易获取的加速度数据作为输入参数进行荷载识别;多参数组合输入可以提高移动荷载的识别精度,其中速度和加速度组合可以实现较优的识别效果;实测数据证明了该反向传播神经网络用于简单的实桥荷载识别是可行的.相关研究结果可为桥梁载荷识别及桥梁结构的性能评价提供参考.     

次领头阶低能常数的改进

【目的】通过合适的处理,减少低能赝标介子手征微扰理论中出现的输入参数,得到符合实验的低能常数理论值,提高理论的预言性。【方法】将已有方法中出现的Schwinger-proper time方法引入的Λ趋于无穷,并通过在介子质量770 MeV处对领头阶的低能常数进行重整化。借助Schwinger-Dyson方程,得到所有的次领头阶低能常数。【结果】通过参数的调节,以及低能常数和耦合常数参数的关系,找到一组符合实验的参数值;减少Λ和F0两个输入参数可以得到三味和两味的低能常数。【结论】减少Λ和F0两个输入参数处理低能常数的方法是可行的。两味的低能常数对耦合常数中参数的依赖比较大,而三味的对其依赖相对较小。     

基于小波神经网络的框架结构损伤识别

以含损伤的框架结构为研究对象,对损伤位置和损伤程度进行识别。运用有限元分析原理,采用Lanczos法得到框架结构的转角模态,对其转角模态进行连续小波变换可以得到结构的小波系数,再由小波系数模极大值确定损伤的位置。以损伤后结构的固有频率作为神经网络输入参数构造神经网络,从而实现对框架结构损伤程度的识别。通过对一平面框架结构的损伤识别计算分析,验证了方法的有效性。     

结合Shortcut Connections结构的卷积稀疏编码图像去噪算法

卷积稀疏编码网络模型(convolutional sparse coding network, CSCNet)虽然能够有效解决去噪问题,但是该算法并没有考虑到迭代求解近似编码向量过程中卷积层、反卷积层之间的叠加会改变原始数据分布方式。为解决该问题,借鉴深度学习领域常用方法对原始模型进行改进。讨论了在CSCNet模型中加入以及不加入批处理标准化(batch normalization, BN)、非线性激活函数、残差学习(residual learning, RL)对模型图像去噪效果的影响,然后再此基础上分别设计了两个不同的网络模型结构。为使输入数据分布方式不因模型层与层之间传播而改变,模型1是在原始CSCNet网络的每一层加入非线性激活函数以及BN层。CSCNet模型中所训练的卷积核都是同样大小,为增加图像特征的多样性,模型2在模型1基础之上加入了简单残差块结构改变了原始模型参数传播方式,并将其通过Shortcut Connections结构与原始输入联结起来。从实验结果可以看出,在不降低原始模型计算效率的前提下,使用文中设计的模型所得去噪后的结果相比原卷积稀疏编码网络略有提升。     

基于MLP神经网络的超宽带信号自适应识别算法的研究

提出一种利用人工神经网络进行超宽带信号调制模式自适应识别的方法。采用三层MLP神经网络进行调制模式识别。首先对超宽带数字调制信号进行统计特征参数提取,特征参数作为MLP网络的输入层神经元参数,隐含层是双层结构。实验证明,当中间层采用正切型激活函数、输出层采用线性激活函数时,MLP分类器的识别性能最好。在5 dB信噪比环境下,算法的正确识别率高于95%。与传统的统计判决方法相比,神经网络分类器不需要设定判决门限就能实现自适应识别,并且达到更好的识别率,解决了软件无线电系统中的超宽带信号自动识别的问题。