一种新的子空间更新算法在DOA估计中的应用

为改进传统算法对突变信号跟踪慢的缺点,提出一种有效的可变遗忘因子的子空间更新算法———逼近特征分解方法.该算法采用可变遗忘因子对阵列输出信号协方差矩阵进行秩-1更新,在该协方差矩阵特征分解的基础上,结合先验信息构造新的代价函数,并利用该代价函数的最小二乘解实现对信号子空间的实时更新.仿真结果表明:新算法的波达方向估计误差仅为原算法的1/5,而对突变信号的跟踪速度达到原算法的5倍,证实该算法的准确性和有效性.     

一种基于MapReduce的动态数据流分类算法

当前动态数据流下的实时分类问题存在3个难点:针对海量数据的实时处理;概念漂移的跟踪和模型的更新;模型的稳定和鲁棒性.针对上述问题,将极端支持向量机(extreme support vector machine,ESVM)与MapReduce框架结合,提出了带遗忘因子的鲁棒ESVM算法.该方法通过构造残差权重矩阵,对残差进行修正,同时加入遗忘因子,提高新样本的作用,从而实现对海量数据处理问题的求解.实验结果显示,所提出方法能够快速有效地对动态数据流进行分类,且结果不易受到噪声干扰,稳定性强.     

一种运动目标的相干信号源DOA跟踪方法

针对相干信号源方向时变的情况,分析了样本协方差矩阵的更新,在此基础上提出了一种基于粒子群算法的跟踪方法.该方法直接利用性能优越的最大似然估计器,避免了子空间跟踪类方法需要运用空间平滑等解相干技术对数据协方差矩阵进行的预处理和数据协方差矩阵不断分解的过程,同时通过锁定目标、大幅度缩小搜索的范围和运用群智能搜索有效降低算法的计算量.仿真结果表明,与子空间类算法相比,该方法具备解相干的能力和较好的跟踪精度,并且能够保证算法的实时性.     

基于样本均值和中位值的粒子群优化定位算法

针对室内LOS/NLOS混合环境,提出基于假设检验的方法确定NLOS状态,并采用具有收缩因子的粒子群优化算法进行定位.在采样值存在异常情况时,样本中位值性能优于样本均值.因此,在LOS和NLOS状态下,分别采用样本均值和样本中位值建立最小平方误差代价函数.为了增强算法的全局和局部搜索能力,在粒子群优化算法的基础上引入收缩因子.仿真实验表明,在NLOS遮挡比较严重的情况下,所提出的基于样本均值和样本中位值改进的粒子群优化定位算法较只采用样本均值改进的粒子群优化算法和一般的粒子群优化算法定位精度高.     

基于自适应UKF的实时弹道测量数据处理算法

针对无迹卡尔曼滤波(UKF)算法用于实时弹道测量数据处理中存在的非线性估计精度不高、实时性不好和滤波不稳定等问题,提出了一种自适应UKF算法.该算法借鉴强跟踪滤波思想,通过渐消因子在线修正调整状态预测协方差矩阵,实时调整增益矩阵,补偿弹道模型偏差.算法采用无偏转换测量处理量测方程,在保证滤波精度的同时,简化了滤波算法.仿真结果表明:该算法的滤波精度、收敛速度、稳定性和实时性均优于标准UKF算法,能有效用于实时弹道测量数据处理.     

未知噪声协方差的自适应容积卡尔曼滤波

针对噪声协方差不确定情况下容积卡尔曼滤波解决非线性目标跟踪中存在的问题,提出了一种优化的自适应容积卡尔曼滤波.首先根据新息序列和残差序列导出的线性矩阵方程得到噪声的协方差,基于新息序列与残差序列的相关性,推导出一种新的过程噪声协方差Q估计方法;然后采用残差序列对测量噪声协方差进行估计,利用加权因子将当前的噪声协方差矩阵与估计值组合成为新的测量噪声协方差阵R,有效避免了不准确状态估计的局限性.仿真结果表明:在时变噪声协方差的条件下,所提出的自适应容积卡尔曼算法的跟踪精度明显提高.     

基于离散小波变换的动态过程模型参数辨识的Markov方法

提出一种新的Ｍａｒｋｏｖ递推算法，该算法主要是基于过程噪声的离散小波变换的协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子具有特殊稀疏带状结构的事实，利用模型输出误差的小波变换在线估计出其协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子Ｌｃｗ，进而利用Ｌｅｗ对数据进行白色化处理。数值仿真验证了所提算法是可行的。     

基于黎曼字典和ScSPM模型的场景分类

场景图片的局部信息包含2类:像素统计分布信息和像素动态变化信息.经典场景分类模型Sc SPM仅考虑了前者,利用协方差矩阵度量局部像素动态信息,作为Sc SPM模型的互补分类信息,以提高场景分类准确率.为解决协方差矩阵特征的聚类问题,使用基于黎曼度量的顺序聚类算法,然后利用提出的局部软分配算法编码协方差矩阵.标准场景库的实验证明了所提思路能够显著提升Sc SPM模型的分类精度.     

一种用于高维大数据的协方差无关的主成分分析迭代算法(英文)

主成分分析是一种大家熟知的用于维数压缩的方法.主方向是协方差矩阵的最大特征值对应的特征向量.协方差矩阵的阶数等于数据的维数.当样本维数很高时,可以用阶数等于样本数的替换矩阵来计算主方向.然而,当样本的维数与样本数都非常大(即高维大数据)的情况下,主方向的计算就变得非常困难.提出了一个协方差无关的迭代主成分分析(CIPCA)算法,用于计算高维大数据情形下的主方向.证明了该算法以指数速度单调收敛到主方向的精确值.并在高维大数据集(图像数据集)上对CIPCA算法的性能进行了验证,实验结果显示使用CIPCA算法主方向的收敛速度非常快.     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

基于L_1范数最小化的逆协方差矩阵估计

由于在高维空间中,基于固定维数的经典方法和结果不再适用,样本协方差矩阵不可逆,估计逆协方差矩阵时存在不稳定、计算成本高和非精确等问题,提出了一种L1范数最小化方法来有效估计高维逆协方差矩阵即精确矩阵.当总体分布满足指数类型条件或者多项式类型条件时,所提估计方法在各种范数下的收敛速率优于其他现存的方法.经分析验证,所提方法为凸优化问题,可采用交替方向乘子算法来解决.之后通过R语言在模拟数据和实际数据下进行仿真分析,并与Glasso方法对比逆协方差的估计性能和图恢复性能,结果表明所提估计方法准确率高、计算成本低.最后,将所提估计方法用来分析白血病数据集,并运用聚类分析对白血病人进行分类.     

带有遗忘因子的滤波器型迭代学习直线伺服系统

针对永磁直线同步电机伺服系统,提出开闭环迭代学习控制器,实现期望直线位置的跟踪控制.分析了永磁直线同步电机的2-D模型及迭代学习直线伺服系统的收敛性.通过减小系统输入误差协方差矩阵迹的方式得到优化的遗忘因子,来修正控制输入的迭代学习律,同时采用零相位FIR数字滤波器对前馈学习控制器中的误差信号进行滤波处理.实验结果表明,带有遗忘因子的滤波器型迭代学习控制器能够保证直线伺服系统在不断的迭代学习中提高性能,有效抑制端部推力波动,系统具有很好的学习收敛速度、动态响应及控制精度.     

Hammerstein系统遗忘因子有限窗口分解辨识

提出一种带遗忘因子和分解辨识策略的有限数据窗口递归最小二乘Hammerstein系统辨识方法。针对Hammerstein系统具有耦合参数的问题,将Hammerstein系统分解为2个子系统：一个子系统包含线性子系统参数,另一个子系统包含非线性子系统参数;提出一种基于遗忘因子的有限窗口递归最小二乘方法对分解模型进行在线递归估计;仿真示例验证了所提算法能够快速跟踪参数,实现对Hammerstein系统的精确辨识。     

在线复值独立分量分析算法

基于复向量不相关特性和复值非线性函数,提出一种在线复值独立分量分析算法.结合非正则复向量的协方差矩阵和伪协方差矩阵构造出了新的代价函数,进而提出新算法,通过复非线性不相关,从混合信号中提取出复值独立分量.由于充分利用了非正则复向量不相关的特性,获得了更多有用的信息量,因此算法的收敛速度更快、提取效果更好,并且在线方式下算法更加稳定.仿真试验表明,所提出的在线复值独立分量分析算法更具有实际应用前景.     

一种冲击噪声下的多目标跟踪算法

针对现有的子空间类多目标跟踪算法无法对相干目标进行有效跟踪,传统的动态跟踪方法在冲击噪声环境下失效的问题,提出了一种冲击噪声下的多目标跟踪算法。构造了一种新的零记忆非线性处理方法实现去冲击,推导得到了基于协方差矩阵更新的极大似然多目标跟踪方程,并设计了一种量子猫群算法,对其进行快速准确求解,实现了在恶劣噪声环境下的鲁棒多目标跟踪。仿真结果表明,所设计的算法突破了已有跟踪方法的性能和应用局限。本文分析结果可用于指导被动雷达和感知系统的跟踪模块设计。     

基于Cholesky分解的LSSVM在线学习算法

针对最小二乘支持向量机(LSSVM)用于在线建模时存在的计算复杂性问题,提出一种LSSVM在线学习算法.首先引入了基于Cholesky分解求LSSVM的方法,接着根据在线建模期间核函数矩阵的更新特点,将分块矩阵Cholesky分解用于LSSVM的在线求解,使三角因子矩阵在线更新从而得出一种新的LSSVM在线学习算法.该算法能充分利用历史训练结果,减少计算量.仿真实验显示了这种在线学习算法的有效性.     

带遗忘因子的PD型迭代学习控制算法研究

摆脱传统遗忘因子迭代学习控制算法的算子估计证明方法,提出了遗忘因子是关于迭代次数的函数,简化了收敛条件,并给出收敛性证明和仿真实例.仿真结果表明,在本文改进的收敛条件之下,带遗忘因子的PD型迭代学习控制算法具有有效性,相比于通常算法,遗忘因子算法得到的误差跟踪曲线更平滑,在迭代误差跟踪方面具有一定的优越性.     

基于Bootstrap技术的相干信源数估计

针对信号源相干的问题,采用空间平滑技术对信号源去相关得到等效协方差矩阵,提出2种信源数检测的方法,一种是基于等效协方差矩阵特征值的一系列假设检验,另一种是将等效阵列信号协方差矩阵分别投影到信号的特征子空间和噪声的特征子空间,以特征空间投影为基础的假设检验。数据的分布未知,并且应用Bootstrap方法估计零假设下提出的检测统计量的分布。通过信噪比(RSN)、快拍数、角度分辨率变化等情况下的仿真,验证所提方法的有效性。研究结果表明:所提算法在低信噪比及小样本数量的情况下,性能比其他算法的性能好。     

考虑噪声的电力系统低频振荡辨识方法

针对电力系统低频振荡辨识过程中广域测量信号经过滤波器产生色噪声干扰的问题,提出了一种基于矩阵协方差(COV)、二阶导数定阶法与总体最小二乘-旋转不变技术参数估计(TLS-ESPRIT)算法相结合的电力系统低频振荡辨识方法.首先将采集的信号通过带通滤波器去除趋势项和高频噪声,然后构造样本矩阵的协方差矩阵作为新的样本去除色噪声的影响,再通过TLS-ESPRIT算法进行模态辨识,在定阶问题上采用提出的二阶导数法定阶,使定阶具有自适应性,无须人为指定阈值.仿真结果表明:COV-TLS-ESPRIT算法相比其他方法具有抗噪性能好、拟合精度高等优点,可从噪声环境中准确地辨识出系统的主导模态,具有较强的实用性,能够实现在线辨识.     

基于支持向量回归机的自适应差分滤波算法研究

针对差分滤波(DDF)算法存在因噪声统计特性与实际不符而导致的滤波精度降低甚至发散的问题,提出了一种基于支持向量回归机的自适应差分滤波(SVRADDF)算法.将测量值的新息协方差与理论协方差之间的差值作为支持向量回归机的输入、输出调节噪声统计特征的自适应因子,实时修正DDF噪声协方差,根据实际噪声变化调整噪声协方差矩阵,从而提高滤波精度.针对水下目标纯方位角跟踪系统的蒙特卡洛仿真实验表明,在相同初始噪声特性条件下,所提出的SVRADDF算法具有较好的估计效果和鲁棒性,估计精度、稳定性及收敛时间等性能明显优于单纯DDF算法.