基于零空间最大距离的高光谱图像端元提取算法

端元提取是高光谱图像分析中的一项重要而具有挑战性的任务,它是解决高光谱图像混合像元分解最关键的步骤.文中给出了基于零空间的距离计算方法,在此基础上提出了零空间最大距离算法快速地提取端元.利用零空间与端元所张子空间之间正交补的关系,在数学上严格证明了当数据完全符合单形体条件时,算法能够准确地提取所有的端元,为基于最大距离的端元提取提供了重要的理论依据.算法通过了真实高光谱图像的检验,实验结果表明,零空间最大距离算法具有较好的端元提取效果.     

小样本问题的算法比较

将不相关线性判别分析(ULDA)和零空间线性判别分析(NLDA)两种思想结合起来,提出了处理小样本问题的六种算法,并通过实验说明了这六种算法的分类有效性.     

基于互补子空间线性判别分析的人脸识别

基于随机子空间,提出了一种用于人脸识别的互补子空间线性判别分析方法. 与Fisherface和零空间线性判别分析相比,该方法同时在主元子空间和零空间中进行判别分析,并在特征层融合这两个子空间的判别特征. 根据最适宜的零空间状态构建随机子空间,随机子空间的融合在决策层进行. 多个人脸数据库上的实验结果表明,本算法能够有效地解决线性判别分析中的小样本规模问题.     

对称DLDA及其在人脸识别中的应用

针对直接线性鉴别分析(DLDA)没有有效利用人脸对称性特征,及其在人脸识别中训练样本不足的问题,依据人脸较为明显的镜像对称性,结合该特性在直接线性鉴别分析的基础上提出对称直接线性鉴别分析方法。采用镜像变换得到奇对称样本和偶对称样本,再分别提取各奇偶对称样本特征分量,最后采用最小欧氏距离进行分类。通过在ORL和YALE人脸数据库上的实验证明,该算法不仅有效利用了镜像样本,扩大了训练样本容量;而且取得了比直接线性鉴别分析更好的识别性能。     

求对称矩阵广义逆的新算法

在对称矩阵A的零空间已知的情况下,求出矩阵A的值域,然后进行一系列计算,可以得出矩阵A的广义逆A+.经过对算法的时间复杂度的分析,这种新算法的时间复杂度小于运用奇异值分解求矩阵广义逆算法的时间复杂度,并且数值试验结果也表明,这种新算法的运算速度高于运用奇异值分解求矩阵广义逆算法.     

三维各向异性光子晶体的快速仿真算法

为获得三维各向异性光子晶体的带隙，基于Lebdev网格设计了一套求解其能带结构的快速仿真算法.首先，采用有限差分方法对Maxwell方程组进行离散，通过结合早期在Yee氏网格上的工作，对离散所得的Maxwell特征值问题的系数矩阵结构进行分析，给出其显式奇异值分解，并利用零空间压缩方法给出无零空间的标准特征值问题形式；在结合求逆Lanczos方法和共轭梯度法以及利用快速傅里叶变换大幅加速系数矩阵与向量乘法的基础上，设计出针对三维各向异性光子晶体能带结构的快速数值仿真算法.数值实验表明，相比于商业软件COMSOL,该套算法不仅数值结果准确，迭代算法所需的平均次数低于360次，且总计算时间少于1.25 h,展现了算法在结合图形处理单元(GPU)高性能计算技术后的有效性与高效性.     

一种求解MMC的快速算法

最大间距准则(Maximum Margin Criterion,MMC)能够有效地克服线性鉴别分析(Linear Discriminant Analysis,LDA)算法所面临的小样本问题.但是,原有的MMC求解算法复杂度较高,为了提高MMC算法的计算效率,本文提出了一种新的快速的MMC求解算法.在理论上,新的MMC求解算法和原有算法等价,但计算复杂度比原算法要低的多.在人脸库上的实验表明,新的MMC求解算法的计算速度远比现有的MMC求解算法要快,但是其识别率与现有求解算法相同.     

一种无需特征值分解的快速ESPRIT算法

ESPR IT算法是一种用于估计到达角(DOA)的参数类超分辨算法,由于这种算法在有效性和稳定性方面都有非常突出的表现,所以其受到了广泛的研究,并成为主要的超分辨算法.但是,在运用ESPR IT算法时不可避免的要进行特征值或奇异值分解(EVD/SVD),这使得其无法运用于实时系统.基于实时性方面的考虑,提出了一种无需特征分解的快速算法(VESPR IT).此算法有效性和稳健性方面虽然要比标准的ESPR IT算法稍差一些,但是其节约了计算时间使得此算法可以运用于实时处理.     

四四元数域低秩逼近及其在矢量阵列波达方向和估计中的应用

提出了新的多元数概念——四四元数,以及四四元数框架下特征分解和奇异值分解等信号处理领域常用的矩阵运算新规则.在此基础上提出了四四元数矩阵的一种低秩逼近算法,并将其用于矢量传感器阵列信号建模及波达方向(DOA)估计中.结果表明,四四元数特征分解及奇异值分解能获得比现有方法更好的低秩逼近性能,基于四四元数模型的矢量传感器阵列信号DOA估计算法,在资源占用、子空间逼近以及对模型误差的鲁棒性等方面均明显优于传统算法.     

改进的线性受限共轭梯度常模算法

提出了一种改进的线性受限共轭梯度常模算法,称之为M-LCCGCMA.其核心是采用最优自适应步长的方法对已有算法进行优化,并推导出步长的解析形式,确保了算法收敛于期望用户,提高了系统性能.通过对算法代价函数的理论分析,得出了算法收敛的条件.将算法在加性白高斯和多径衰落信道的环境中进行了仿真,结果表明,该算法的信干比性能和误码率性能均比现有的自适应步长常模算法要好.     

改进的小波分解LMS算法在非线性系统辨识中的应用

对基于小波变换的自适应滤波技术中较为先进的D-LMS（Decomposition Least Mean Square）算法进行改进,推导出一种变步长D-LMS算法。通过建立非线性系统模型,在基于MATLAB的仿真实验中,分别得出原D-LMS算法和改进算法的系统辨识图形和数据。结果表明,两种小波分解自适应算法都能够很好的对非线性系统进行辨识,而改进的变步长D-LMS算法的收敛速度及跟踪速度更快,稳态误调噪声较小,即辨识结果更加精确。     

两种OFDM多普勒估计算法在水声信道中的比较

为了消除多普勒频偏影响,通过水上实验对两种OFDM (Orthogonal Frequency-Division Multiplexing)水声通信多普勒估计算法进行对比。基于拷贝相关时延差估计的多普勒
估计算法结构简单、易于实现;基于空载波的算法较复杂,但精度较高。利用两种方法对相同的实验数据进行多普勒估计和补偿,并对其通信误码率进行对比。研究结果表明,在慢变的信道中两者的误码率基本相同,但在快变的信道中基于空载波的算法更稳定。     

基于目标转换的低复杂度幂次迭代混合预编码算法

为了使大规模毫米波(millimeter wave,mmWave)多输入多输出系统能耗与性能得到更好的均衡,通过基于目标转换的幂次迭代算法、Aitken加速算法、数学归纳法研究了信道混合预编码矩阵的设计问题.结果表明,与现有的其他预编码方案相比,所提算法可获得更高的系统总可达率、更低的计算复杂度、更小的误码率,性能逼近最优全数字预编码方案.可见,所提出的算法具有很好的有效性和可靠性.     

基于单元分解的改进D?lite路径规划算法

障碍物分隔搜索空间会隐藏D?lite算法正确的搜索方向,增加算法的计算次数,进而影响搜索效率,针对这一问题提出一种基于单元分解的改进D?lite路径规划算法.在原有Boustrophedon单元分解法的基础上加入了新的分解规则,对环境地图进行单元分解并构建了以单元为节点的图.设计了双向图搜索算法,能够快速计算出最短路径需要依次经过哪些单元.在这些单元中设置核心网格并依照顺序构建搜索链表,引导正确的搜索方向,使规划速度提高.在仿真平台上将算法与其他路径规划算法进行对比实验,实验结果表明,算法规划出的路径长度与其他算法几乎没有差别,并且减少了计算次数、降低了规划时间,验证了算法提高路径规划效率的有效性.     

SIMO系统直接盲检测的新算法

借助接收数据阵的广义左零空间,把发送信号盲恢复问题转换为求解带整数约束的二次规划问题,进而根据盲检测的发送信号辨识传输信道。而且文中方法可以有效地辨识带公零点的SIMO(单输入多输出)信道。仿真结果表明:新算法明显优于现有的文献算法,且辨识含公零点SIMO信道有着卓越的性能表现。     

一种解多目标优化问题的基于分解的人工蜂群算法

在处理多目标优化问题时,如何平衡所得解集的分布性与收敛性是一个困难又重要的工作。为此,提出了解决该问题的一种基于目标空间分解的人工蜂群算法(MOABC/D)。首先采用一组方向向量将目标空间分解成一系列的子区域,并在每一个子区域至少保留一个解来保持解的分布性,其次提出一个基于分解的选择策略和2个基于信息交换的搜索策略来提高人工蜂群算法的搜索能力,并采用一个基于高斯分布的搜索策略来增强人工蜂群算法的搜索效率。为验证所提算法的性能,与8种同类算法在10个测试问题上进行比较。结果表明,本文所提算法得到的解集具有更好的收敛性能和分布性能。     

一类线性变换的核分解问题

在一个多项式可分解为多个互质的多项式的基础上 ,对一类线性变换的核分解问题了研究 ,进一步阐明了它在线性空间分解中的应用     

基于空间分解的二维布局问题的启发式算法

一种基于空间分解的解决矩形物体布局问题的启发式方法。按照深度优先的原则将布局空间逐步分解，每次放入相对于当前布局空间来说是满足特定条件的最优布局块，并将该布局块定位于当前布局空间的左上角来不同大小矩形物体的布局方案。通过调整调序因子ＫＡ和ＫＢ的值，可得到满足不同要求的优化布局方案，所得布局方案均满足工业上一刀切的要求。实验结果及与其他算法的比较证明了该算法的灵活性和有效性。     

大规模项目调度问题的分解和协调优化方法

为了解决大规模有资源约束的项目调度问题,提出一种串行分解和并行分解相结合的项目逐层分解方法,以便克服精确算法求解时间不可接受,而启发式算法解的质量较差的问题。根据该分解方法特点,提出基于采样选择的启发式协调方法,以及基于分枝定界方法的精确底层调度的子项目协调优化算法,并通过仿真分析了关键参数的选取。仿真结果表明,该算法解的平均质量明显优于相关启发式算法,并且求解时间能够满足工程上的要求,能够有效地提高大规模项目调度问题的求解质量,具有实用价值。     

面向食品安全评价的属性约简方法研究

针对现有食品安全评价指标约简方法计算效率低的问题, 提出一种新的属性约简方法〖CD2〗基于粗糙度的属性约简方法。该约简属性从空集开始, 引入粗糙度概念, 利用粗糙度P_B(X)作为条件属性的选择标准, 逐步地将粗糙度值最小的条件属性加入到约简集中, 得到新的论域, 并用递归的处理方法简化属性的搜索空间, 直到论域变为空集, 获得简化的属性集。实验证明了该方法的正确性和有效性。