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。     

基于遗传算法的工具误差分离与弹道折合

制导工具误差分离与折合是导弹精度评定中的重要问题,针对传统主成分方法中主要成分选择上的困难,提出了利用遗传算法确定最佳主成分子集的方法,遗传算法适应度函数综合考虑了模型拟合与预测性能,能够有效避免过拟合问题,使得分离结果的预测能力显著增强。仿真计算表明,与最小二乘和主成分方法相比,遗传算法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.     

不平衡最小二乘支持向量机

针对标准的最小二乘支持向量机(LSSVM)没有考虑样本分布不平衡的问题提出一种称为不平衡最小二乘支持向量机的算法.首先用标准的最小二乘支持向量机对原始数据进行初步训练,产生一个分离超平面的法向量.然后把高雏样本投影到该法向量上得到一维数据.最后由该一维数据的标准差以及样本数量差异所提供的信息,给出两类数据惩罚因子比例,再用标准的最小二乘支持向量机进行第二次训练,对分离超平面进行调整.该方法克服传统方法只考虑数量的不平衡的不足,将原有样本集中具有的分类信息充分提取出来,提高了最小二乘支持向量机的泛化能力.实验结果表明,所提方法可以有效提高不平衡数据的分类性能.     

基于导频的OFDM信道估计小波核SVM算法

针对传统多径衰落下的OFDM导频信道估计性能低下,地板效应的缺陷,提出了基于导频的小波递归最小二乘支持向量机(WRLS-SVM)时变信道频率估计算法。首先讨论了小波成为核函数的条件,构造了小波核。然后将根据结构风险递归二乘最小化准则回归估计支持向量机原理,把导频训练序列映射到高维空间,并在高维空间采用结构小波核函数,达到了将低维空间的非线性估计转化为高维空间的线性估计的目的。仿真结果表明,在快衰落信道条件下,小波递归最小二乘支持向量机导频信道估计方法可以获得较好误码性能。该方法优于传统的信道插值方法。     

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.     

基于机理知识与最小二乘支持向量机的诺西肽发酵过程混合建模方法

提出了一种综合先验机理知识与最小二乘支持向量机的发酵过程混合建模方法。机理知识由两部分组成,一部分是表示发酵过程的质量平衡方程;另一部分是简单的过程参数估计模型。采用最小二乘支持向量机模型对这种简单估计模型进行校正,弥补它的不精确性。这种混合模型被应用到诺西肽发酵过程中进行生物量浓度、基质浓度与产物浓度的估计中,结果表明加入先验机理知识的混合模型增加了单纯的支持向量机模型的泛化能力。     

最小二乘支持向量机在强化学习系统中的应用

将连续状态空间下的Q学习构建为最小二乘支持向量机的回归估计问题,利用最小二乘支持向量机良好的泛化以及非线性逼近性能实现由系统状态-动作对到Q值函数的映射。为了保证计算速度以及适应Q学习系统在线学习的需要,最小二乘支持向量机的训练样本是窗式移动的,即在Q学习系统学习的同时获取样本数据并进行最小二乘支持向量机的训练。小车爬山控制问题的仿真结果表明该方法学习效率高,能够有效解决强化学习系统连续状态空间的泛化问题。     

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。     

最小二乘支持向量机的参数优选方法及应用

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,通过建立适当的性能指标,用遗传算法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并与其它方法的预测结果比较,结果证明,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.     

ULA中基于LS-ICA的短时高效DOA估计

研究了均匀线阵(uniform linear array, ULA)的波达方向(direction of arrival,DOA)估计问题,提出了一种能充分利用阵列结构上来波数据的信号处理方法进行角度估计。所提方法的关键是采用天线阵列因子的实部来构造新的信号接收模型,进而通过独立分量分析(independent component analysis,ICA)对接收信号进行盲分离,用最小二乘(least square,LS)法求解入射信号的角度,同时给出了天线阵元间距应满足的条件。仿真表明,与多重信号分类(multiple signal classification,MUSIC)方法相比,本文方法能够适应阵元间距的变化,在低信噪比(signal-to-noise ratio,SNR)时估计性能以及角度分辨力均较优,通过一步粗估计就可获得较高精度且具有实时性,均方根误差(root mean square error,RMSE)向克拉美-罗界(Cramer-Rao bound,CRB)的逼近程度也说明了新方法的优势,此外还可以采用细估计来提高估计精度。     

独立分量分析联合最小二乘的DOA估计

研究了线性均匀阵列的信号波达方向(direction of arrival, DOA)估计问题。提出了一种基于独立分量分析(independent component analysis, ICA)联合最小二乘(least square, LS)处理的DOA估计新方法。通过天线阵列因子的虚部,建立新的信号接收模型,并以此进行ICA应用的可行性分析,将获取源信号的幅值转化为LS问题进行求解。设计了方法的实现步骤,推导了新方法用于DOA估计的角度公式,指出天线阵元间距应满足的条件,在提高精度方面可采用细估计对粗估计的更新来实现。仿真表明,所提方法具有较好的低信噪比性能、角度分辨力较高以及所需数据长度较短,为DOA估计问题提供了一种新的解决方式。     

天文定位中选星系统的建模与仿真

天文导航不可避免地要涉及到一个选星的问题，选星准确与否直接影响天文导航的定位精度。基于模糊逻辑的方法，以天体的星等、高度和方位为主要馈据，给出选星系统的模型；进而利用最小二乘法原理对多天体定位系统的误差进行处理．仿真结果验证了该选星系统是可行的，误差数学模型合理有效，具有一定的实际应用价值。     

自适应FIR高精度时延估计研究

从最小二乘原理出发,结合参量模型时延估计方法,提出了一种使得时延引起的输入信号与参考信号之间实现最小二乘的自适应FIR高精度时延估计方法。与广义互相关法、相位谱法和自适应最小均方(leastmean square,LMS)时延估计方法相比,该方法具有算法简单、运算量小、精度高、收敛快的优点。计算机仿真实验和消声水池试验结果均验证了该算法的有效性。     

估计Verhulst 模型中参数的线性规划方法及应用

估计灰色Verhulst模型中的参数通常采用最小二乘准则,而在模型精度检验时又经常采用平均相对误差.本文主要在平均相对误差达到最小准则或最大相对误差达到最小准则下,阐明了Verhulst模型中参数估计问题可转化为线性规划问题,可以利用线性规划方法估计Verhulst模型中的参数.实际应用表明本文的方法是可行的且有效的,比传统方法预测精度高.     

结构声辐射的虚边界元最小二乘法及仿真研究

提出用虚边界元最小二乘法研究结构体声辐射,推导了该方法计算振动结构辐射声场的计算公式,与常规边界元法相比,虚边界元最小二乘法避免了奇异积分的数值处理,且系数矩阵是对称的,通过仿真计算与解析解验证。结果表明,本文方法思想简单,程序处理容易,能够有效克服特征频率处解的非唯一问题,在边界附近解的精度较高等优点,便于工程应用。     

估计GM(1,1)模型中参数的线性规划方法

估计GM(1,1)模型中的参数通常采用最小二乘准则,而在模型精度检验时又常采用平均相对误差。在平均相对误差达到最小准则或最大相对误差达到最小准则时,分别给出了估计GM(1,1)模型中参数的线性规划方法,并通过实例给出了不同极小化准则下数值结果的对比。数值结果表明,采用平均相对误差达到最小准则和最大相对误差达到最小准则比通常采用的最小二乘准则更合理,效果更好。     

基于数据相关的多雷达融合成像相干配准研究

针对多频带雷达融合成像中不同雷达信号间的相干配准问题,提出了一种新的基于雷达测量数据相关的相干配准方法。该方法在相干配准时不需对各雷达数据分别建模,相对于现有文献中采用的基于信号模型的相干配准法,降低算法复杂度的同时消除了建模误差,提高了相位参数估计的精度。对相干配准后的各雷达数据,通过超分辨和最优迭代方法建立全局信号模型,并对空白频带进行数据预测,得到整个频域范围的目标频率响应。仿真结果表明,该方法相干配准时相位参数的估计性能和最终的融合成像性能均优于现有的模型相关方法,且具有良好的抗噪性能。