双极型非线性电路直流分析的一种快速算法

本文利用双极性器件非线性模型中PN结电流电压方程的特点导出了牛顿—拉夫逊(Newton—Raphson)迭代公式的修正公式。这一公式的算法不需求高阶导数,但却达到了加快收敛的效果。     

数字信号测量中的平滑算法

本文分析了数字信号测量中使用的两种平滑算法。指出,FIR算法优于HR算法,并提出了一种实现FIR算法的结构。最后,给出了计算机模拟结果。     

带参变向量的变尺度算法类

本文导出了三个变尺度算法类的修正公式。在各公式中带有参数及参变向量,适当选取这些参量的值,不仅能得到文献[1]中的修正公式(包括Huang的修正公式)和Dennis的对称化的公式等,而且还可以构造新的公式。因此,本文导出的变尺度算法类是更广泛的算法类。     

对Chan—Mai增益公式的修正

本文首先给出Chan—Mai增益公式不成立的反例,然后提出一个修正的Chan—Mai增益公式及其证明,最后指出原公式及其证明中的错误。     

基于FPGA的字串行FIR滤波器的实现

根据字串行算法,使用字串行加法器、字串行乘法器和延时器基本功能模块,构建了一种基于FPGA的字串行FIR滤波器.与传统的位串行方式相比,构建的字串行FIR滤波器提高了运行速度,减少了硬件消耗,可更好的协调速度与占用面积的关系.并通过几种5阶FIR滤波器实现性能的比较,得出字长N=2的字串行FIR滤波器具有最小的面积—时间积.     

最小均方误差判决和自适应判决反馈均衡器的设计实现

介绍了基于FIR和IIR的采用最小均方误差（MMSE）算法的判决反馈均衡器,针对该算法的缺点提出了两种采用自适应算法的判决反馈均衡器;LMS算法和CMA算法,对这些算法的仿真表明了各自的性能和优缺点,在此基础上提出了一种改进的混合算法,仿真表明,该算法只需要少量的训练序列,性能比CMA算法有明显的改进。     

一种改进的磁共振并行成像k空间数据采集算法

为进一步缩短磁共振成像时间,改善图像质量,提出了一种改进的有限脉冲响应(FIR)GRAPPA算法.与传统的权重固定的FIR GRAPPA算法模型相比,该算法考虑了相位方向的变化,包含更多的k空间数据且更符合并行成像数据拟合的物理过程.为验证该算法的有效性,对人体心脏和大脑图像的原始数据分别进行仿真实验,得到了在较大加速因子下的重建图像及均方误差.与传统的GRAPPA算法及其他改进的GRAPPA算法进行比较,结果发现,利用改进算法重建的图像更清晰,均方误差更小.因此,本文提出的改进GRAPPA算法有效可行.     

基于粒子群优化算法的期权波动率估计

波动率是Black-Scholes公式中的一个重要参数,期权价格对它的变动非常敏感.本文首先介绍了Black-Scholes期权定价公式,分析了波动率对期权定价的重要性.然后,为了计算粒子位置和速度,本文根据全局最优位置的历史数据及变异操作,提出了一种基于全局最优位置修正的粒子群优化算法.最后,本文在数值实验中运用修正的粒子群优化算法获得了基于期货合约的欧式看涨期权公式中波动率的估计值,并通过实验结果比较表明该算法具有更好的收敛性.     

分布式算法FIR滤波器在FPGA上的实现

本文介绍了FIR滤波器和分布式算法的原理。给出了在FPGA中用查找表实现FIR滤波器的算法设计,并进行了验证。     

均角全距法钻孔轨迹一般计算公式的缺陷修正

均角全距法是定向钻孔轨迹计算最常用的方法之一;但均角全距法一般计算公式存在一个缺陷:当临近两测点的方位角差值大于180°时,按均角全距法一般公式计算的方位角算术平均值方向与模型假设的实际平均方位方向正好相反;如果忽视此问题往往会造成水平向坐标增量出现较大的计算误差,进而影响钻孔定位精度。针对该问题,首先讨论了实际平均方位与方位角算术平均值的关系;然后通过严格的几何计算推导出了全新的均角全距法修正公式;最后采用一般公式、SY/T5088—2008《钻井井身质量控制规范》(下简称《规范》)算法、修正公式三种方法进行算例对比分析。计算结果显示:修正公式与《规范》算法的计算结果完全一致,证明了修正公式的正确性;当相邻两测点方位角差值大于180°,一般计算公式与修正公式的水平向坐标增量Δx、Δy正负异号,表明修正公式正好克服了一般公式方位算反的缺陷。总的说来,修正公式成功地解决了一般公式的缺陷,同时克服了《规范》算法需分类讨论的缺陷,建议推广使用。     

变量带上界混合规划算法及其在能源规划中的应用

本文将变量带上界线性规划的思想引入一般混合和混合0—1规划的计算方法中,通过理论上的证明,提出一种新的算法,对Benders分解算法作了改进,从而节省了大量计算时间和计算存储量.并在能源规划的应用中得到了很好的结果.     

神经网络在4型FIR高阶多通带滤波器的自适应优化设计研究

提出了一种新的基于神经网络的FIR线性相位数字滤波器的自适应优化设计方法。根据4型FIR滤波器的幅频响应特性,构造出一个相应的神经网络模型,并建立了FIR线性相位数字滤波器的神经网络算法,该算法通过训练神经网络权值,使设计的数字滤波器与希望得到的FIR线性相位滤波器的幅频响应之间的误差平方和最小化,从而获得FIR线性相位数字滤波器的脉冲响应．提出并证明了该算法的收敛定理,给出了FIR高阶多通带滤波器自适应优化设计实例、计算机仿真结果表明,该算法计算精度高,收敛速度快;用该算法设计的高阶多通带滤波器,其幅频响应的阻带衰减很大,而通带波动很小。     

分布式算法在乘法模块中的应用

本文基于分布式算法的基本原理,提出了基于查找表结构的分布式算法应用于信号处理中的乘法模块的思路,并以32阶FIR低通数字滤波器中的乘法模块为例,利用FIR滤波器的线性相位特性减小电路规模,采用分割查找表减小存储空间,采用流水线技术和并行分布式算法结构提高了滤波器的速度。最后指出此种算法适用于乘法模块的广阔前景。     

带修正因子的均值和中值滤波算法研究

大部分自然图像同时包含高斯噪声和椒盐噪声,简单地运用传统的滤波算法不能得到理想的滤波效果.为了解决混合噪声图像的滤波问题,分别针对以高斯噪声为主的混合噪声图像和以椒盐噪声为主的混合噪声图像,提出了带修正因子的均值滤波算法和带修正因子的中值滤波算法.这两种算法在修正后的阿尔法均值滤波算法的基础上做了两方面的改进:首先,提出在图像邻域内为不同灰度值的像素点给出归一化的权值,用这些权值和与其对应的灰度值共同决定滤波输出.其次,所设计的权值可以用修正因子来进行微调,来获得理想的滤波效果.实验证明,其处理效果优于传统滤波算法和修正后的阿尔法均值滤波算法.     

基于窗函数的FIR滤波器的设计

文章主要阐述了FIR算法的基本原理,推导了其中所有的重要公式,并且对几种窗函数做了比较,阐明了加窗函数对结果的影响。在这里还给出了实现FIR算法的结构图.介绍了几种常用滤波窗函数的特点,给出了包络图和幅度响应图。在分析了各种滤波之后,我们决定选用海明窗,并且给出了滤波效果图形.     

分布式算法在乘法模块中的应用

本文基于分布式算法的基本原理,提出了基于查找表结构的分布式算法应用于信号处理中的乘法模块的思路,并以32阶FIR低通数字滤波器中的乘法模块为例,利用FIR滤波器的线性相位特性减小电路规模,采用分割查找表减小存储空间,采用流水线技术和并行分布式算法结构提高了滤波器的速度。最后指出此种算法适用于乘法模块的广阔前景。     

一种带时间窗车辆路径问题的混合蚁群算法

针对带时间窗车辆路径问题求解时蚁群算法存在容易陷入局部最优,而遗传算法初始种群的优劣对算法有效性存在直接影响,提出一种混合蚁群优化算法。算法首先在蚁群算法的节点选择概率公式中引入时间窗因素,以得到初始种群,然后通过遗传算法的交叉算子和变异算子对初始种群中的较优路径进行交叉和变异操作,从而得到更优的路径。通过Matlab环境下对文中混合算法进行仿真实验,在车辆利用率和路径规划上效果明显,表明了算法的高效性,同时混合算法可以避免陷入局部最优。     

非高斯噪声下的参数自适应高斯混合CQKF算法

研究非高斯噪声环境下的高斯混合滤波方法,进行纯方位跟踪系统的目标跟踪。利用改进的参数自适应方法,调整位移参数的大小,从而修正了高斯混合模型,提出了在非高斯噪声下的参数自适应高斯混合CQKF算法;基于非高斯噪声下的离散系统模型,分析了高斯混合CQKF算法中建模过程的局限性,并结合初值优化方法,提出了利用参数自适应方法修正高斯混合滤波模型的方法,从而克服了高斯混合滤波的局限性,提高了滤波精度。仿真实验表明在非高斯噪声下参数自适应高斯混合CQKF算法比原算法有更高的滤波精度。      

模糊神经Petri网算法优化及其收敛性分析

针对模糊神经Petri网(fuzzy neural Petri net,FNPN)学习算法计算精度低、收敛性差及训练过程中网络震荡较大的问题,提出一种优化的FNPN算法.本算法采用两种S型连续函数分别表示变迁使能及变迁点燃后的新标记值,并在传统参数修正公式的基础上考虑修正前的数值进而增加新型的动量项,从而改善网络的收敛性.本文证明了优化后的参数修正算法可以保证FNPN网络的收敛性.     

一种求解非线性单调方程组的修正Liu-Storey投影算法

针对大规模非线性方程组求解问题,在Yuan研究成果的基础上提出修正的Liu-Storey共轭参数公式,并采用投影技术和一种新型线搜索构建了修正Liu-Storey投影共轭梯度算法.新算法保持了Yuan公式不依赖任何线搜索且具有充分下降性的性质,同时还具有信赖域性质,在常规条件下新算法具有全局收敛性.初步的数值试验表明,新算法总体上比传统的LS算法和3项LS算法更优.