解线性互补问题的控制超松弛迭代算法

运用松弛迭代算法与矩阵分裂理论,提出了求解线性互补问题的控制超松弛迭代算法.这类算法设计了两个参数:第一个参数控制了迭代阵的谱半径,从而使算法收敛,适当选取第二个参数,加快了算法的收敛速度.在一定条件下证明了算法的全局收敛性.     

基于峭度的FastICA改进算法

独立分量分析(ICA)是信号处理技术的新发展,而FastICA 是独立分量的一种快速算法,因其收敛速度快而备受关注,但存在步长μ选取不当可能导致算法收敛速度减慢甚至不收敛的问题,本文提出了一种改进的优化学习算法,在牛顿迭代方向上增加精确线性搜索,从而使得算法的收敛性不依赖于μ的人为选择.将改进的FastICA算法应用到语音信号处理中,结果表明该方法迭代次数大大少于FastICA算法,具有收敛速度快的特点.     

一个求解不等式约束优化问题的非内点型可行QP-free算法

提出一个求解不等式约束优化问题的非内点型可行QP-free算法,该算法不要求迭代点必须是可行域的内点;而且在算法的每一个迭代,只需求解4个系数相同的线性方程组得到搜索方向;在合适的条件下,该算法被证明具有全局收敛性和局部超线性收敛速度.     

ITTFA迭代向量初值选择新策略

提出了一种新的初始迭代向量选择方法,利用渐进因子分析(EFA)提供的色谱流入流出信息来选择迭代初值,采用设定极大值区间的方法,选择几个极大值点来代替只有一个极大值点,尽可能地使迭代向理想的方向收敛.在某一组分的流入流出区间迭代初值设为1,无流出的区域迭代初值设为0,拓展了传统ITTFA方法计算中初始迭代向量只在一个点设定极大值的方法.采用该法解析模拟二维数据和实际酒样GC/MS二维数据中的重叠组分,取得了令人满意的结果.     

基于云计算平台Hadoop的HKM聚类算法设计研究

为有效解决传统K-means聚类算法在处理大规模数据集时面临的扩展性问题,提出了一种Hadoop K-means聚类算法.该算法首先根据样本密度剔除数据集中孤立点或者噪声点的影响,再利用最大化最小距离思想选取K个初始中心,使初始聚簇中心点最优化,最后用Hadoop云计算平台的Map Reduce编程模型实现算法的并行化.实验结果表明,该算法不仅在聚类结果上具有较高的准确率和稳定性,而且能够很好地解决传统聚类算法在处理大规模数据时所面临的扩展性问题.     

RLS自适应滤波的迭代信道估计与符号检测算法

在现有的OFDM系统联合迭代信道估计与符号检测算法的基础上,针对高速移动通信信道,利用RLS自适应滤波器在非平稳环境下有效跟踪输入统计量随时间变化的能力,提出了一类基于对迭代初始值进行RLS自适应预测的迭代信道估计算法.通过对每次迭代的初始值进行递归计算提高其有效性,减少了后继迭代次数,并提高了收敛值的准确性.仿真结果表明:和传统迭代算法相比,该算法加快了迭代收敛速度,提高了估计精度.在复杂度适当增加的前提下,降低了系统误码率,提高了系统性能.     

解非线性方程的一种新方法

研究了一种求解非线性方程的新方法,提出并证明了该算法的收敛性定理,给出了该算法的应用实例.计算机仿真结果表明:对于随机给定的初始点,该算法都能稳定收敛到它的一个实根,而且计算精度可控,因此,该算法是有效的.与传统的计算方法相比,该算法不仅具有收敛速度快,而且计算精度可控以及初始点随机给定集中优点.     

基于拟下降方法的遗传算法及其收敛性

在遗传算法中嵌入一个传统下降算子,且保留最好个体,利用最好个体的记忆信息对搜索过程进行指导,从而得到既有较快收敛速度,又能以较大概率得到全局极值的用于函数全局优化的混合算法.定义了适当的适应度函数和子代个体的选择算子,且从拟下降观点证明了算法的收敛性.数值计算结果表明了本算法显著优于遗传算法和传统下降算法.     

抗差Helmert空间自由设站数学模型在高速铁路轨道精调中的应用研究

高速铁路轨道精调工作是以全站仪自由设站测量轨检小车棱镜点的坐标作为前提,在此过程中,准确获取设站点的三维坐标至关重要。基于稳健抗差估计理论和方差分量估计理论提出一种解算设站点三维坐标的复合迭代高精度定权方法,推导了结合IGGⅢ权函数的Helmert空间自由设站间接平差数学模型及其线性化误差方程的严密公式。以兰渝铁路甘肃段轨道精调实测数据作为研究对象,通过计算与分析,表明所提数学模型可以合理地确定空间自由设站3类观测值的权比问题,同时能够抵抗CPⅢ点含有的数据粗差对解算结果的影响,且算法迭代次数少、效率高、收敛快,是一种更为有效实用的设站解算方法。     

基于Curvelet稀疏表示的图像盲分离初始化

针对盲分离初始化问题提出一种基于Curvelet稀疏表示的图像盲分离初始化方法. 该方法充分利用信号Curvelet变换的稀疏特性,选取稀疏性最好的高频系数组,采用聚类方法估计聚轴中心,寻求混合矩阵估计值,实现对盲分离学习算法的初始化. 实验结果表明,该初始化方法能避免盲分离算法在收敛时陷入局部最小,加快收敛,并提高分离精度.     

盲人探路负梯度方向法

负梯度方向法作为一个常用的优化方法在机械工程领域发挥着重要作用,但是,因其锯齿现象而具有计算量大、计算效率低的缺点。一维盲人探路寻优思想总结为:根据探测点与极值点相对位置的三种情况采取三种处理方案。基于此,将负梯度方向法进行了改进,提出了新的寻优方法——折线负梯度方向法。算法分为四部分:初始步长检验阶段;步长加倍探测阶段;暂不减半步长阶段;步长减半探测阶段。第三部分考虑了探测点远未及极值点的情况。提供了寻优思想流程图和完整的C语言子程序。通过与负梯度方向法的比较,证明了折线负梯度方向法具有计算量小、寻优效率大的特点。考虑远跨过极值点的情况,提出了走一步退半步探的算法。通过对不进行退半步探运算和退半步探时不减半步长两种情况的比较,证明了折线负梯度方向法的适用范围较广。     

基于LS的梯度迭代最陡下降算法GISDA

提出了一种基于LS准则、利用梯度迭代的最陡下降算法GISDA（Gradient Iteration Steepest Descent Algorithm，GISDA）．该算法在梯度计算上比LMS精确．新算法与传统的最陡下降算法相比，具有运算量小、容易实现等优点．GISDA算法比LMS算法收敛速度快、稳定性更好．并给出了GISDA算法和LMS算法性能比较的计算机仿真结果和结论．     

汽车半主动悬架的神经网络控制

针对目前标准BP神经网络的缺点,提出基于高阶导数的多记忆BP算法,将能量函数的 阶导数与最速下降方向相结合,构造出一个新的最速下降方向,从而提高了神经网络的学习速度。证明了该算法相对于传统梯度算法的快速性,然后给出了该算法的实现方法,并进行了算例仿真。为了证明其实效性,设计了汽车半主动悬架神经网络控制器。结果证明,该算法便捷、实用、有效。     

非精确搜索下的超记忆梯度法及其收敛性

提出一种新的无约束优化超记忆梯度算法,算法在每步迭代中充分利用前面迭代点的信息产生下降方向,采用Armijo搜索产生搜索步长,在较弱的条件下证明了算法的全局收敛性.     

应用启发式边缘生长的遥感影像分割

基于边缘的遥感影像分割方法有两个难点：边缘点检测和边缘线连接. 文中提出一种基于启发式边缘生长的分割方法. 首先对Canny 算子进行三方面的改进以准确提取边缘点：自适应小波去噪、最优双阈值计算、基于邻域全变分的边缘决策. 定义一个新的边缘连接异质性指标,包括空间异质性和光谱异质性. 在此基础上提出启发式的全局交互最优决策技术以正确连接断裂边缘线. 文中用快鸟影像和航空影像进行分割实验,并与eCognition 的分割结果进行定性和定量比较. 实验表明启发式边缘生长分割方法能正确地连接绝大多数边缘线,并提供准确的分割结果.     

具有对偶知识的文化算法

传统文化算法的知识对于进化过程的影响是统一进行的,而知识的趋同性导致算法易早熟收敛于局部最优解. 为此,提出一种新的由当前种群最优个体及其所在区域,以及当前个体共同确定的对偶知识. 当对偶知识指导个体进化时,不同个体的进化方向由相对应的对偶知识所确定. 对复杂函数进行了测试,所得数据表明该算法有良好的全局收敛能力及解决高维优化问题的能力.     

神经网络的结构学习算法研究

针对前馈神经网络结构设计困难,传统ＢＰ算法易陷入局部极小、收敛速度慢、对初始权选取敏感等缺陷,通过修改误差函数,提出了一种融结构自适应选择和参数学习于一体的针对一般神经元激活函数的新算法,实验结果表明其高效性．     

基于目标函数梯度向量的相邻方向共轭法

从共轭梯度法的基本思想出发,在前一寻优方向起点和终点的负梯度向量平移所决定的平面内确定共轭方向,并提出二维和三维优化问题的共轭方向计算公式。根据向量的几何关系和矢量加减运算的几何意义,推导由任一寻优方向起点和终点的梯度所确定的共轭方向。此方法可用于多维优化问题的求解。提出新算法的寻优步骤,并与众多经典共轭方向计算公式相比。该算法不仅具有理论严密性,而且寻优有效,具有二次终止性。     

分数阶复宗量圆柱函数的数值计算

提出了一种分数阶复宗量圆柱函数的精确数值计算方法。该方法根据复宗量的大小，对分数阶复宗量柱函数应用不同的计算公式进行数值计算，它不仅计算精度高，而且对复宗量ｚ没有限制，该方法的程序编制已完成。