一种鲁棒的递推总体最小二乘无源定位算法

针对机载无源定位易受异常误差影响的问题,提出一种基于角度信息的鲁棒递推总体最小二乘定位(RRTLS)算法。建立机载无源定位模型,得出递推总体最小二乘(RTLS)解。推导RTLS算法的加权形式,构建鲁棒总体最小二乘极值准则。在此基础上建立等价权函数,使得当出现异常误差时,算法能够自动识别异常误差,并利用降权、剔除奇异点的方式减小异常误差的影响。研究结果表明:随着误差的增大,RRTLS算法的影响函数绝对值减小,抗异常误差能力较强。仿真结果表明:存在异常误差时,递推最小二乘(RLS)和RTLS定位结果受到扭曲,而RRTLS算法能够获得理想的估值,具有较强的鲁棒性。     

鲁棒约束最小二乘恒模算法

在实际的通信环境中,信号方向向量偏差使得线性约束最小二乘恒模算法的性能急剧下降.针对这一问题,提出了鲁棒约束最小二乘恒模算法.该算法通过在代价函数中增加一个方向向量存在偏差的模值约束条件来提高算法的鲁棒性,并在此约束条件下推导出权重向量的递推公式.另外,采用递推算法计算逆矩阵,大大地降低了计算复杂度.所提算法对信号方向向量偏差具有较强的鲁棒性,从而保证了阵列输出的信干噪比接近最优值.仿真实验结果表明,与传统算法相比,所提鲁棒约束最小二乘恒模算法具有更好的性能,且能适应实际复杂的通信环境.     

基于鲁棒主元分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法.该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障.在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障.     

线性等式约束的奇异线性模型的Liu型估计

考虑带等式约束的奇异线性模型的参数估计,为了克服复共线性问题,提出一个新的Liu型估计;同时给出这个估计的一些性质,并且得到了这个新的Liu型估计在均方误差矩阵准则(MSEM)下优于约束最小二乘估计的充要条件;得到在均方误差(MSE)准则下新估计优于约束最小二乘估计的充分条件.     

一种稳定的总体最小二乘自适应滤波算法

针对输入输出观测数据均含有噪声的滤波问题,提出了一种稳定的总体最小二乘自适应算法.该算法以系统的增广权向量的瑞利商与增广权向量最后元素的约束项的和作为总损失函数,利用梯度最陡下降原理导出权向量的自适应迭代算法,并通过对算法稳定性的分析确定了算法中学习因子的取值范围.所提出的算法稳定,计算复杂度低,既没有平方根运算,也不需要标准化处理.仿真实验表明,该算法的收敛性能、鲁棒抗噪性能和稳态收敛精度均明显高于同类其他总体最小二乘算法.     

减少无线传感器网络节点定位误差的方法

为提高无线传感器网络节点定位精度,提出3种基于距离信息的改进定位算法:改进三边测量法、加权最小二乘估计、抗差最小二乘估计.在一定先验假设情况下,对三边测量法以及由其衍生出最小二乘估计进行改进,并将抗差最小二乘估计方法引入到节点定位计算之中.仿真结果表明:3种算法能够有效减少定位误差.抗差最小二乘估计在系统存在粗差情况下效果尤其显著.当系统对能耗要求严格时,可采用改进三边测量法或加权最小二乘估计替代抗差最小二乘估计.     

双线性过程的鲁棒数据协调

针对基于鲁棒目标函数的双线性数据协调问题,提出了一种新的算法.首先利用两步法将双线性数据协调问题转化为两个线性数据协调问题,然后利用罚函数法把约束优化问题转化为无约束优化问题,最后给出了Huber函数的等价权,以及利用等价权法求解双线性鲁棒数据协调问题的表达式.在迭代求解过程中考虑了变量的上下限约束.仿真结果表明该方法能有效地求解双线性鲁棒数据协调问题,降低显著误差的影响.     

L1约束的三维人脸稀疏重建

为了提高三维稀疏重建的精细度和鲁棒性,该文在改进模型参数先验分布描述的基础上,推导出一种最大后验概率参数估计方法即L1约束最小二乘重建方法。在BFM三维人脸库上测试重建算法的误差,L1约束最小二乘重建方法的重建结果精度优于无约束和L2约束最小二乘重建结果,也优于文献中的动态成分选择算法的结果,并且重建性能更鲁棒。实验结果表明:该方法与传统的无约束最小二乘或L2约束最小二乘等方法相比,能更可靠地克服实际中三维稀疏形变模型的表示基存在严重的多重共线性的问题,具有较好的重建性能。     

基于鲁棒主元分析的故障诊断方法

针对工业过程的建模数据中含有离群点的情况,提出了一种基于鲁棒主元分析(PCA)的故障诊断方法.该方法使用广义极大似然估计(M估计)代替最小二乘估计,将传统的主元分析问题转化为一个加权的重构误差优化问题,然后通过改进的非线性迭代部分最小二乘(NIPALS)算法来求得问题的最优解,在此基础上建立主元模型并构造监控统计量检测过程故障.在连续搅拌反应器(CSTR)仿真系统上的应用结果表明,鲁棒PCA方法能够消除离群点对主元模型的影响,比PCA方法分析过程数据更为准确,能更有效地诊断过程故障.     

广义岭型主成分估计的优良性质

讨论线性回归模型的一种有偏估计广义岭型主成分估计,给出广义岭型主成分估计一些性质,证明在MSE和GMSE准则下是等价的并且优于最小二乘估计,在Pitman准则下优于最小二乘估计和岭型估计.进一步得到了在均方误差意义下广义岭型主成分估计是可容许估计的结论.     

基于抗差EKF的机载单站无源定位算法

机载单站无源测向定位中,若观测值中存在异常误差,采用EKF算法会导致定位结果有偏。为增强算法抗差性,将抗差EKF算法引入到机载单站无源测向定位中。首先,建立了机载单站无源测向定位模型,依据标准化观测残差构建了抗差等价权矩阵,对异常观测进行降权处理。其次,针对抗差EKF算法效率低的特点,构建了卡方统计量,提出了基于卡方检验的抗差EKF定位算法,即先利用卡方检验判别出含异常误差的观测值,再调用抗差EKF算法进行定位解算。最后,通过在观测值中加入单个异常误差和连续异常误差,测试了算法对不同异常误差的抵抗能力。仿真表明,抗差EKF算法能较好地削弱异常误差对位置估值的影响,并且基于卡方检验的抗差EKF定位算法能提高定位的效率。     

基于递推总体最小二乘的机载单站无源定位算法

对于机载单站无源定位中观测向量和系数矩阵均存在噪声的情况,采用经典的最小二乘(LS)算法会导致估计结果有偏,而一般的批处理算法运算量大,不满足定位的实时性要求.为此提出一种递推总体最小二乘定位(RTLS)算法.在建立机载无源测向定位模型的基础上,引入由系数矩阵和观测向量构成的增广矩阵,利用矩阵分解的性质建立了增广自相关逆矩阵和最右奇异向量的递推方程,从而推导出RTLS定位算法.仿真结果表明,RTLS算法的收敛速度和定位精度优于RLS算法和TWDRLS算法,并且实现了TLS算法对目标位置的实时估计,能够定位需求.     

非线性LTS稳健估计方法

为使原始LTS(least trimm ed squares)方法能够处理非线性问题,研究非线性LTS稳健估计方法。说明该方法的解一定是部分观测值的非线性最小二乘估计。该方法可通过求解非线性最小二乘问题得到确切解。基于MM EA(m in im um m ax im um exchange a lgorithm)算法和非线性最小二乘技术,构建求解非线性LTS估计近似解的算法。仿真结果表明非线性LTS估计方法能够同时抵抗来自X方向和Y方向的多个异常,与传统方法相比具有更好的稳健性。     

一种改进的基于光流的鲁棒多尺度运动估计算法

基于图像的运动估计是计算机视觉在许多应用中的一项基本任务, 在这一领域的主要目标是尽可能精确地估计场景和物体的运动。针对界外值在光流估计过程中会引起不可预期的运动估计结果, 严重影响运动估计精度的问题,提出一种改进的鲁棒分层的多尺度运动估计算法。该算法利用图基的双权重函数,自动调节不同残差数据点的权重,去除残差过大的数据点,并采用多尺度金字塔由粗到精逐层迭代,精确地估计运动矢量。实验结果表明：该算法鲁棒性好,能有效地解决遮挡背景和运动不连续而引起的界外值问题,明显地提高运动估计精度。     

一次范数最小稳健估计在高程混合网中的应用

目的探讨如何获得高程混合网高精度的平差结果。方法结合高程混合网的模拟计算,分别采用下面4种方法平差,即:第1种,不考虑三角高程测量中折光系数影响的最小二乘法;第2种,考虑三角高程测量中折光系数影响的最小二乘法;第3种,不考虑三角高程测量中折光系数影响的一次范数最小稳健估计;第4种,考虑三角高程测量中折光系数影响的一次范数最小稳健估计。结果上述第2种方法比第1种方法精度高,第3种方法与第4种方法精度相当,且均高于第1种方法和第2种方法。对于一次范数最小稳健估计,权函数中常数c越小,平差结果的精度越高。结论在高程混合网中,上述4种方法中,第3种方法是最佳的,因为它精度最高,同时野外工作量最小。在按一次范数最小稳健估计计算时,应根据需要和实际,选择尽量小的c值。     

约束型矩阵最小二乘估计预测

本文提出了约束型矩阵模型的最小二乘估计预测量,矩阵型MSE准则,矩阵型RT(·)准则,矩阵型MDE-准则.进一步,给出了约束型矩阵模型最小二乘估计预测关于MSE准则、RT(·)准则优于它的最佳线性无约束矩阵型最小二乘估计预测的充要条件.探究RT(·)准则与MDE-准则的相互转化关系,给出了约束型矩阵模型最小二乘估计预测优于无约束矩阵型最小二乘估计预测的充要条件.     

基于推广Kalman滤波的机载无源定位改进算法

研究空中运动观测平台对地面辐射源目标的纯方位信息定位算法,提出改进的二阶EKF定位算法以提高定位估计精度.用推广Kalman滤波算法代替传统的最小二乘定位算法.充分利用观测平台的运动信息建立了可观测的观测方程,并采用二阶EKF算法解决了在观测误差较大的情况下导致的非线性误差较大的问题.采用Monte Carlo仿真比较LS,EKF和二阶EKF 3种方法的性能.证明用这种方法可以达到更好的估计精度,能够将目标位置定位在更小的概率椭圆内.概率误差椭圆缩小了30%.     

基于弹性网惩罚的复合分位数回归估计

针对高维数据的建模分析问题,提出一种基于弹性网络法和复合分位数回归相结合的稳健估计方法。 在该 估计方法中,所提出的模型能够有效进行变量选择与系数压缩,并处理数据间的多重共线性与群组效应问题,在大 数据时代下具有较广的适应性。 同时,与已有的惩罚最小二乘估计和惩罚分位数回归估计相比,该估计方法不仅 放宽了对模型误差项的分布要求,而且综合考虑了多个分位点的损失,在面对离群值或呈现尖峰、厚尾分布数据时 能够保持更强的稳健性和抗干扰性。 在一定条件下,对所构建模型估计的相合性与稀疏性进行了理论分析,结果 表明:所提出的模型能够将不相关的变量完全压缩至零,且估计量和真实系数以趋于 1 的概率相同。 此外,在数值 模拟方面,设置了 5 种误差项分布条件,根据设定的 4 项指标,通过与其他惩罚函数模型以及损失函数模型进行比 较,结果表明新提出的方法具备更好的稳健性与有效性。     

具有LTS稳健初值的点云平面拟合算法

针对粗差含量较高的点云平面拟合,提出具有最小截断二乘（LTS）稳健初值的拟合算法.首先采用随机抽样的方法计算平面方程系数的LTS估值,选择稳健的绝对偏差中位数作为初始单位权中误差,然后再进行选权迭代.这样既保证了选权迭代法较高的估计效率,又可以保持LTS方法的稳健性.实验结果表明,具有LTS稳健初值的选权迭代法对于粗差含量较高的点云数据仍然稳健,可以得到准确的平面方程.