张量方法在非线性最小二乘问题中的应用

本文利用张量方法求解非线性最小二乘问题ｍｉｎｆ（ｘ）＝１／２Ｒ（ｘ）＾ｒＲ（ｘ）。主要讨论其奇异问题的算法，提出求解非线性最小二乘问题一种张量算法，并讨论了张量算法中解的存在性。     

非线性基线长度约束在北斗测姿中的应用

针对传统无约束LAMBDA(least-squares ambiguity decorrelation adjustment)算法中整周模糊度求解成功率不高的问题,提出一种利用基线约束的整数最小二乘快速求解整周模糊度的方法,并将其应用到北斗姿态测量系统中.该方法利用基线长度作为先验信息,将无约束的整数最小二乘扩展为非线性约束的最小二乘,并采用正交映射方法求解其约束解;同时在模糊度求解过程中,根据搜索空间的特性,先确定其上下界范围,再对模糊度残差范围限定,减少模糊度搜索过程中的候选解,最后采用迭代增加模糊度空间法和约束最小二乘求解对模糊度候选解筛选.实验采用单频北斗接收机实时数据对该算法的有效性进行验证,结果表明,在单频单历元条件下,该算法有效降低计算量,将姿态角求解成功率提高30%左右.     

约束非线性最小二乘的极大熵方法

研究一种将变尺度方法与极大熵方法相结合的新方法，并将其用于约束非线性最小二乘问题，这是一种对有约束和无约束非线性最小二乘问题的统一算法，实现了对Ｈｅｓｓｅ矩阵的整体逼近．新方法具有显式搜索方向，因而在迭代中不需要求解二次规划子问题．数值结果表明该方法是有效的     

约束非线性最小二乘的极大熵方法

研究一种将变尺度方法与极大熵方法相结合的新方法，并将其用于约束非线性最小二乘问题，这是一种对有约束和无约束非线性最小二乘问题的统一算法，实现了对Ｈｅｓｓｅ矩阵的整体逼近。新方法具有显式搜索方向，因而在迭代中不需要求解二次规划子问题，数值结果表明该方法是有效的。     

非线性函数模型的最小二乘问题

本文针对非线性函数模型的平差问题,提出了非线性最小二乘平差的一种解算方法,该法与过去方法的不同在于:先将非线性函数模型按最小二乘法导出其基础方程,再对非线性的基础方程进行迭代化计算求解。     

基于LTS稳健初值的选权迭代法

提出先用LTS稳健估计来确定残差的初值,然后再进行选权迭代方法。其估计结果既具有LTS方法的高失效点(BP)稳健性,又具有选权迭代方法的高估计效率。仿真表明基于LTS稳健初值的选权迭代方法能够同时抵抗来自X方向和Y方向的多个异常,具有非常强的稳健性,其计算结果与没有异常时的最小二乘估计结果一致,同时它的估计效率也达到了很高的水平。     

非负线性最小二乘问题的一种严格可行内点算法

给出了非负线性最小二乘问题的一个新算法.首先,把非负线性最小二乘转化为线性互补问题,结合牛顿方向和中心路径方向,通过求解一个线性方程组得到搜索方向;进而获得了求解非负线性最小二乘问题的一种严格可行内点算法,并证明该算法经过多项式次迭代之后收敛到原问题的一个最优解,数值实验表明此方法是有效的.     

混合遗传算法及其在非线性最小二乘估计中的应用

分析了利用单纯形操作代替交叉操作的混合遗传算法,该算法即兼顾了全局收敛性,又具有高效的局部搜索能力。并通过导线网平差的例子验证了应用该算法来解测量上的非线性最小二乘估计的可行性和优越性。     

自协方差总体最小二乘噪声估计算法

提出了一种自协方差总体最小二乘(ATLS)噪声估计算法,该算法在自协方差最小二乘(ALS)噪声估计算法基础上,采用总体最小二乘方法对自协方差线性方程组求解,使得算法具有更强的抗干扰能力,提高了算法的估计精度;并给出了算法的实现步骤。仿真实验表明在先验噪声偏差较大的情况下,ATLS噪声估计算法具有更高的估计精度。     

求解非线性最小二乘问题的自适应锥模型信赖域算法

针对非线性最小二乘问题,利用锥模型算法思想,给出了海赛矩阵中二阶信息项的割线近似的不同校正公式,并利用自适应信赖域技术给出了求解非线性最小二乘问题的自适应锥模型信赖域算法.算法中我们允许使用非精确方法近似求解信赖域子问题.文中给出了新算法的全局收敛性和超线性收敛性分析以及数值试验结果.     

无线传感器网络在气体源预估定位中的应用

基于气体污染源浓度衰减模型,分别采用极大似然预估算法(M LE)、非线性最小二乘算法(NLS)对气体污染源定位进行了研究。仿真实验对比了两种算法在不同的传感器节点以及背景噪声情况下对预估定位误差的影响。结果表明:当环境背景噪声较小时,NLS可以得到比M LE算法更精确的预估结果。当环境背景噪声较大时,M LE算法比NLS算法有着更强的鲁棒性。     

线性回归模型的抗差泛最小二乘估计

首次用抗差泛最小二乘法考虑线性回归模型，得到了抗差泛最小二乘估计；然后，研究了该估计的影响函数和渐近方差-协方差矩阵；最后，用算例说明了抗差泛最小二乘估计具有抗差性，优于传统的最小二乘估计及作提出的泛最小二乘估计。     

非线性随机系统具有遗忘因子的递推最小二乘法

针对NARMAX模型,结合线性滤波、谱分解定理及成型滤波器原理构成非线性随机系统模型,并将参数模型转化为脉冲响应非参数模型.依据Hankel矩阵法,在参数估计准则函数中加入待估参数的增量约束项和遗忘因子,并结合增广最小二乘递推算法,提出一种具有遗忘因子的非线性参数估计的递推最小二乘法.该算法收敛速度快,且能克服病态,适用于时变参数情形.将其应用于一种非线性自适应预测控制算法仿真中,验证了算法的有效性.     

回归系数的极小极大估计

将文献[1]中提出的求不相容方程组的极小极大解的方法，应用于线性回归方程中的参数估计，提出了一个包括两个普通的最小二乘法的算法。在基于“最大残差最小”的意义下，得到的参数估计忧于员小二乘估计。     

广义最小二乘限定记忆参数辨识方法与仿真研究

最小二乘参数辨识法可用于动态系统、静态系统、线性系统、非线性系统的参数估计.可用于离线估计,也可用于在线估计.最小二乘辨识法简单、实用,其递推算法收敛可靠,并且当模型噪声为白噪声时,可得到无偏、一致和有效的估计,从而得到广泛的应用.但当模型噪声是有色噪声时,最小二乘参数估计不是无偏、一致估计,并且随着数据的增长,最小二乘递推辨识算法将出现数据饱和现象,以致递推算法慢慢失去修正的能力.广义最小二乘递推算法解决了模型噪声是有色噪声时,最小二乘参数估计的无偏性和一致性问题,并能给出噪声模型的参数估计值,但依然存在数据饱和问题.论文在广义最小二乘递推算法的基础上引入限定记忆方式,获得了广义最小二乘限定记忆参数估计递推算法(RFMGLS),解决了广义最小二乘递推算法的数据饱问题.仿真结果表明了RFMGLS算法的有效性.     

一种鲁棒的约束总体最小二乘无源定位算法

摘要：
为解决异常误差导致的机载单站无源定位不准确问题,提出了一种鲁棒的约束总体最小二乘(RCTLS)定位算法.首先建立定位模型,构建了加权的约束总体最小二乘(WCTLS)定位准则,并给出了牛顿迭代解.然后,利用广义M估计原理构建了WCTLS准则的鲁棒极值函数,将鲁棒CTLS问题转化为对等价权函数的设计问题,并根据丹麦法构建了等价权函数.理论分析表明,RCTLS算法能够有效识别异常误差,并降低异常测量数据的权值以减小其对定位结果的影响.仿真结果显示,存在异常误差时, RCTLS算法能够获得理想的定位估值,具有较强的鲁棒性.
     

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.     

一种改进的相关向量回归方法

相关向量回归(relevance vector machine,RVR)是一种非线性回归方法。当样本集中存在少量异常点时,RVR方法能够得到鲁棒的回归模型。随着异常点增加,求得的回归模型的泛化能力下降。针对这种情况,实现了一种改进的相关向量回归方法。首先重新定义样本子集T和根据最小截平方和估计理论重新定义RVR回归的似然函数;然后利用贝叶斯推论求解边际最大似然函数;最后使用迭代法迭代求解最大似然函数的最优超参数α、β以及子集T,并使用超参数α、β得到回归模型。通过证明和实验结果表明,算法具有鲁棒性,而且当样本集中的异常点增加时,依然具有较高的鲁棒性。     

非线性最小二乘平差参数精度的评定

对于非线性最小二乘平差参数的方差协方差传播的研究 ,必须与非线性最小二乘平差的研究同步。为了适应现代变形监测中观测值种类变化的多样性 ,将观测值类型加以扩展 ,提出了不同类型观测值的非线性最小二乘平差参数的方差协方差传播理论和计算公式 ,利用算例证明了它的可行性     

基于二次型规划考虑网络丢包的鲁棒状态估计

提出一种可以体现网络丢包的离散时间线性时不变状态空间模型,并将鲁棒状态估计的问题转化为向量优化问题.为了能够快速有效地对该问题进行求解,通过标量化方法将向量优化问题转化为普通的标量二次型规划问题,然后将状态估计问题转化为对标准l1正则化最小平方问题的求解.结合Kalman滤波的更新过程,提出了能够适用于具有数据包丢失情况下的鲁棒状态估计算法,通过仿真实验验证了算法的有效性.