多响应近似线性回归模型的Minmax稳健设计

研究多响应变量近似线性回归模型的Minmax稳健设计问题．以响应变量均方误差阵的迹tr（MSEM）为准则，对回归方程系数采用广义最小二乘估计，进而利用最小二乘法得到最优逼近函数．从而将Huber（1975）的方法和Wiens（1990）的结果推广到多响应变量场合．最后考察了一个特例，即当回归变量问可能存在交互作用时的双响应二元曲面线性回归模型，得到了与Wiens（1990）较一致的结果．     

固定影响平行数据模型参数的偏最小二乘估计

当平行数据的解释变量之间存在严重的多重共线性,或者样本点个数与解释变量个数相比较少时,用经典方法求解模型(如最小二乘法等)误差偏大,难以满足实际要求。针对这种情况本文提出用偏最小二乘法思想求解固定影响平行数据模型,并且实例表明误差明显减少,可以满足建模、预报的要求。     

基于偏最小二乘回归的飞机维修保障费用预测

分析了影响飞机维修保障费用的参数，提出用偏最小二乘回归方法来预测飞机维修保障费用。该方法对变量进行主成分分析、典型相关分析和多元线性回归，在处理存在多重线性相关的小样本多元数据方面效果很好。实例证明，与传统普通多元线性回归方法相比，偏最小二乘回归在飞机维修保障费用预测中精度更高。     

目标变量不完全情形下的最小二乘回归插补

充分利用对辅助变量的回答所提供的变量信息，采用最小二乘方法，给出了目标变量不完全情形下对其的一种回归插补，并对回归差补的期望和方差进行了讨论。     

基于粗糙集的偏最小二乘回归方法

针对变量之间多重相关性导致最小二乘估计失效的问题，提出基于粗糙集改进偏最小二乘回归建模方法.首先，利用粗糙集对数据进行一般约简，去除冗余信息，再进行偏最小二乘回归分析，建立回归模型.通过实例计算，并与PLSR、PCR进行比较分析.结果表明：用粗糙集改进的PLSR建模精度为3.65%，分别高于PLSR(4.07%)和PCR(4.45%)，从而验证了所提出方法的通用性及实用价值.     

Hammerstein OEMA系统的辅助模型最小二乘辨识

针对Hammerstein 输出误差自回归(OEMA)模型, 将关键变量分离原理与辅助模型辨识思想相结合,提出了基于关键变量分离的辅助模型递推增广最小二乘辨识方法.该方法能获得系统参数估计和噪声参数估计,且能实现在线辨识.     

偏最小二乘回归在地表沉陷预测中的应用

考虑地下开采引起的地表沉陷的众多影响因素,基于偏最小二乘二次多项式回归这一非线性方法,对地表沉陷的最大值进行了预测。以地表最大沉陷值为因变量,以采高、采深、煤层倾角、硬度系数等为自变量,得出了地表最大沉陷值的预测模型。结果发现,Press残差值随潜变量个数的增加而降低,由两者关系图可确定潜变量的个数为4对;采高的标准回归系数最大,说明4个影响因素中采高对地表沉陷值的影响最大;预测模型的决定系数为0.9157,预测值的误差率为±10.41%,表明用偏最小二乘二元多项式回归方法预测地表沉陷是可行的。     

多输入单输出系统的辅助变量参数估计

利用辅助变量辨识方法,推导出多输入单输出系统的辅助变量递推最小二乘算法,并与辅助模型递推最小二乘法进行了计算量和辨识精度比较.     

遗传算法选择特征波长在紫外光谱检测COD中的研究

为简化紫外光谱测化学需氧量检测模型,提高模型的预测精度,将偏最小二乘算法与遗传算法相结合,优化对紫外光谱特征波长的选择.通过建模和实验分析表明:使用该方法对特征波长进行选取,偏最小二乘回归模型在均方误差意义下达到最优,平均相对误差在5%以内,而且预测精度明显优于未经遗传算法选取波长的偏最小二乘回归模型.     

求解Stokes方程的最小二乘等几何分析方法

针对采用C0型基函数的最小二乘有限元需增加辅助独立变量的问题,提出了一种改进的方法———最小二乘等几何分析方法。采用具有高阶光滑性的非均匀有理B样条作为基函数,直接用原始变量定义最小二乘泛函,建立了求解Stokes方程的改进算法。该方法不需引入新独立变量,且网格可在数值分析中自动生成并能精确表达区域的几何形状。用所提出的方法求解了二维不可压Stokes流动,计算结果与解析解符合较好,表明该方法可用于Stokes方程的求解,提高基函数光滑性的k细化具有指数收敛速度。     

超声测距系统的高精度中心椭圆算法

描述了基于新型驱动电路和低噪声程控放大器的超声测距系统.驱动系统的设计从硬件角度提高了回波信号的信噪比和稳定性.基于能量重心校正法和最小二乘法的原理,提出了一种改进型椭圆中心超声回波寻峰算法:通过曲线拟合搜索椭圆中心点,即回波信号能量集中点,进而找到回波信号的峰值点.测试比较证明,与包络线法和三次多项式法相比,此算法测量相对误差稳定在0.2%,适用高精度工业测量.     

一种用于判断矩阵排序的扩展最小二乘方法

对判断矩阵排序提出一种新的扩展最小二乘方法（ＥＬＳＭ），并从理论上给出相应的收敛性迭代算法和一致性检验方法．与最小二乘排序方法ＬＳＭ相比较，新的排序方法ＥＬＳＭ保序性好，排序结果准确；与特征向量排序方法ＥＭ相比较，ＥＬＳＭ排序方法虽然算法复杂些，但概念更清楚，涵义更明确，更为突出的优点是可以推广应用于群组判断矩阵排序．最后通过仿真实例说明ＥＬＳＭ排序方法的优越性     

Improved Fx-VSSLMS algorithm for active vibration control of smart cantilever beam

Filtered-x least mean square(Fx-LMS) algorithm is popular in many adaptive processes. As its contradiction between convergence speed and stead-state error, the improvements of Fx-LMS algorithm with variable step size(VSS) have been developed. To strengthen the robustness of variable step size least mean square(VSSLMS) algorithms to noise disturbance in active vibration control(AVC) application, nine VSSLMS algorithms are introduced in detail. Then an improved VSSLMS algorithm is proposed for better performance. At last, the performance of these VSSLMS algorithms are compared in AVC experimental system with different noise level. The experimental results verifies the effectiveness and robustness of the proposed VSSLMS algorithm in AVC application.     

直线回归的最小距离法

对自变量、因变量的不同选择，用最小二乘法所得到的回归方程是不同的，本文提出直线回归的最小距离法可以得到相同的直线方程，得到计算公式和一些性质。     

无失效数据下一种新分布的可靠性分析方法

根据无失效数据推导出分布失效率的Bayes估计,然后运用Virene算法和非线性回归最小二乘法,对分布的可靠性进行评估.最后,利用Monte-Carlo方法对所得结论进行了分析验证.结果表明,在无失效数据下,将非线性回归最小二乘法与Bayes方法相结合,可以很好地评估指数-威布尔分布的可靠性.     

基于改进进化策略的线性参数估计方法

针对线性回归模型,在最小二乘意义下,提出一种基于改进进化策略的线性参数估计方法并用仿真实例检验其有效性.该方法是将进化策略与最小二乘法相结合并且对算法中的变异算子作了相应改进.算法参数估计精度较高,收敛速度快,自适应性强,能有效处理线性回归参数估计问题.     

适用于高阶QAM信号的水声信道修正盲均衡算法

针对水声信道的相位旋转问题,提出了适用于高阶QAM(quadrature amplitude modulation)信号的改进的修正常数模算法（improved modified constant modulus algorithm, IMCMA）。在不增大计算量的前提下,对修正常数模算法（MCMA）的权值迭代函数进行修改,从而修正误差控制函数,改善相位补偿能力。在具有多普勒相位旋转的典型两径水声信道环境中进行计算机仿真。结果表明,IMCMA算法相比MCMA算法加快了收敛速度,改善了稳态误差性能;同时又具有和LMS(least mean square)算法相当的相位补偿能力和收敛性能。IMCMA算法可为高速水声通信提供一种非常实用的均衡方法。     

基于Online AdaBoost的偏振图像目标跟踪

根据偏振图像的特点,文章提出一种基于在线AdaBoost的目标跟踪方法.该方法以最小二乘回归作为弱分类器,以强度、偏振度和边缘方向特征组成的向量为其输入;通过AdaBoost算法将多个弱分类器集成为强分类器,并在跟踪过程中利用AdaBoost算法对强分类器进行在线更新,以适应目标与背景的变化;利用强分类器生成当前置信图...     

Active micro-vibration control based on improved variable step size LMS algorithm

The contradiction of variable step size least mean square(LMS) algorithm between fast convergence speed and small steady-state error has always existed. So, a new algorithm based on the combination of logarithmic and symbolic function and step size factor is proposed. It establishes a new updating method of step factor that is related to step factor and error signal. This work makes an analysis from 3 aspects: theoretical analysis, theoretical verification and specific experiments. The experimental results show that the proposed algorithm is superior to other variable step size algorithms in convergence speed and steady-state error.     

对复杂混沌时间序列快速预测的前馈神经网络

提出了一种基于前馈神经网络结构的适合于非线性预测的在线学习方法，这种方法吸收了最小二乘法和传统在线ＢＰ算法的优点，具有收敛速度快，跟踪性能好、适用于非线性预测等特点。