基于神经网络算法的谐波参数估计

研究基于神经网络算法的谐波参数估计方法.采用递推最小二乘法（RLSM）作为学习算法,提高神经网络的收敛速度并避免局部极小问题.为验证该算法的有效性,给出利用该算法进行间谐波分析的仿真实例.仿真结果表明,提出的间谐波分析方法具有计算精度高、训练速度快的特点,因此在电力系统间谐波分析中具有较大的应用价值.     

模糊神经网络优化的研究

模糊神经网络具有强大的自学习和自整定功能,然而,随着生产实际情况的不断变化,以及模糊神经网络不断的改进和发展,提出一种改进的构造神经网络的方法,并且提出混合学习算法,结合共扼梯度下降法与递归最小二乘估计来分别辨识网络中的前、后件参数,并对非线性系统进行仿真实验,达到控制要求.     

三维坐标转换算法的粗差探测比较研究

三维坐标转换的算法有很多种,除了最常使用的经典最小二乘平差外,还有整体最小二乘平差。整体最小二乘根据对误差分配方式的不同,又可分为奇异值分解法和混合最小二乘法。为了比较3种算法的粗差探测能力,通过实验模拟在不同粗差情况下,使用方差比值验证法进行粗差的探测。实验结果表明最小二乘和混合最小二乘算法均能识别较小的粗差,其粗差探测能力更加可靠。     

顾及高程平面及视差约束的最小二乘影像匹配算法

针对传统最小二乘影像匹配受影像质量和初值条件限制的问题,结合铅垂线轨迹法(vertical line locus, VLL)与基于共线条件约束的多片最小二乘匹配算法(multiphoto geometrically constrained matching, MPGC)的特点,提出了一种顾及高程平面及视差约束的最小二乘影像匹配算法.该算法基于高程平面约束匹配,在匹配过程中顾及视差约束进行搜索匹配.视差偏移量可为最小二乘匹配提供可靠稳定的初值条件,能够实现影像的高精度匹配.为验证算法的有效性,分别采用铅垂线轨迹法、基于共线条件约束的多片最小二乘匹配算法与该算法进行对比分析实验.结果表明,该算法在匹配准确性以及后续空中三角测量解算方面比上述两种算法更有优势.     

图像去运动模糊仿真研究

【目的】在多媒体时代，人们对拍照的要求越来越高。图像去模糊一直是一个具有挑战性的问题，有着很高的研究价值。【方法】阐述模糊图像中的运动模糊，使用约束最小二乘法和Richardson-Lucy算法来去除运动模糊，采用峰值信噪比和平均结构相似度两类指标对去模糊图像质量进行分析。【结果】仿真结果表明：采用约束最小二乘法去除运动模糊的数据评价值均大于Richardson-Lucy算法，约束最小二乘法在复原运动模糊方面表现得更加稳定。但在模糊长度和模糊角度增大后，各类算法的性能均会受到不同程度的影响。【结论】去模糊算法有待继续研究，以提高去模糊后的图像质量。     

多元线性回归模型的FTIR/ATR多组分定量分析

利用衰减全反射傅立叶变换红外光谱(FTIR/ATR)以及多元线性回归模型,分别采用经典最小二乘回归算法和逆最小二乘回归算法,建立了一种多组分同时在线的定量分析方法.这种方法精度高,结果准确,平均相对误差不到3%.两种回归算法中,以逆最小二乘算法获得的结果具有更高的精度和准确性,更适合含有少量杂质的体系.     

三轴磁航向传感器误差补偿

用椭球拟合法进行磁航向传感器误差补偿时,约束矩阵奇异导致算法不稳定. 对此提出改进的最小二乘椭球拟合算法,讨论了磁航向传感器的误差来源,建立了误差数学模型. 结合对约束矩阵的奇异性分析,提出矩阵分块分解方法解决奇异性问题,并用最小二乘法求解椭球系数. 该算法消除了传统算法的不稳定性,降低了计算量. 计算机仿真和转台实验表明它能有效补偿磁航向传感器的测量误差,补偿后航向最大误差小于0.42m.     

一种基于预解扩的判决反馈最小二乘恒模波束形成算法

提出了一种基于预解扩的判决反馈最小二乘恒模波束形成算法。它是对DS-CDMA接收信号先进行预解扩,然后将判决反馈用于最小二乘恒模算法进行波束形成,并在加性白高斯和多径衰落信道的环境中进行了仿真。仿真结果表明,本文提出的D-LSCMAFB算法的信干比性能和误码率性能比传统的SDCMA算法和DRLSCMA算法要好。     

带二次约束的最小二乘问题的求解

针对带二次约束的最小二乘问题提出了一种求解算法,同时给出了算法中牛顿迭代的收敛证明.数值例子说明了此算法的有效性.     

振动系统时参数识别分析

本文利用变物理参数微分方程模型，讨论了刚度与阻尼随时间变化时，物理参数与参数的识别问题，比较了三种在线识别技术，数学模拟结果表明，采用变物理参数微分方程模型可比采用差分方程模型极大的提高最小二乘法识别阻尼比的精度，当加入系统的噪音较大时，有些改进识别方法失效，但最小二乘法仍能给出较好的估计。     

GL算法在线性回归模型的权值计算中的应用

传统的最小二乘估计在处理含有异常值的线性回归模型的估计问题时拟合得往往不好,根据GL算法给出稳定加权最小二乘优化的参数的估计法．并结合实例进行回归分析,验证该方法的高精度和高效率．     

总体最小二乘法及其在GNSS高程拟合中的应用

为了解决多项式曲面拟合方法在进行全球导航卫星系统(GNSS)高程拟合时,控制点的坐标数据与高程异常均存在测量误差的问题,从总体最小二乘法的角度,在系数矩阵存在误差的情况下,来优化GNSS高程拟合模型,提高拟合精度.实验结果表明:采用总体最小二乘法进行曲面拟合GNSS高程异常,较传统最小二乘法精度会有一定提高.     

给定谱系树的加权最小二乘拟合

给出给定谱系树加权最小二乘问题最优拟合的一个充要条件及两个拟合算法。     

平面阵列下的二维角度和频率联合估计

在均匀面阵列结构基础上提出一种二维角度和频率联合估计新方法. 对阵列天线输出的信号进行建模分析,表明阵列接收信号具有平行因子四线性模型特征. 利用该模型低秩分解的唯一性条件,从分解得到的矩阵中联合估计出信源的参数. 该算法首先利用四线性交替最小二乘算法估计出方向矩阵和频率矩阵,然后利用频率矩阵的Vandermonde特征和方向矩阵的结构特点及最小二乘法计算频率和二维角度. 该方法无需谱峰搜索即可实现参数同时估计与配对,与现有的基于三线性分解的算法和ESPRIT算法相比具有更高的估计精度,而且在小样本数情况下也能较好地工作. 仿真结果验证了该方法的有效性.     

基于加权整体最小二乘的平面坐标转换模型精度分析

由于平面坐标转换在实际工程中应用较广且精度要求较高,故提出基于加权整体最小二乘算法求解坐标转换参数,即对系数矩阵和观测值矩阵都赋予合理权值。为进一步提高转换精度,通过实例在加权整体最小二乘求解参数的基础上,分别比较了四参数模型、六参数模型、双线性内插模型及二次曲面模型的坐标转换精度。实验表明,基于加权整体最小二乘求解的二次曲面模型在平面坐标转换中精度较高。     

允许卖空条件下组合证券投资模型的一个新算法

提出了求解高维组合证券投资模型的一种新算法，该方法将带约束的二次规划问题转化为无约束的线性最小二乘问题，能伙速求出其最优解，取得了较好的数值结果。     

多变量滑动平均模型参数估计两段最小二乘法

提出了多变量滑动平均(MA)模型参数估计的两段最小二乘法。第一段将多变量MA模型用高阶多变量自回归(AR)模型近似代替,用多变量递推最小二乘法(MRLS)估计高阶AR模型参数。第二段用最小二乘法解不相容矩阵代数方程组得MA参数估值。同多变量递推增广最小二乘法相比,可提高精度,仿真例子说明了其有效性。     

基于空域调制效应的干扰极化参数估计

干扰极化估计精度是影响雷达极化抗干扰能力的重要因素,而雷达天线空域极化特性存在一定的病态性,使来波极化估计的最小二乘解在病态情况下变得不稳定. 针对最小二乘方法估计来波极化所存在的病态性问题,提出一种改进极化矢量估计的约束最小二乘方法.首先分析影响来波极化估计稳定性的因素,针对具体的天线型式给出病态情况下的计算机仿真结果,推导了带二次约束的极化估计最小二乘解并给出了算法流程. 仿真结果表明了改进极化估计均方误差的有效性,该方法可显著提高干扰极化估计精度,提高雷达极化抗干扰能力.     

汽油机瞬态工况油膜参数的辨识研究

油膜动态效应的存在对PFI汽油机油瞬态空燃比的精确控制具有较大影响,而油膜参数又是油膜动态效应中最关键的参数。为提高油膜参数的辨识精度,提出了一种组合的混沌粒子群优化算法(CPSO),并在Simulink中建立了基于CPSO-RBF神经网络的汽油机瞬态工况油膜参数辨识模型。将辨识得到的油膜参数以与BP神经网络辨识及最小二乘辨识得到的结果进行对比,结果表明:CPSO-RBF神经网络辨识方法能对油膜参数进行有效辨识,具有更强的非线性辨识能力和更高的辨识精度。     

一种基于LS-SVM和模板匹配修正的抗几何攻击数字水印技术

数字水印技术是信息隐藏的一个重要方向,传统的数字水印技术对一般攻击的防御能力较强,但几何形变攻击的数字水印在提取时仍然有难度,提出一种基于最小二乘法支持向量机和模板匹配修正的数字水印技术.首先,用分块离散余弦变换进行水印嵌入,然后利用训练后的最小二乘法支持向量机粗修正几何形变参数,针对存在的误差采用模板匹配方法进行精细修正.实验证明的算法不仅可以抵抗传统的攻击比如:噪声、滤波和裁剪,在抵抗几何形变时鲁棒性更好.