椭圆型偏微分方程反问题的数值解法

本文给出求椭圆型偏微分方程反问题数值解的方法,并指出计算中的一些技巧。     

Legendre正交基前向神经网络的权值直接确定法

为避免权值反复迭代修正的冗长BP训练过程,避免传统方法陷入局部极小点,根据多项式理论,构造了一种新型前向神经网络模型,推导了基于最速下降法的误差反传算法和基于伪逆的直接确定法.仿真结果显示,迭代方法和伪逆直接确定法都能达到比较高的工作精度(10-6).     

基于极限学习机的未校准图像视觉伺服控制

解决非结构化环境中的机器人视觉伺服控制的主要问题是获得交互矩阵, 而解决交互矩阵的常见问题是交互矩阵伪逆的奇异性问题。 针对该问题, 提出了一种新型的基于图像的视觉伺服控制方法, 并采用增量式极限学习机解决图像雅可比矩阵的伪逆逼近问题。 为提高系统的收敛速度, 采用了具有自适应因子的速度改进控制器。 最后, 采用了六自由度机械手仿真, 验证了所提出方法的有效性和优势, 该算法提高了系统的鲁棒性, 避免了计算雅可比矩阵的伪逆的问题。     

等式约束刚性加权最小二乘问题的稳定性扰动

研究等式约束刚性最小二乘问题．证明了对于刚性问题,约束加权广义逆,约束加权投影和等式约束加权最小二乘问题的扰动是稳定的,当且仅当系数矩阵的扰动满足若干秩等条件．     

人工神经网络学习的代数方法

介绍了具有自环和无自环的神经网络利用 Ｍｏｏｒｓ－Ｐｅｎｒｏｓｅ伪逆的学习方法，分析 了这种方法获得的权重所具有的优点，如权重方均根值最小等．使得网络具有较好与较 均匀的鲁捧性。找到了具有自环和无自环网络在权重方均根最小条件下权重之间的关 系，从而使无自环网络的学习过程与有自环的网络同样简单。通过伪逆方法找到了确定 阈值的优化办法，使网络鲁棒性有不同程度的提高。     

基于QR分解和支持向量的伪逆LDA

为了降低计算复杂性,本文提出了三种基于QR分解和支持向量的伪逆线性判别分析法.通过对UCI数据库中的Wine和Iris数据进行对比实验,验证了本文所提算法对分类问题的有效性和实用性.     

欠驱动跳跃机器人运动规划

通过对欠驱动跳跃机器人的动力学模型的分析,结合机器人的雅克比矩阵及主被动关节之间的动力耦合关系,推导出了欠驱动机器人的伪逆运动学方程,对运动轨迹的优化数学模型进行降阶处理,并进行了运动规划的仿真分析.仿真结果分析表明了该方法的正确性及有效性,该运动规划方法对其他跳跃机器人的运动规划及控制方法的研究具有一定的理论参考价值,同时,亦可推广至平面多自由度的欠驱动机器人轨迹规划的问题上.     

基于伪逆的多小区FDD系统中的联合空分复用方法

云无线接入网(cloud radio access network,C-RAN)架构实现了小区间的联合处理,大规模多输入多输出(massive multiple-input multiple-output,Massive MIMO)技术在系统容量和频谱效率方面具有巨大的优势,但由于训练和反馈开销较大使得Massive MIMO难以应用于频分双工(frequency division duplex,FDD)系统.C-RAN架构下,考虑在不同小区之间引入联合空分复用(joint spatial division and multiplexing,JSDM)技术减少导频序列检测和信道信息反馈开销,在高酉条件不满足时,采用基于伪逆的方法来减少组间干扰,通过迫零(zero-forcing,ZF)滤波实现组内用户间干扰消除.理论分析和仿真结果表明,设计的一阶预编码矩阵相对于块对角化(block diagonalization, BD)算法复杂度得到降低,其和速率有一定改进.     

一种改进的伪逆控制方案在DIVA模型中的应用

语音生成与获取是一个涉及大脑诸多部位的复杂认知过程,这个过程包括一种从依照句法和语义组织句子或短语的表述一直延伸到音素产生的分层结构。DIVA(directions into velocities of artculators)模型,是一种关于语音生成与获取后描述相关处理过程的数学模型,也是一种为了生成单词、音节或者音素,用来控制模拟声道运动的自适应网络模型。在当今真正具有生物学意义的语音生成和获取的神经网络模型中,DIVA模型的定义和测试相对而言是最彻底的,并且是唯一一种应用伪逆控制方案的模型。文中引入基于零空间的伪逆算法,对DIVA模型中的伪逆控制求解算法进行改进,从而更加精确地获得了DIVA模型的相应参数,提高了DIVA模型的鲁棒性。     

基于权值直接确定的任意基函数神经网络建模

以生物学和逼近论为理论基础,将任意一组线性无关的基函数作为各隐含神经元的激励函数,结合网络权值直接确定法建立了一个新的神经网络模型.仿真实验表明,该网络权值一步确定,收敛速度快,非线性逼近效果好.