在线增强型复值混合信号盲分离算法研究

基于二阶统计量，对在线分离复值混合信号法进行了研究．假设源信号是独立的且非常态，信号的伪协方差矩阵能增加约束条件，从而可证明二阶统计量能够完全分离复值混合信号，而且对信号是否平稳不作要求．结合非常态信号的独立性，构造出代价函数，利用梯度下降法推导出在线盲分离算法．通过盲分离算法的仿真试验，发现所提出的盲分离算法能充分利用复值非常态信号的二阶统计量，算法具有鲁棒性好、运算速度快和可在线实现等优点．     

基于二阶统计量的两步自适应盲分离算法

提出了一种新的两步自适应盲分离算法,利用代价函数的极值点特性分别获得混合信号和白化信号的特征向量矩阵,实现自适应盲分离过程．该算法避免了离线计算所采用的特征值分解等复杂运算,并且只利用信号的二阶统计量信息,计算工作量低．仿真结果表明,对含有附加噪声的盲混合信号具有良好的分离效果。     

一种非平稳卷积混合声音信号的盲分离算法

讨论一种非平稳卷积混合声音信号盲分离算法。该算法基于多时延解相关准则建立代价函数,用Frobenius范数最小化代价函数得分离矩阵。算法计算量低,适用于自适应在线运算,而且不要求时延相关矩阵是正定的。对非平稳卷积混合声音信号进行仿真实验,验证了算法的有效性。     

通信侦察中通信复信号的盲源分离算法

针对目前大多盲源分离算法只适用于实信号,而在通信对抗中处理的一般都是通信复信号这一问题,推导了一种适用于通信复信号的盲源分离算法.该算法以Kullback-Leibler发散度作为信号之间独立性的测度准则.另外由于自然梯度比随机梯度性能更优,因此利用代价函数的自然梯度进行优化,根据白化后信号混合矩阵为正交矩阵的结论,对分离矩阵做正交性约束,推导出了算法的迭代公式.仿真结果表明,即使在有嗓环境下,该算法也能够有效地分离出源信号.     

基于峭度的盲源分离方法研究

针对双梯度的盲源分离算法进行了研究，以信号的峭度为代价函数对其进行了改进．仿真试验分别对通信信号和雷达信号实现了分离，改进算法在收敛速度和稳态误差方面具有显著的优势．同时指出将盲分离方法用于雷达信号的分离，具有广阔的应用前景．     

一种自适应神经网络的信号盲分离及实验

介绍一种提高收敛速度的基于自适应在线学习的盲信号分离算法,以Kullback-Leibler散度作为代价函数,运用随机梯度下降导出算法,在估计分离矩阵的同时更新学习率。实验证明,该算法对于混合图像信号能够有效地分离,利用自适应学习参数提高了盲信号分离的收敛速度及算法性能,结果证实了算法的有效性。     

一种基于免疫遗传神经网络的盲信号分离方法

提出一种基于免疫遗传优化神经网络的盲信号分离算法。该算法用网络的第一层先对观测矢量作预处理，将其降维与白化，再用网络的第二层对信号进行分离：分离层的权矩阵设计成正交矩阵，并采用免疫遗传优化与独立分量分析相结合的算法，对网络分离层的权值进行训练，其中，取高阶统计量峭度的变形作为训练的代价函数。实验表明，该算法对于盲信号分离是有效的。     

基于自然梯度的非平稳信号自适应盲分离算法

基于自然梯度原则并利用信号的时间相关属性对一类代价函数进行推导,获得一种新的非平稳信号自适应盲分离算法．算法利用样本的多时延解相关方法以及迭代计算的形式获得盲混合信号的分离矩阵,无需对观测样本进行分块处理,计算工作量低．仿真结果表明,算法分离精度高,迭代过程平稳,对多个信号源的盲分离可实现良好的分离性能．     

一种基于标准峭度的新型复数盲分离算法

在复值信号的盲分离算法中,经常采用信号的峭度最大化作为代价函数.以复数标准峭度代替复数峭度,将复数信号的标准峭度最大化作为新的代价函数,采用修正的复值拟牛顿迭代算法对代价函数进行优化,并运用该算法对混合QAM信号进行分离.仿真实验结果表明:改进后的算法具有很好的分离效果,相比于峭度最大化为代价函数的分离算法,收敛性能有明显提高.     

基于粒子群优化的有序盲信号分离算法

为了按照规范四阶累积量的绝对值有序分离出源信号,提出了一种新的基于粒子群优化的有序盲信号分离算法.本算法采用信号的规范四阶累积量作为代价函数,使用粒子群优化算法代替传统的梯度算法对代价函数进行优化,通过消源去相关方法从混合信号中消去已分离出的源信号成分,逐次按序提取出源信号,解决了梯度算法容易陷入局部极值而不能正确提取...     

基于遗传算法优化多出口疏散路径问题

提出了一种基于遗传算法来优化疏散路径问题的方法．首先将疏散路径图转换为等价的距离完全图,将目标点、源点和中间点分离,随机选取中间点构造最小生成树,最终用遗传算法得到最优路径．通过数值实验,验证了算法的有效性,并与传统方法进行了比较．     

阻尼白化滤波及其在GPS模糊度快速解算中应用

针对矿区开采沉陷观测中存在的两次观测的变形值不大等特点,将其作为约束条件,结合改进的白化滤波算法,提出了一种适合单频GPS监测开采沉陷的阻尼白化滤波快速解算模糊度算法。针对一般白化滤波方法对白化处理后模糊度直接取整的做法,提出在假设检验通不过时,引入LAMBDA中的条件最小二乘方法进行搜索,可以有效提高模糊度解算成功率。这个算法为用GPS监测矿区开采沉陷、大坝、滑坡、大桥及高层建筑物等的变形时的模糊度解算提供一条有效途径。     

基于元胞自动机的启发式算法的改进

将元胞自动机应用于机器人路径规划,对移动机器人及其周围环境建立元胞自动机模型。机器人环境空间完全已知时,利用启发式算法与元胞自动机模型结合的方法,通过反复遍历具有最低耗费值的一系列元胞生成最优路径。并利用多层次的交互式元胞自动机,在方向有约束和地形耗费不同的环境中实现机器人的路径规划。     

LPT算法在3层客户／服务计算中的应用

运用LPT算法,在保证网络访问速度的前提下,求得在3层C／S模型中所需数据库服务器以及中间应用服务器的数目,从而使整个网络硬件资源得到充分利用,以获得高性价比的网络．此外,运用LPT算法,亦能改善已建网络的性能．     

差分变异本质粒子群的模糊熵图像分割

基本本质粒子群算法存在易陷入局部最优以及过早收敛的缺点。在基本本质粒子群算法的基础上,借鉴差分进化中利用差分量对种群进行变异操作的思想,提出了差分变异本质粒子群优化算法。结合图像模糊熵,得到了基于差分变异粒子群优化的模糊熵图像分割算法。算法利用差分变异本质粒子群来搜索使图像模糊熵最大的参数值,得到分割阈值对图像进行分割。通过与其它两种本质粒子群算法的分割结果比较表明该算法取得了令人满意的分割结果,算法运算时间很小,能够满足对煤尘浓度实时精确测量的要求。     

局域极端学习机及其在状态在线监测中的应用

针对训练样本贯序输入时的极端学习机(ELM)训练问题,提出一种可实现在线训练的局域极端学习机(LELM).LELM以逐次增样训练与减样训练的方式实现在线训练,从而有效保持了简约的模型结构,同时利用分块矩阵求逆引理有效减小了多次模型训练的计算代价.混沌时间序列在线预测仿真表明,LELM的在线训练时间远小于ELM,且预测精度更高.基于时间序列预测的雷达发射机状态在线监测实例表明,相比于利用粒子群优化的自适应灰色模型方法,LELM具有更高的计算效率与预测精度,适用于电子系统状态在线监测.     

改进向量量化算法的图像压缩研究

针对于传统的LBG向量量化压缩图像效果不是很好,而提高其效果的方法之一是增加向量的维数,但这也会增加运算的复杂性的情况下,提出一种改进的LBG算法来实现对图像分解效果的提高.该方法通过LBG算法先对图像进行量化编码,再用原图像减去该编码恢复的图像而得到量化误差;对这个量化误差还用LBG算法进行编码量化.还原时先恢复原图像的量化编码,再加上恢复的误差量化编码.仿真结果表明,改进算法运算复杂度不会增加,图像压缩后还原效果较好,同等条件下能得到更高的信噪比和峰值信噪比.     

基于混合粒子群算法的货位优化分配问题

基于COI分类存放的思想,同时考虑到货位分配问题中存取开销和占地花费的平衡,提出了一种混合粒子群算法以解决仓库货位优化分配问题．建立货位分配模型,并引入了货物的COI值对货物进行重新分类．将粒子群算法同人工蜂群算法相结合,通过优化COI值从而对货位进行优化分配．最后,进行实验分析并证明了混合粒子群算法的正确性,可有效地应用分类存放策对货位进行优化分配,减少货位数和存货代价．