基于凸组合的CMA稳态性能分析

为进一步提高盲均衡器的收敛速度,减少稳态误差,提出针对两个不同p和不同步长的CMA盲均衡滤波器凸组合方案,以适用于服从alpha稳定分布的脉冲噪声环境.利用分数低阶统计量、能量守恒以及分离假设等条件,推导出该方案的超量均方误差(excess mean square error,EMSE)理论公式.仿真结果表明,该方案能...     

一类非齐次边值的非线性椭圆方程的可解性

对于一类非齐次边值的非线性椭圆方程,应用变分方法研究了参数λ,μ∈R以及实数p,q在1到2N/(N-2)范围内此类方程的可解性,得到了一些新的结果.     

一种加权对称损失函数下一类指数分布模型参数的估计

对刻度参数指数分布模型c(x,n)θ-v e-T(x)/θ提出了一种新的损失函数——加权p,q对称熵损失函数L(θ,δ)=θp/pδp +δq/qθq -2(p,q＞O,q＜v),并用它研究了刻度参数θ的估计.得到了参数θ的最小风险同变估计与Bayes估计的一般形式与精确形式,这两种估计形式比已有文献中相应形式更为简捷...     

一类广义的带参数的Hilbert型奇异积分算子的范数

Hilbert型奇异积分算子在分析学中有重要的作用.本文通过引入参数λ和两个实数A1,A2,在广义区间(0,b)上定义了一个带参数的核为1/xλ+yλ的Hilbert型奇异积分算子T:(Tf)(y)=∫bc f(x)/xλ+yλdx,利用权函数方法和算子理论,研究了T的有界性问题,在条件A2 p+A1q=2-λ下,得到了算子T的范数‖ T ‖=B(1-A2p/λ,1-A1q/λ)/λ.作为应用,还考虑其涉及内积的等价形式(Tf,g)≤[B(1-A2p/λ,λ-1+A2q/λ)/λ]1/p[B(1-A1q/λ,λ-1+A1q/λ)/λ]1/q‖f‖p,ω'‖g‖q,w".     

基于瑞利分布的变步长常模盲均衡算法

针对常模算法(CMA)及基于剩余误差非线性变换变步长常模算法(REVCMA)收敛速度慢的缺点,提出了以误差函数为随机变量、以瑞利分布为变步长,构造了基于瑞利分布的变步长常模盲均衡算法(RDVCMA)。该算法的变步长有两个参数,通过调整该参数,可以加快收敛速度。分别用4QAM及4PSK信号,通过典型电话信道,对算法进行了仿真研究。结果表明,在同样的稳态误差条件下,新算法具有比CMA及REVCMA更快的收敛速度。     

桂林市汽车销售量的时间序列预测模型

选取1999年1月到2007年3月桂林市各季度的汽车销售量原始数据,在SPSS系统下,运用滑动求和自回归(ARIMA)方法及非参数方法建立桂林市汽车销售量时间序列模型ARIMA(p,d,q),从模型识别、参数估计、适应性检验和实际拟合4个方面来确定模型的参数(p,d,q),并对模型的预测效果进行检验。结果表明,ARIMA(0,2,2)模型能够较好地包含桂林市汽车销售量的发展趋势,该模型对2007年2季度至2008年2季度汽车销售量的预测值与实际值的误差小,相对误差可以控制在3%以内。     

B-值Dirichlet级数在水平带形上的(p,q)(R)级和(p,q)(R)型

通过把B-值Dirichlet级数在水平带形的(p,q)(R)级和(p,q)(R)型转化为Dirichlet级数在水平带形的(p,q)(R)级和(p,q)(R)型,结合相应的Dirichlet级数结果,得出了关于B-值Dirichlet级数在水平带形上的(p,q)(R)级和(p,q)(R)型的相应结果.     

关于全平面上收敛的B-值Dirichlet级数的(p,q)(R)型和下(p,q)(R)型

通过把B-值Dirichlet级数在全平面上的(p,q)(R)型和下(p,q)(R)型转化为Dirichlet级数在全平面上的(p,q)(R)型和下(p,q)(R)型,结合相应的Dirichlet级数的结果,得出了关于B-值Dirichlet级数在全平面上的(p,q)(R)型和下(p,q)(R)型的相应结果.     

一类广义的带参数的Hilbert型奇异积分算子的范数

Hilbert型奇异积分算子在分析学中有重要的作用。本文通过引入参数λ和两个实数A1,A2,在广义区间(0,b)上定义了一个带参数的核为1/xλ+yλ的Hilbert型奇异积分算子T:(Tf)(y)=∫b0(f(x))/(xλ+yλ)dx,利用权函数方法和算子理论,研究了T的有界性问题,在条件A2p+A1q=2-λ下,得到了算子T的范数‖T‖=B((1-A2p)/λ,(1-A1q)/λ)/λ。作为应用,还考虑其涉及内积的等价形式(Tf,g)≤[B((1-A2p)/λ,(λ-1+A2p)/λ)λ]1/p[B((1-A1q)/λ,(λ-1+A1)/qλ)λ]1/q‖f‖p,ω′‖g‖q,ω″。     

语音识别中ARMA模型的研究

在用线性时间序列模型拟合语音数据时(例如用AR模型拟合),模型阶数越高,参数个数越多,统计计算时误差越大.本文在理论上对ARMA(1,q)模型的参数估计进行了推导,在数值计算上,得到了ARMA(1,0)模型的参数估计并对模型进行拟合,解决了用AR模型拟合语音数据时,统计计算时误差较大的问题.