混合自回归模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.已有研究者将AR模型推广到MAR(混合自回归)模型,并且讨论了该模型的参数估计及模型选择问题.作者利用全期望公式及差分方程理论研究了混合自回归时间序列模型的谱分析,导出了自协方差函数的递推公式,给出计算谱密度的算法,并对一些常见的特殊情形给出了谱密度的具体表达式.     

混合自回归模型的谱密度计算

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.文献[3]将AR模型推广到MAR模型,并且讨论了该模型的参数估计及模型选择问题.文献[5]给出了计算该模型谱密度的算法.本文利用该模型谱密度的"算法",讨论模型在一些常见情形下,谱密度的具体表达式.     

基于混合搜索算法的图像稀疏分解

为了提高图像稀疏分解的效果,降低其计算时间,提出一种基于量子进化算法(quantum-inspired evolutionaryalgorithm,QIEA)和改进差分进化算法(improved differential evolution,IDE)的混合搜索算法,并应用到图像稀疏分解中.该方法将1DE引入到QIEA中...     

基于树型冗余字典正交匹配追踪的信号稀疏分解

结合树型结构和正交匹配追踪算法,提出一种信号稀疏分解的新方法.该方法的基本思想是在基于树型结构的匹配搜索过程中引入正交化过程,其中树型结构可以快速有效地实现稀疏分解,正交匹配追踪算法提高了信号分解的收敛速度和稀疏性.对语音和地震信号的测试实验结果表明,该算法能以较快的速度收敛到零.     

基于混合搜索算法的图像稀疏分解

为了提高图像稀疏分解的效果,降低其计算时间,提出一种基于量子进化算法(quantum-inspired evolutionary algorithm,QIEA)和改进差分进化算法(improved differential evolution,IDE)的混合搜索算法,并应用到图像稀疏分解中。该方法将IDE引入到QIEA中,前期进行QIEA寻优,当寻优搜索到的最优解经过多次进化后没有变化时,引入IDE以提高搜索解的精度和质量。图像稀疏分解的仿真实验结果表明,与QIEA和IDE相比,混合搜索算法的图像稀疏分解方法获得的重构图像具有最好的图像视觉质量和最高的峰值信噪比,且具有相对较低的计算时间。     

混合自回归模型自协方差函数绝对可和的探讨

AR(自回归)模型平稳的充分必要条件是自协方差函数绝对可和,而自协方差函数绝对可和的充要条件又是自协方差函数满足的特征方程所对应的特征根全位于单位圆外.本文证明了在某种特定情形下MAR(混合自回归)模型自协方差函数绝对可和的充要条件是其自协方差函数满足的特征方程所对应的特征根全位于单位圆外.为平稳性的进一步研究获得了一些重要的结果.     

幂函数自回归模型的自回归分析

将回归模型的回归分析推广到幂函数自回归模型的自回归分析,获得了幂函数自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量.     

对数函数自回归模型的自回归分析

将回归模型的回归分析推广到对数函数自回归模型的自回归分析,获得了对数函数自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量.     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

混合自回归条件异方差模型的谱分析

线性时间序列模型谱密度的计算可以直接由定义获得,而非线性时间序列模型谱密度的计算目前还没有一般的理论.2001年Wong Chun-shan等将混合自回归(MAR)模型推广到混合自回归条件异方差(MAR-ARCH)模型,并且讨论了该模型的参数估计及模型选择问题,本文导出了MAR-ARCH模型自协方差函数的递推关系式及计...     

基于稀疏分解的分块图像压缩编码算法

以压缩感知理论为基础,将匹配追踪(Matching Pursuit,简称MP)算法运用到图像的压缩编码中.首先,阐述了原子库的构建方法,之后,采用分块感知压缩图像分解方法,降低了分解的运算复杂度,最后,针对传统MP算法编码率不高的问题,利用MP原子能量与位置分布特点,对原子系数和位置参数进行编码,并提出了MP原子编码方法.实验结果表明,采用分块感知压缩图像分解方法,能有效地降低稀疏分解的计算复杂度,其压缩编码方法在保持传统MP图像编码优势的前提下,能有效地提高编码性能和编码率,体现了稀疏分解较传统分解方法的优势.     

信号稀疏分解降噪在DOA估计中的应用

提出了一种基于稀疏分解的阵列信号降噪方法。该算法是通过匹配跟踪(MP)的稀疏分解对阵列接收信号进行降噪,然后结合一般的MUSIC算法实现DOA估计。首先将对阵列接收数据分阵元通道独立进行基于MP分解的降噪处理,在不改变阵列流型的前提下,达到了对阵列信号降噪的效果,且在实际算法中分析了MP分解迭代终止阈值的确定。通过仿真分析证实了信号MP分解降噪的方法应用于DOA估计中的可行性。仿真结果显示,在低信噪比环境中,基于MP分解降噪后的MUSIC估计方法取得了更好的估计性能,因此证实了该算法的有效性。     

基于位置参数二分法控制的信号稀疏分解

研究基于匹配追踪方法实现的信号稀疏分解算法。通过对信号稀疏分解中使用的过完备原子库的结构特性分析,找到中心位置,构造时频原子库,利用二分法控制中心位置参数,将信号快速稀疏分解,应用于基于中心位置参数的改进贪婪匹配追踪算法。该算法与匹配追踪相比,计算速度大约提高了36倍,降低了计算复杂度,提高了稀疏分解的精度。通过对仿真数据的处理验证了所提方法的可行性和有效性。     

基于量子进化算法的交通图像稀疏分解

为了实现灵活、简洁和自适应地表示交通图像,该文将图像稀疏分解新方法引入到交通图像处理中,提出基于量子进化算法的交通图像稀疏分解方法,以加快对交通图像稀疏表示的处理速度,从而为进一步提取交通参数奠定良好基础。采用非对称图像原子构建交通图像原子库,用寻优能力强和收敛速度快的量子进化算法,实现在过完备图像原子库中搜索最佳匹配交通图像结构的原子,有效地实现对交通图像的稀疏表示。仿真实验结果表明,该方法能对交通图像进行快速、有效地稀疏分解,证实了所提出方法的可行性。     

基于GST的变速机械故障信号稀疏特征提取方法

为提取强噪声背景下的变速旋转机械设备的冲击故障特征,提出了一种基于广义S变换的稀疏特征提取方法.首先,通过多分辨率广义S变换（multiresolution generalized S-transform,MGST）搜索每次迭代过程中的最佳原子,多分辨率广义S变换可以得到信号不同尺度下的归一化时频谱,并从中找出能量最大值及其所对应的时频因子,根据故障冗余字典的构建模型可得到冲击成分的最佳匹配原子.其次,结合正交匹配追踪算法（orthogonal matching pursuit,OMP）,计算出信号在原子集合下的投影,由于采用了基于多分辨率广义S变换的原子搜索策略,大幅度提高了OMP的分解效率.最后,根据稀疏表示中第一个冲击信号的出现时刻,可依次计算出冲击信号在变速情况下的出现时刻理论值,通过与实测值的比较,实现变速机械的故障诊断.仿真和实例分析结果表明,该方法比传统OMP方法和广义S变换具有更高的计算效率和定位精度.      

PSO稀疏分解在齿轮信号故障特征提取中的应用

针对齿轮早期故障诊断,传统的信号处理方法受噪声干扰大,严重影响了齿轮故障特征提取。结合粒子群(PSO)算法和稀疏分解算法提出PSO稀疏分解,利用PSO在搜索最优解方面的优势降低了稀疏分解的计算复杂度,并提出了"匹配度"作为信号的特征量。通过对模拟信号和某型航空发动机齿轮毂振动信号的分析,证明PSO稀疏分解在强噪声背景下具有很好的稳健性,提高了振动信号的信噪比,能够有效提取齿轮的故障特征,故障信号的"匹配度"比正常信号平均高出0.4左右,与传统方法相比,优势较为明显。     

基于稀疏字典分解的窄带雷达自旋目标干涉三维成像

空间微动目标干涉三维成像技术研究中,最关键的是对各散射点进行保相分离。当脉冲重复频率（PRF）不满足奈奎斯特采样定律时,基于图像处理的成像方法无法有效分离目标各散射点。提出了一种基于稀疏字典分解的窄带雷达自旋目标干涉三维成像方法,该方法能够直接从回波数据中分离出各散射点。首先,根据自旋目标回波信号特性构建稀疏字典,利用稀疏分解算法分解回波,得到各散射点子回波,其次通过时频分析并利用其保相性,获得各散射点的微动曲线,并提取出它们在时频平面上经过位置的干涉相位差,最后根据干涉相位差与坐标之间的关系重构散射点坐标,对空间自旋目标进行三维成像。仿真结果表明,在PRF不小于0.25倍奈奎斯特频率时,所提方法均能有效实现自旋目标三维成像。     

方差分量的谱分解估计

就线性混合模型中含有两个方差分量的情形,对方差分量的方差分析估计和谱分解估计进行比较,得到它们相等的充要条件,由此推出谱分解估计的优良性.     

QR分解在方差分析中的应用

在线性混合模型的方差分量估计中,方差分析估计是一种很重要的估计方法。应用此方法估计过程中,所求的方程组的系数矩阵是上三角矩阵,很容易求得其解,然而它的计算会随着数据的增多变得既耗时又不稳定。用QR分解的方法计算方差分量的估计,不用计算投影阵及广义逆矩阵,而且参与运算的矩阵的阶数相对比较小,节约了存储空间。利用QR分解,讨论其在线性混合模型中方差分量的方差分析估计中的应用。