采用输出误差符号判决的变步长常数模盲均衡

针对固定步长常数模盲均衡算法在收敛速度和收敛精度上存在矛盾问题,提出了一种采用输出误差符号判决的变步长常数模盲均衡算法。在每次迭代后根据常数模准则和判决引导准则计算均衡器输出误差。如果在两种准则下输出误差符号一致,则对步长值进行修正,否则,根据自适应均衡原理利用均衡器输入信号计算最大步长值,均衡器权系数采用大步长值进行更新。与现有变步长盲均衡算法比较,无需人工设置参数,更利于工程实现。计算机仿真结果证明,采用输出误差符号判决的变步长常数模盲均衡具有良好的均衡性能。     

采用输出误差符号判决的变步长常数模盲均衡

针对固定步长常数模盲均衡算法在收敛速度和收敛精度上存在矛盾问题,提出了一种采用输出误差符号判决的变步长常数模盲均衡算法。在每次迭代后根据常数模准则和判决引导准则计算均衡器输出误差。如果在两种准则下输出误差符号一致,则对步长值进行修正,否则,根据自适应均衡原理利用均衡器输入信号计算最大步长值,均衡器权系数采用大步长值进行更新。与现有变步长盲均衡算法比较,无需人工设置参数,更利于工程实现。计算机仿真结果证明,采用输出误差符号判决的变步长常数模盲均衡具有良好的均衡性能。     

倒立单摆摆起开环控制律的最优化算法

基于最优控制理论,研究了倒立单摆非线性系统过程控制问题·建立了带惩罚条件的摆起过程开环控制律计算的最优化算法·同一般数值方法相比,这种算法在每步优化计算中,以最优步长取代了固定步长,因此可以确定每个时间段上的精确控制量·编制了倒立单摆摆起过程控制律的计算程序,并进行倒立单摆摆起过程仿真分析·结果表明这种算法可以获得高精度的控制律,它将为非线性系统过程精确控制提供条件·     

代数迭代映射分支值的优化算法

以代数迭代映射动力系统的倍周期分叉问题为背景,研究出较精确计算代数迭代系统分支值的优化方法·以分支值为设计变量,映射点的最大开口量为目标函数,以映射点周期关系为等式约束和分支值分布范围为不等式约束,建立了关于分支值计算的新方法·通过两个代数迭代系统分支值实例分析计算,获得较高精度的结果·     

基于TDMA的多孔介质热湿耦合模型求解与算法优化

为了提高多孔介质热湿耦合模型的求解效率,采用三对角矩阵求解法(TDMA)对模型进行求解,并将该算法和迭代法进行对比分析.对TDMA计算误差与时间步长之间进行了敏感性分析,基于敏感性分析结果提出了一种变时间步长的TDMA优化算法.数值计算结果表明:对于变物性参数问题,随着时间步长的增加,TDMA计算精度将会下降,而迭代法精度保持不变;对于纤维素绝热材料,当连续2个时间步长内相对湿度变化小于0.24％且温度变化小于0.1℃时,时间步长取值对TDMA计算精度的影响可以忽略;相比于TDMA,变时间步长TDMA算法不受时间步长取值影响,精度更高;相比于迭代法,变时间步长TDMA算法具有相同的计算精度,但用时更短,计算用时可减小67％.     

一般抛物方程的一类区域分解差分算法

研究了一般抛物方程的一种区域分解差分算法,在内边界点上采用小时间步长Δt,空间上以步长进行J计算,提高了整体的计算精度.给出了一、二维两种情形下的算法和误差估计,并用数值实验证明了结论.     

热传导方程的一类有限差分区域分解显-隐算法

先在内边界点上采用小时间步长^-Δt,空间上以大步长进行J次计算,提高了整体的计算精度.同时给出了一、二维热传导问题的算法和误差估计,还考虑了多子区域的情形,并用数值实验证明了结论.     

渗碳数学模型差分算法的条件稳定性和有效性

渗碳扩散方程的差分算法是条件稳定的 ,不是绝对稳定的 ,网格比和空间、时间步长及合适的初边值条件都影响差分算法的稳定性和有效性。网格比和时间、空间步长都有合理的选择范围 ,总误差在某个最优的时间、空间步长时达到最小。扩散方程实际上是一个变系数的偏微分方程 ,扩散系数是碳质量浓度的函数 ,扩散系数取值变化对最终的碳质量浓度计算结果影响较大 ,实际计算时应进行修正     

一种基于正弦函数的新变步长LMS算法

为解决传统LMS算法由于固定步长,在解决稳态误差与收敛性之间关系时始终处于矛盾状态的问题,在对固定步长LMS算法分析的基础上,根据变步长LMS算法的步长调整原则,通过构造步长因子μ(n)与误差信号e(n)的非线性函数,提出了一种基于正弦函数的新变步长LMS算法,并且分析了参数取值对算法性能的影响.理论分析和仿真结果表明:该算法的收敛速度和稳态误差明显优于固定步长的LMS算法和SVS-LMS算法.     

变步长自适应滤波算法的谐波检测

为提高自适应滤波算法的收敛速度,并降低其稳态误差,建立了LMS算法理论最优步长值与误差信号和输入信号之间的关系,提出了一种新的变步长LMS自适应谐波检测算法。该算法的优点是:根据误差信号的平方时间均值估计来调节步长因子,克服了以往算法在自适应稳态阶段步长调整过程中的不足。即使待检测信号的信噪比较低,检测过程也具有较快的动态响应速度和保持较小的稳态失调噪声。计算机仿真表明,该算法具有更好的收敛精度。     

基于混合遗传算法求非线性二阶两点边值问题的数值解

针对非线性二阶两点边值问题,构造了一种基于实数编码的混合遗传算法,将遗传算法和Levenberg-Marquardt算法进行了组合;由于前者全局优化能力强,后者有较强的局部优化能力,故改进后的算法不仅具有全局优化能力,计算的精度不会受到初始取值的影响,并且计算时间少,可以有效提高算法的收敛速度;最后,通过改进后的算法计算非线性二阶两点边值问题解析解和精确解的对比分析表明,该算法对非线性二阶两点边值问题计算有较大的优势,是一种有效的求数值解方法。     

基于GPU的实时球面化算法

分析了球面映射算法速度过慢的原因,针对传统插值计算中普遍存在的速度与精度相互制约的问题,改进了现有的基于立体投影的半球面纹理映射模型,提出了基于GPU的球面化算法,使用CUDA并行编程实现双线性插值的并行计算。球面化实验表明该算法在保证输出精度的前提下,可获得10倍左右的加速比,显著提高了计算速度,可用于实时性较高的应用场合。     

基于改进粒子滤波算法的Bouc-Wen模型参数在线识别方法

在线模型参数更新是提高结构混合试验中数值子结构模型精度的有效手段。为了提高强非线性模型参数在线识别精度,在标准粒子滤波算法的基础上提出了一种改进的辅助无迹粒子滤波算法。在重要性采样中,基于最新观测信息采用无迹卡尔曼滤波方法计算每一个粒子估计,以提高粒子非线性变换估计精度;在重采样过程中,引入辅助因子修正粒子权值,以丰富粒子多样性、削弱粒子退化现象。采用改进粒子滤波算法针对Bouc-Wen模型进行了在线参数识别,并与标准粒子滤波算法、扩展卡尔曼粒子滤波算法以及无迹粒子滤波算法的参数识别精度和计算效率进行对比分析。结果表明,与其它3种算法相比,辅助无迹粒子滤波算法在单步计算耗时增加的基础上,在线参数识别精度明显提高,参数识别值波动幅度显著降低。最后,通过橡胶隔震支座拟静力试验,验证了采用改进粒子滤波算法在线识别Bouc-Wen模型参数方法的有效性。     

基于Iterative映射和非线性拟合的鲸鱼优化算法

为解决鲸鱼优化算法中收敛速度慢和寻优精度低等问题,提出一种基于Iterative映射和非线性拟合的鲸鱼优化算法（NWOA）。首先,该算法利用了Iterative映射对鲸鱼种群初始化,保证初始种群的多样性;其次,采用非线性拟合的策略对收敛因子和惯性权重进行改进,以平衡算法的全局勘测能力和局部开发能力。通过对13种函数进行仿真实验,从均方差和平均值的角度分析,改进后算法寻优精度显著提高,且稳定性较强。实验结果表明NWOA与传统的鲸鱼优化算法相比,收敛速度明显加快。     

基于全变分正则最大后验估计的高光谱图像亚像元快速定位方法

针对高光谱亚像元定位应用中光谱解混这一病态问题的求解,改进了结合空间分布先验全变分（TV）的最大后验估计（MAP）光谱解混模型,以保证算法的可扩展性和解的唯一性.同时,针对TV先验固有的非线性特性导致的求解过程繁琐的问题,提出了一种快速求解算法,将原始复杂的非线性运算转化成几步较简单的有闭合解的运算,对这些子问题结合运用快速迭代收缩阈值算法（FISTA）和分裂Bregman算法来分别求解.结果表明,提出的新方法保持了与传统梯度下降方法相一致的定位精度,但将迭代速度提高了10倍以上,具有更高的运算效率.      

光纤拉曼放大器传输方程快速计算方法的研究

基于龙格-库塔公式，本文提出了可变步长的龙格一库塔法用于计算多波长光纤拉曼放大器传输方程．该算法能够有效地求解泵浦、信号、噪声及其反向散射波．在计算过程中可以根据每一步的截断误差及精度要求合理地确定步长的大小，同时还可以通过调节精度、最大步长、最小步长来控制计算的速度。数值仿真结果显示该算法较普通的龙格-库塔法无论是在精度还是速度上均有较大的提高。该方法比较适合于实际系统优化设计。     

一种广义分子计算模型在集合覆盖中的应用

在分子计算原理和传统计算机模型基础上,提出了一种新的基于图灵机的广义分子计算模型,又称广义图灵模型,该模型的具体实现不依赖于特定生物技术. 模型继承分子计算大存储高并行的特点,通过时空复杂度转换,在求解NP完全问题上具有通用性. 模型由一台基本图灵机、一个只写带和一条工作带及读写网络这3部分组成,其中只写带和工作带之间存在一种特殊拓扑映射. 通过数据规模为4的集合覆盖问题,证明该算法能在多项式时间内求解集合覆盖问题,验证了算法和模型的有效性.     

基于时变神经网络的迭代学习辨识算法

为了实现在有限时间区间上可重复运行的离散时变非线性系统辨识,给出基于时变神经网络的迭代学习辨识算法.对于每一个固定时刻,以该时刻的神经网络逼近该时刻系统输入输出间的映射关系,提出了在同一时刻沿迭代轴训练网络权值的带死区迭代学习最小二乘算法,为防止收敛速度下降过快,进一步提出了协方差阵可重调的改进算法.所提算法有较快的收敛速度,且时变神经网络对非线性时变系统的辨识精度也较高.     

无模型映射学习控制算法的研究

提出一种基于无穷级数映射的无模型学习控制算法，将往复运动的复杂非线性控制问题映射为傅里叶空间内有限个调节器设计问题，与一般基于被控对象模型的控制算法相比较，该方法无需巳知系统的内部结构与参数，而仅需了解系统的实际输入输出及系统的期望输出，是往复运动精确轨迹跟踪的一种较为理想的控制算法，给出了算法的推导及其收敛性的理论证明，并给出了仿真结果。     

遗传神经网络在GMI传感器设计中的应用

 巨磁阻抗（GMI）微磁传感器具有灵敏度高、响应速度快等突出优点,但其输出信号呈高度非线性特性。利用交流偏置方法产生非对称巨磁阻抗效应（AGMI）,对磁场传感器的线性度有一定改善,但仍存在线性范围小、线性误差较大的缺点。BP神经网络具有良好的自学习、自适应和非线性映射能力,但通常训练速度较慢、易陷入局部极小值;遗传算法有很强的全局寻优能力,但其局部搜索能力不足。为充分发挥二者优点,本研究提出一种基于遗传神经网络的传感器非线性误差校正方法,并针对所设计的GMI传感器,设计了适合本系统的遗传神经网络,可通过Matlab软件实现。结果表明,经过训练的网络输出结果有序,网络的非线性映射性能良好,能精确反映该传感器系统的函数关系。该方法运算快速、精度高,对智能GMI传感器的设计具有一定工程应用价值。