基于交叉熵的NC-OFDM系统最优导频序列设计算法

针对NC-OFDM(non-contiguous orthogonal frequency)系统子载波非连续且动态变化导致传统等间隔分布的导频序列设计算法计算复杂度高、频谱利用率低和处理时延大等问题,提出了基于交叉熵的最优导频序列位置优化设计算法。算法以最小化系统均方误差为准则,采用交叉熵算法在所有可用子载波中求解目标函数的最优解,有效解决了传统穷举搜索算法计算复杂度高的问题。与传统算法相比,所提算法保证了信道估计精度,降低了系统均方误差和误码率,从整体上提高了系统性能。     

改进的 BP 算法及其应用研究

ＢＰ网络广泛应用于函数逼近、模式识别和系统辨识,但ＢＰ算法收敛速度很慢。为此提出了ＢＰ算法的一种新的改进方式,即在误差反向传播时,不仅改变网络的联接权值,也改变神经元模型参数。详细推导了改进ＢＰ算法的迭代公式。仿真研究表明,与传统ＢＰ算法相比,该算法具有收敛速度快,函数逼近精度高的优点。     

基于中心误差熵准则的非高斯系统滤波器设计

针对现存的最小熵滤波理论由于熵具有平移不变性,基于最小熵准则的滤波方法只能保证估计误差的随机性尽可能小,而不能保证其收敛到零的问题,基于中心误差熵准则研究了一类线性非高斯系统的滤波器设计问题。首先在最小熵准则的框架下采用非参数估计理论和梯度下降法给出了滤波增益矩阵的设计方法,并对滤波误差系统的均方稳定性进行了分析。接着针对最小熵准则的不足,提出了新的中心误差熵准则,它是由信息势和互熵的加权求和构成的,最大化信息势以实现估计误差随机性的全局最小化,最大化互熵可以将误差概率密度函数的峰值固定到零,从而实现滤波误差尽可能小。最后采用数值算例分别针对最小熵滤波和最大中心误差熵滤波进行仿真,结果表明基于中心误差熵准则的滤波算法具有更好的性能。     

一种基于子波的信号复原方法

提出了一种从强噪声中复原瞬态信号的新方法，该方法将要复原的瞬态信号表示成一组子波函数的线性组合，在最小均方能量准则下，用共轭梯度算法求解子波函数的线性组合的幅度、尺度和延时参数，计算机模拟结果表明，该方法的实现结构可表示成具有子波非线性，并且类似于辐射函数ＢＰＦ的人工神经元网络。     

基于多准则的多层模糊神经网络学习算法

模糊算子函数丢失信息量过大,并且在某些点不存在导数,由此导致在采用传统的误差平方和准则优化网络参数时,有些参数无法得到调整,而且网络容易陷入局部极小,甚至发散.本文提出了一种基于模糊熵准则和误差平方和准则的多准则多层模糊神经网络学习算法,在一定程度上克服了单准则学习算法的局限性.     

BP算法及其应用实例

BP网络（也称激活函数采用Sigmoidal函数的多层感知器）是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP算法是一类有导学习算法,用于BP网权值和阈值学习,它的规则的推导是基于最小均方误差准则,它可实现函数逼近,同时利用Matlab进行仿真。     

自适应非线性FIR主动噪声控制

针对非线性主动噪声控制系统的非高斯噪声问题,利用Hammerstein/Wiener模型思想简化Volterra滤波器,提出基于函数映射的非线性FIR主动噪声控制器.给出基于二阶Renyi误差熵和均方误差加权和的广义滤波-X梯度下降算法,实现自适应非线性主动噪声控制,并分析了控制算法的收敛性.该方法综合了信息熵和均方误差对误差信息的优势,结构简单且学习参数少.仿真结果表明了该方法的有效性.     

BP网络的一种泛化算法

提出一种新的泛化ＢＰ算法,在原误差函数中增加一项新的能量函数来提高系统的鲁棒性。经过论证分析和仿真证明该算法具有较强的鲁棒性和较好的实用性。     

脉冲噪声环境下基于最大相关熵准则的仿射投影算法

在许多工程技术应用中,噪声常呈现较强的冲激性,在数学上可用稳定分布模型来表示.常规的自适应滤波算法对于稳定分布噪声的鲁棒性较差.最大相关熵准则的提出,可以有效地改善在稳定分布噪声条件下自适应滤波算法的性能.以对称α稳定分布噪声为脉冲噪声模型,使用最大相关熵准则作为代价函数,提出基于最大相关熵准则的仿射投影算法,将前一次迭代的计算误差作为自变量代入相关熵函数中,使得改进后的仿射投影算法在脉冲噪声环境下取得良好的收敛效果,并通过实验证明了新算法在强脉冲噪声以及广义信噪比较低的情况下有较快的收敛速度和较好的收敛性能.     

α稳定噪声下最小均方Sigmoid误差自适应时间延迟估计

为解决脉冲噪声下最小均方误差自适应时间延迟估计算法估计性能的退化问题,以对称α稳定分布模型描述脉冲噪声,提出最小均方Sigmoid误差自适应时间延迟估计算法.该算法通过对误差信号求取Sigmoid变换,抑制了较大误差对估计结果的影响.以最小均方Sigmoid误差代替最小均方误差作为优化准则,迭代模拟信道延迟效应的滤波器权系数,其收敛时峰值的位置就是所要估计的时间延迟.仿真结果验证了该算法在高斯和非高斯对称α稳定分布噪声条件下的优良估计性能,说明最小均方Sigmoid误差是一种韧性的最优准则.     

随机系统的最小熵控制

本文放弃传统的MSE准则,从信息论观点出发,发展了随机系统的一种最小熵(ME)控制方法,并从ME控制的等价性、控制限度、存在性、唯一性及必要条件等方面,研究了ME控制的合理性和实用性。ME方法是一种全局分析法,它不仅包含了MSE和MAP准则,且由于全文在整个推导中并未假定高斯性、线性和非时变等,因而原则上适用于诸如非高斯、非线性、时变等传统方法难以处理的复杂系统;不仅适用于工程系统,将其推广到决策、社会、经济等领域会更为自然和切合实际。     

最小均熵差准则与模式聚类

作为最小均方差准则的拓广,本文从数据熵、数据熵差引进最小均熵差准则,并应用于数据与模式聚类;给出基予最小均熵差准则的动态聚类算法与系统聚类算法,最后通过一个应用示例说明这一最小均熵差准则模式聚类的有效性与优越性。     

一种改进的BP算法神经网络

讨论了BP神经网络学习过程中的假饱和现象和激励函数对输出值的影响，将修改激励函数和构建假饱和预防函数相结合，实现加快网络学习速率。通过引入距离熵揭示了实际输出值、期望输出值以及能量函数三者的内在关联。对BP网络的应用实例编制了仿真程序，并与标准的BP算法进行比较。结果表明改进算法的学习收敛性大大地优于标准BP算法。     

最小均熵差准则与模式聚类

作为最小均准则的拓广，本文从数据熵，数据熵差引进最小均熵差准则，并应用于数据与模式聚类；给出基予最小均熵差准则的动态聚类算法与系统聚类算法，最后通过一个应用示例说明这一最小均熵差准则模式聚类的有效性与优越性。     

基于三阶累积量的闭环辨识

将高阶累积量对具有高斯分布特性的（白色或有色）随机噪声的强烈抑制特性,用于辨识开环条件下的干扰,一些文献中提出了基于高阶累积量的改进均方辨识准则（MSE）。针对三阶累积量的情形,探讨了该晨噪声上环辨识中的适用性。理论分析表明,扩展到闭环情形下的MSE辨识准则等价于无噪声干扰下对象处理开环情形时的均方误差辨识准则,该方法可获得处于闭环运行状态下对象的渐进无偏参数估计;当对象采用ARMA模型时,可获得相应的线性递推辨识算法,仿真实验证明了该算法的有效性。     

古叙矿区煤体及其组合的测井曲线识别技术

不同测井曲线对于煤体结构识别具有多解性。为提高判识精度,通过对古叙矿区石宝矿段煤储层特征和常规测井响应特征分析,提取了对煤体结构反应敏感的8条测井曲线,包括自然伽马、井径Ⅰ、井径Ⅱ、深侧向电阻率、浅侧向电阻率、补偿密度、补偿中子、补偿声波,采用BP(back propagation)神经网络算法,通过MTALAB软件,建立了神经元数量为100、训练函数为TRAINLM,适应学习函数为LEARNGDM、误差分析为MSE的二层BP神经网络煤体结构定量识别模型,预测结果与矿区其他井岩心进行对比,结果表明,基于BP神经网络的煤体结构测井识别方法精确度达89%,效果好于传统的测井判识方法。     

基于最小峭度准则的码约束盲恒模干扰抑制算法

提出一种基于最小峭度准则初始化的码约束盲恒模算法.通过对均衡器的权向量增加约束,使其在迭代更新最小化代价函数时,能有效地抑制干扰,同时保证DS-CDMA系统的期望用户信号不被抑制.仿真结果表明:在相同条件下,采用该算法得到的输出信噪比有明显的改善,输出的均方误差也大大减小.     

基于均方误差的集粒子云自适应均衡算法(英文)

为了更加有效地对符号间干扰进行自适应补偿,本文提出了一种基于均方误差准则的集粒子云算法EPSA（ensemble particle swarm algorithm）.在本算法中,自适应均衡器的每个抽头权值向量被看作问题空间中的一个粒子,所有权值向量对应于粒子云.根据均方误差准则,集粒子云算法以多维问题空间中飞行的粒子位置的集平均误差作为适应值,评估对应抽头权值向量的性能,从而改变粒子飞行的方向和速度,调整粒子位置的变化量.粒子在空中飞行由＂互飞行＂和＂自飞行＂构成,其中＂互飞行＂是通过粒子间的相互作用表征的,而＂自飞行＂则是通过粒子的自我调整实现的.粒子按各自的加速系数依次在不同模式中飞行,由于粒子间彼此互惠作用的影响,集粒子云算法的收敛速度得到了提高.理论分析和仿真结果均表明,本文提出的算法性能明显优于定步长或变步长的LMS算法,同时算法的复杂度几乎没有明显的增长.     

约束型矩阵最小二乘估计预测

本文提出了约束型矩阵模型的最小二乘估计预测量,矩阵型MSE准则,矩阵型RT(·)准则,矩阵型MDE-准则.进一步,给出了约束型矩阵模型最小二乘估计预测关于MSE准则、RT(·)准则优于它的最佳线性无约束矩阵型最小二乘估计预测的充要条件.探究RT(·)准则与MDE-准则的相互转化关系,给出了约束型矩阵模型最小二乘估计预测优于无约束矩阵型最小二乘估计预测的充要条件.     

Multiscale analysis of heart beat interval increment series and its clinical significance

Analysis of multiscale entropy （MSE） and multiscale standard deviation （MSD） are performed for both the heart rate interval series and the interval increment series. For the interval series, it is found that, it is impractical to discriminate the diseases of atrial fibrillation （AF） and congestive heart failure （CHF） unambiguously from the healthy. A clear discrimination from the healthy, both young and old, however, can be made in the MSE analysis of the increment series where we find that both CHF and AF sufferers have significantly low MSE values in the whole range of time scales investigated, which reveals that there are common dynamic characteristics underlying these two different diseases. In addition, we propose the sample entropy （SE） corresponding to time scale factor 4 of increment series as a diagnosis index of both AF and CHF, and the reference threshold is recommended. Further indication that this index can help discriminate sensitively the mild heart failure （cardiac function classes 1 and 2） from the healthy gives a clue to early clinic diagnosis of CHF.