基于遗传算法和高斯牛顿法的超声回波信号参数估计

在超声回波信号参数估计中,如果高斯牛顿法选取的迭代初值接近参数向量的真实解,则容易找到最优解;如果初始值远离最优解,则高斯牛顿法不收敛或者只收敛到局部最优解。针对高斯牛顿法对迭代初值敏感的问题,提出了遗传算法和高斯牛顿法结合的参数估计方法。该方法充分利用遗传算法善于进行全局搜索和高斯牛顿法善于进行局部快速搜索的优点,首先使用遗传算法求出超声回波信号的参数初值,然后利用这组初值进行高斯牛顿法迭代搜索。仿真结果表明,基于遗传算法和高斯牛顿法相结合的方法,具有收敛速度快、精确度高的特点。     

关于遗传规划收敛性的一个定理

遗传规划是一种通过进化程序来得到问题近似或精确的方法，讨论遗传规划的收敛性质，证明在采用生长法变异算子的条件下遗传规划搜索有限的文法树空间的收敛性的一个 并证明如果不采用最优个体保留策略则遗传规划是不收敛的，最后指出在遗传规划中使用变异算子的理论的实际意义。     

广义混合变分不等式的weak-sharp解及算法的有限收敛

提出广义混合变分不等式问题的解集满足的weak-sharp条件,并通过约束集的支撑函数的一些性质,获得weak-sharp条件的等价刻画.在广义混合变分不等式问题的解集满足weak-sharp条件之下,还获得任意迭代算法有限收敛的等价条件,其中有限收敛指算法在有限次迭代后,得到广义混合变分不等式问题的精确解.最后,以广义混合变分不等式问题的超投影近似点算法为特例,在一定的条件下,获得该算法的有限收敛性.     

求一般凸规划鞍点的投影外梯度法

结合korplevich的外梯度概念和不精确搜索的思想,提出了一种实用的求一般凸规划问题鞍点的投影外梯度法,在目标函数和约束函数连续可微的条件下证明了算法具有全局收敛的性质,同时,还得到了一个鞍点存在的充分必要条件。     

NA序列部分和之和一阶矩收敛的精确渐近性

随机变量的部分和之和在诸多领域有着广泛应用,关于NA序列的部分和之和取得了许多极限性质.在较弱的矩条件下,利用NA序列部分和之和的渐近分布和二阶矩的稳定性质,得到了平稳NA序列部分和之和的一阶矩收敛的精确渐近性,丰富了NA序列部分和之和极限理论的结果.     

MKZ-Bézier算子的点态逼近估计

文章主要利用经典的Bojanic-Cheng方法,结合分析技术,研究MKZ-Bézier算子对一类绝对连续函数的逼近性质,得到了比较精确的收敛阶估计.     

流体饱和多孔隙介质多参数反演的小波多尺度-正则化高斯牛顿法

将小波多尺度方法和正则化高斯牛顿法相结合,充分利用两种方法的优点,以小波尺度分解作为引导算子确保反演算法的搜索路径,在每一个分解后的尺度上采用正则化高斯牛顿法作为求解算子以解决反问题的不适定性问题,构造了小波多尺度.正则化高斯牛顿法,有效地解决了流体饱和多孔隙介质多参数反演过程中的局部极值和不适定性的问题.通过与传统的正则化高斯牛顿法数值比较,显示了小波多尺度一正则化高斯牛顿法法是一个大范围收敛方法.数值模拟的结果验证了方法的有效性和可行性.     

基于GaussNewton-NL2SOL法的前馈神经网络及应用

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法,并与GaussNewton法相结合,构建基于GaussNewton-NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

非线性互补问题的非精确预估-校正光滑算法

提出了一类新的光滑函数,分析其相关性质.针对大规模非线性互补问题,结合预估-校正技术,提出一种新的非精确预估-校正光滑算法,证明该算法从任意点出发能得到其全局收敛和局部二次收敛速率,且算法简单有效.     

I.I.D.随机变量部分和之和重对数律的精确渐近性

为研究独立同分布(i.i.d.)随机变量序列部分和之和重对数律的精确渐近性质,在矩条件较弱的情形下,采用截断的方法,证明了ε→0时的几个精确渐近性质;在矩条件较强的情形下,利用Berry-Esseen不等式进行逼近,得到了ε→α+1(1/2)的精确渐近性质.研究结论表明,i.i.d.序列部分和之和重对数律的精确渐近性质与部分和的结论类似,这就将i.i.d.序列部分和精确渐近性的结果推广到部分和之和的情形,丰富了i.i.d.序列部分和之和精确渐近性的结果.     

使用非单调技术的Gauss—Newton算法

提供了一种求解非光谱方程组的非单调技术结合Gauss-Newton算法,在合理的条件下,证明了算法不仅具有整体收敛性,而且获得局部超线性收敛速度。     

互补问题中Gauss-Newton方法全局收敛性的推广(英文)

研究了由Subramamian为求解互补问题提出的阻尼Gauss-Newton方法的收敛性质，在较弱的条件下，给出了一个全局收敛效果，这个结果是Subramanian PK (1993)和（1997）中相应结果的一个推广。     

前馈神经网络权值学习综合算法

目前基于高斯牛顿法及其衍生算法的前馈神经网络虽然可以达到局部二阶收敛速度,但只对小残量或零残量问题有效,对大残量问题则收敛很慢甚至不收敛.为了实时解决神经网络学习过程中可能遇到的小残量问题和大残量问题,引入NL2SOL优化算法与GaussNewton法相结合,并引入熵误差函数,构建基于GaussNewton NL2SOL法的前馈神经网络.仿真实例表明,该神经网络较好地解决了残量问题,具有良好的收敛性和稳定性.     

超声回波参数的高斯与牛顿迭代法计算

应用超声回波模型,对检测目标的超声回波进行模拟,在模拟过程中应用高斯与牛顿法迭代出估计参数.结果表明,该算法能以较少的迭代次数计算出向量参数,但对模型中到达时间初值设定较为敏感,这可用常规方法(互相关或小波变换、遗传算法等)解决.     

Modified Levenberg-Marquardt algorithm for source localization using AOAs in the presence of sensor location errors

In this paper,by utilizing the angle of arrivals （AOAs） and imprecise positions of the sensors,a novel modified Levenberg-Marquardt algorithm to solve the source localization problem is proposed.Conventional source localization algorithms,like Gauss-Newton algorithm and Conjugate gradient algorithm are subjected to the problems of local minima and good initial guess.This paper presents a new optimization technique to find the descent directions to avoid divergence,and a trust region method is introduced to accelerate the convergence rate.Compared with conventional methods,the new algorithm offers increased stability and is more robust,allowing for stronger non-linearity and wider convergence field to be identified.Simulation results demonstrate that the proposed algorithm improves the typical methods in both speed and robustness,and is able to avoid local minima.     

Gauss-Newton methods for a class of nonsmooth optimization problems

The local quadratic convergence of the Gauss-Newton method for convex composite optimizations is established for any convex function with a minima set. This work extends Burke and Ferris' results when this minima set is a set of weak sharp minima for the convex function.     

光滑阻尼Gauss-Newton法解非线性不等式组

利用等价转化把非线性不等式组转化为非线性方程组来加以求解,通过引进光滑参数构造一个新的光滑函数来逼近方程组问题中的目标函数,给出了相应的求解非线性方程组的光滑阻尼Gauss-Newton算法,并在一定条件下证明了该算法的整体收敛性.     

一个求解非线性最小二乘问题的新方法

在Gauss-Newton(G-N)方法和Levenbery-Marquardt(L-M)方法(阻尼最小二乘法)的基础上给出了一种新的求解非线性最小二乘问题的方法，它是通过寻求新的非线性方程组的数值方法来实现的，首先给出了不用计算导数的求解非线性方程组的收敛迭代方法，该方法是建立在求解动力系统的稳定点的基础上，采用了较稳定的常微分方程初值问题的数值方法进行迭代求解，并采用Steffensen加速技术以提高收敛速度，最后，给出了用Matlab试算的数值例子、试验结果表明了该方法的有效性。