一类带限函数的外推算法及应用

将带限函数的外推Gerchberg-Papoulis算法在维数和已知区域方面进行了推广,证明了推广的算法在L^2范数下的收敛性,并应用于限制角图像重建。在一维情形下进行数值模拟,验证了推广后算法的有效性。     

极大值函数Clarke广义Jacobi计算的新算法

基于计算Clarke广义Jacobi在非光滑优化数值方法中的必要性,针对一类非光滑函数——极大值函数进行研究,通过对一不等式系统具备特定形式解所需条件的考虑,给出了计算此类函数Clarke广义Jacobi中一个元素的新方法.数值试验表明,与以往算法相比,该算法减小了计算量、简单易行、容易实现.     

基于自组织选取中心的广义RBF神经网络学习算法

根据RBF网络要学习的3个参数:基函数的中心、方差和权值,提出了广义RBF网络自组织选取中心的学习算法.该算法首先学习隐层基函数的中心与方差,然后学习输出层权值,仿真结果表明了该算法的有效性.     

齐次函数模型极小化的Greville方法

本文提出了根据齐次函数模型的无约束极小化方法——Greville方法,它是Jacobson-Oksman方法的推广。由于它利用了广义逆技术,故方法的适应性较强,作者证明了对于齐次函数,Greville方法在n 2步得到广义极小点,文章还给出了算法和数值结果。     

基于综合目标函数的神经网络多新息辨识算法

为提高动态神经网络学习算法的辨识精度及抗噪性能,提出一种基于综合目标函数的多新息辨识算法。该算法基于多新息理论在最小均方误差目标函数中引入一辅助项构造综合目标函数,利用该目标函数进行网络输出层权值的训练,并采用牛顿法推导出输出层权值的递推计算公式。与已有二阶学习算法相比,新算法鲁棒性强,收敛速度快,辨识精度高。仿真结果验证了算法的有效性。     

一种基于综合目标函数的神经网络学习算法

为提高多层前向神经网络的学习速度和算法的稳定性,提出一种基于综合目标函数的改进学习算法.该算法在误差平方和目标函数中引入一个辅助约束项构成综合目标函数,并利用综合目标函数训练网络的输出层权值,采用牛顿法推导出训练输出层权值的递推公式.辅助约束项隐含有对网络输出平滑性的约束,提高了学习算法的稳定性.利用该算法对不同非线性函数生成的样本数据的学习结果表明,新算法的收敛速度、精度均优于Karayiannis等人的二阶学习算法.     

凸规划问题的一个梯度投影算法

将无约束的Ｃｕｒｒｙ步长搜索算法推广到带约束的凸规划问题，并证明了该算法的全局收敛性。     

求解广义Nash均衡问题的一种新算法

最近,Heusinger和Kanzow将广义Nash均衡问题（GNEP）转化成了带约束和无约束的优化问题．本文在此基础上,设计了一种求解GNEP的算法,在保证解存在的情况下,仅要求共享策略集是闭集而非紧致集,我们证明了算法的收敛性．最后,通过数值实验验证了这种算法具有良好的数值效果．     

广义相关时延估计算法的自适应实现形式

认为广义相关时延估计算法的缺陷是依赖对输入信号及噪声先验知识 ,特别是对其功率谱的了解 ,而在实际应用中 ,往往缺乏这种先验知识 ,只能以估计值来代替 ,从而影响时延估计精度 .自适应滤波器一般只需要很少或根本不需要任何关于输入信号和噪声的先验知识且性能良好 ,若用自适应滤波器替代广义相关法中的预滤波器就可放松或免除对输入信号和附加噪声的条件限制 ,提高时延估计的精度 ,广义相关时延估计算法时域中的预滤波器就是其频域中的权函数 .从理论上证明了 ,任何一个广义相关权函数 ,都能够变换成一个或几个 Roth处理器的组合形式 .实际上 ,Roth处理器就是自适应滤波器实现的、能对原始带噪信号做最优化估计的维纳滤波器 ,从而实现了自适应广义相关时延估计算法 .     

基于Laguerre函数模型的预测控制算法

在简述基于Ｌａｇｕｅｒｅ函数近似模型的自适应预测控制原理、算法及其特点的基础上,将现有的多步预测、单步优化的控制算法扩展为多步预测、多步优化的控制算法,并与传统的广义预测控制（ＧＰＣ）作了比较研究,结果表明基于Ｌａｇｕｅｒｅ函数模型的预测控制方法对变时延、变阶次被控对象的控制鲁棒性明显优于广义预测控制