一种基于PCA分析的DoA估计算法

阵列信号处理中,MUSIC、ESPRIT等高分辨率DoA估计算法都要通过特征值分解来获得波达方向估计,然而矩阵特征值分解的计算量较大,不利于实时处理。提出使用PCA(principal component analysis)高效迭代算法,来逼近信号子空间矢量。该算法的计算过程相对简单,并具有自组织特性,适合于神经网络实现。仿真结果表明,所提算法的DoA估计性能与MUSIC算法相当。     

基于UD分解的改进型强跟踪滤波器

带多重次优渐消因子的强跟踪滤波器在计算舍入误差的影响下,估计状态的均方误差矩阵会失去非负定性,从而导致滤波发散的现象.在UD分解算法的基础上,提出了一种改进型带多重次优渐消因子的强跟踪滤波器.通过对引入渐消矩阵的一步预测均方误差矩阵进行UD分解,并将分解矩阵应用于滤波器量测信息的更新过程中,增强了算法的数值稳定性.此外,根据UD分解的结果给出了渐消矩阵的最小二乘解算方法,在提高渐消因子计算效率的同时摆脱了对先验知识的依赖性.仿真结果表明了算法的有效性.     

一种基于OBE的智能天线波束形成算法

根据OBE算法原理,提出一种智能天线自适应波束形成盲算法。首先建立自适应算法的信号模型,讨论了算法的结构,该算法是建立在解扩、重扩判决指导上,对均方误差准则下的最优权值进行迭代估计;然后分析了OBE算法的原理,在此基础上构建了自适应波束形成的迭代式。最后对算法的性能进行了仿真,仿真结果表明:该算法达到了自适应波束形成的要求,与LS-DRMTA算法相比具有更佳的收敛和输出性能。     

一种低复杂度的频率、时延联合估计新方法

提出了一种基于子空间的正弦信号的频率、时延联合估计快速算法。首先给出一个PM(propagatormethod)算子 ,再由其分块矩阵构造一特殊的矩阵。由该矩阵的特征分解所得的特征矢量给出频率估计 ,而由其特征值及估计的频率得到时延估计。与现有的方法相比 ,由于该算法减少了一次特征分解 ,因而具有较低的计算复杂度。最后 ,用正弦信号及实测语音数据验证了该方法的性能     

一种无特征分解的快速子空间DOA算法

基于子空间正交特性的MUSIC算法具有优良的超分辨性能,但由于其需要对空间协方差矩阵进行特征分解,因而计算量比较大。为了降低计算复杂度,提出一种快速子空间算法。该方法利用信号特征值大于噪声特征值的特性,通过对空间协方差矩阵的高阶次幂或者空间协方差矩阵逆的高阶次幂来逼近信号子空间或者噪声子空间,从而避免了特征分解。获得噪声子空间后再采用MUSIC算法实现波达方向估计。仿真结果表明,该方法减少了计算量同时能够达到MUSIC算法的估计性能。     

GMSK+PN信号信噪比估计

针对数传、测距一体化的调制方式高斯最小频移键控复合伪码测距(Gaussian minimum shift keying+pseudo-noise, GMSK+PN)信号的信噪比估计,提出了一种精度较高、复杂度较低的快速算法。该算法采用层状结构分解的方式,将信号分解为若干信号单元,对每一个分解的信号单元进行功率分配计算或信噪比估计,最后快速准确地计算出整个信号的信噪比。信噪比在 1~13 dB之间时,估计误差小于0.5 dB。利用Simulink仿真工具,验证了该算法的有效性。     

空间相干信号的频率和二维到达角估计算法

针对宽频段窄带信号的参数估计,提出了一种空间相干信号频率和二维到达角联合估计的算法——TSS-DOA算法。TSS-DOA算法利用双平行线阵的时空数据以及平滑技术构造了一个时空平滑矩阵,通过对其进行特征分解,并利用分解得到的特征值和特征矢量估计出空间相干信号的三维参数。该算法能精确地估计信号的三维参数,无需多维谱峰搜索,具有计算量小,三维参数自动配对的优点,并有效地解决了信源参数兼并问题。计算机仿真结果验证了算法的有效性。     

一种非理想阵列的快速宽带信号方位估计算法

针对宽带信号方向估计算法需要进行初次估计和进行多次奇异值分解的问题,提出了在传感器阵列存在误差的情况下,基于Prony-Lanczos方法的快速宽带信号方位估计算法。方法将接收信号转换到频率域内,分离阵列流形中信号方向和阵列参数;其次,在考虑阵列互耦的情况下,采用快速奇异值分解的方法求取奇异向量,并利用奇异向量构造聚焦矩阵;最后,利用聚焦求和窄带方位估计对宽带信号进行方法估计。仿真试验表明,存在阵列误差的情况下,本算法具有较好的分辨率和较低的计算复杂度和鲁棒性。     

一种新的基于平行因子分析的近场源定位算法

提出了一种新的多个近场窄带信源距离、频率及到达角三维参数的联合估计算法。该算法将通常在数据和子空间域应用的平行因子分析模型扩展至高阶累积量域,利用阵元输出计算的高阶累积量矩阵构造三面阵,分析了该三面阵低秩分解的唯一性,并从分解得到的多个矩阵中联合估计信源距离、频率及到达角。该算法仅需使用3个高阶累积量矩阵,而且无须谱峰搜索和参数配对,计算简单。仿真结果表明该算法是有效的。     

联合互协方差矩阵的快速波达方向估计

针对常规子空间类波达方向(direction-of-arrival, DOA)估计中存在的子空间分解计算量过大问题,提出了基于均匀线阵的联合互协方差矩阵(joint cross covariance matrix,JCCM)DOA估计算法。基于阵列划分和矩阵重构思想,将均匀线阵划分成两个子阵,在求得这两个子阵接收数据互协方差矩阵后,重构一个新的矩阵即JCCM,利用JCCM的部分数据进行线性运算即可得到等价的信号子空间,然后构造多项式并求根,最终实现波达角估计。理论分析和仿真实验证明,算法避开了对协方差矩阵的特征值分解运算,在保证估计精度可接受的同时,有效降低了计算量,取得了更高的估计速度。     

区域通行能力与出行时间可靠性综合仿真模型

在城市路网中,路段通行能力退化和交通需求随机波动都会增加路网的不确定性。为研究路网中单个区域的交通可靠性问题,通过采用区域备用能力作为综合性能指标,建立了度量区域交通服务水平的双层规划模型。基于此提出了区域通行能力和出行时间综合可靠度的概念及其Monte Carlo仿真算法。最后通过一个数值算例对模型和仿真算法进行验证,仿真结果说明了区域通行能力、服务水平与可靠性之间的相互替代关系。     

基于网格划分的混合优化算法

提出了用于求解大规模优化模型的基于网格划分的混合算法。该算法引入了空间划分和收缩的思想,在求解过程中首先应用全局优化算法确定优解信息,其次使用网格划分和合并将解空间快速划分和收缩为多个子空间,然后用局部优化算法在模型的极值点附近搜索,可以很快地收敛到极值点。仿真结果表明该算法在搜索效率、应用范围、解的精确性和鲁棒性上都体现了良好的性能。     

约束非线性l1问题的调节熵函数法

针对约束非线性l1问题不可微的特点,提出了一种光滑函数的近似逼近方法。该方法利用调节熵函数和罚函数技术将约束非线性l1问题转化为无约束可微优化问题,因而可利用光滑优化的经典算法求出原问题的近似最优解。给出了基于光滑优化问题的BFGS迭代,并介绍了约束非线性l1问题的调节熵函数的有关性质、算法的迭代步骤及其收敛性分析。最后通过数值实例表明了该算法的有效性。     

广义线性系统的鲁棒状态反馈特征结构配置

针对具有参数摄动广义线性系统的鲁棒状态反馈特征结构配置问题 ,提出了一种优化算法。该算法的设计目标是使闭环特征值和特征向量所满足的方程组关于参数摄动误差为最小。根据广义线性系统状态反馈特征结构配置结果 ,给出了优化指标的完全参数表示。该算法简单、有效 ,且可以给出鲁棒性较强的控制系统。数值例子表明了算法的有效性     

数值积分的神经网络算法研究

提出一种求解数值积分的新方法,其基本思想是训练傅立叶基神经网络来逼近被积函数以实现定积分的数值计算.为保证算法的收敛性,提出并证明了神经网络算法的收敛性定理,为学习率的选取提供依据.本算法计算精度较高,对被积函数要求较低,适应性强,并可以计算振荡函数的积分.数值积分算例验证了本算法的有效性,因此在工程实际中有较大的应用价值.     

高阶非线性控制系统相平面的图解实现

非线性控制系统在实际中的存在非常普遍，分析方法有多种。而非线性系统的相平面法既能提供稳态性能信息，又能提供时问响应信息，因而被广泛使用，但相平面法只限于一阶、二阶线性系统的分析。为得到高阶非线性系统的相平面，借助状态空间法，提出一种利用图解方法实现高阶非线性系统相轨迹的作图方法。数值仿真结果表明该算法与解析法相比具有良好的动静态性能、高的控制精度和较强的适应性，同时结果说明了该方法的有效性，算法具有计算简单、易于实现的特点。     

度约束最小生成树(DCMST)的竞争决策算法

度约束最小生成树是网络设计和优化中的一个NP难题，介绍了一种基于竞争造就优化和决策左右结果的新型算法——竞争决策算法，利用竞争决策算法的通用模型，给出了一种基于竞争决策思想求解度约束最小生成树的快速求解方法，经过数据测试和验证，并与其它算法的结果进行了比较，得到了较好的结果．     

Rollout及其并行求解算法在多类商品库存控制中的应用

Rollout算法是Bertsekas提出的求解马尔科夫决策过程(MDP)问题的一种仿真优化算法。文章研究Rollout算法求解多类商品库存控制问题,给出了基于性能势和神经元动态规划的Rollout优化算法。另外,为了降低运算时间,文章提出了两种Rollout并行求解算法,并讨论了这两种并行算法各自的适用场合。实验结果表明,Rollout算法能满足模型未知系统的优化要求,具有较好的并行性能。     

基于文化知识的量子进化算法

量子进化算法在实数优化时存在局部寻优能力不佳、收敛速度较慢等缺陷.为克服这些缺陷,本文引入文化算法思想提出一种基于文化知识的量子进化算法,该算法具有量子进化层和知识进化层双层进化框架,引入的文化算法能较好地协调全局与局部寻优,并避免算法陷入局部极值.由于新的算法框架及量子观测方式的引入,提出的算法不但保留了量子编码的优点,而且有效解决了求解实数优化问题时存在的缺陷.实验表明,提出的算法不但比量子进化类型算法性能有较大提升,而且与其它相关的几种算法相比具有更好的求解精度和速度.