基于矩阵Householder变换的图像数字水印算法

为满足水印算法容易实现同时具有较强的稳健性,提出了一个图像数字水印算法.利用矩阵的Householder变换具有扰动性及Householder变换矩阵(H矩阵)对称性和正交性的特征,将图像进行了矩阵的Householder分解.通过仿真实验对算法进行攻击,结果表明本算法在计算量和稳健性方面优于已有算法.     

基于微分算子小波变换的分布参数系统辨识

基于微分算子在紧支撑正交小波基下的精确显式表示,给出了一种分布参数系统辨识方法.将微分算子投影到小波空间,得出其矩阵表示形式,从而将分布参数系统转化为集中参数系统,再利用最小二乘参数估计的一次完成算法进行辨识.该方法不需要考虑初始条件和边界条件的影响,降低了计算的复杂程度;基于Daubechies(db1)小波的数值计算表明,在小波分解层数很低的情况下,辨识就具有很高的精度.     

基于Hopfield神经网络的线性系统参数辨识

基于Ｈｏｐｆｉｅｌｄ网络的神经计算原理,提出了一种新的线性系统参数辨识方法,首先建立系统的Ｉ／Ｏ差分方程以模型误差二次型作为ＨＮＮ的能量函数,辨识差分方程的系数矩阵,最终得到线性系统的全部矩阵参数,数值仿真的结果证明了该方法的有效性。     

用小波变换的方法辨识线性系统的阶次

通过研究线性系统脉冲响应的奇异性和线性系统阶次之间的关系,借助于小波变换来确定系统脉冲响应的奇异性指数Lipchitzα,从而得到了一种确定模型阶次的新方法.通过理论推导和仿真研究,证明了该方法可以准确地判定出线性系统的分子分母的阶次差.     

基于离散小波变换的动态过程模型参数辨识的Markov方法

提出一种新的Ｍａｒｋｏｖ递推算法，该算法主要是基于过程噪声的离散小波变换的协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子具有特殊稀疏带状结构的事实，利用模型输出误差的小波变换在线估计出其协方差矩阵及其Ｃｈｏｌｅｓｋｙ分解因子Ｌｃｗ，进而利用Ｌｅｗ对数据进行白色化处理。数值仿真验证了所提算法是可行的。     

基于估计参数辨识递推算法用于输出间断采样条件下的线性系统参数辨识

最小二乘法是用于连续采样条件下线性系统参数辨识的常用算法,但在间断采样条件下,最小二乘法存在很多不足.提出一种基于估计的参数辨识递推(EBRLS)算法,并从理论上分析了其收敛性.仿真研究表明,对于普通辨识算法无法处理的间断采样情况.EBRLS可以给出令人满意的参数辨识结果,甚至在可用数据极其稀疏的情况下仍然有效.     

用Hartley变换实现连续动力学系统参数模型直接辨识

针对大多数物理系统是由一组微分方程表示的连续时间系统,难以获得信号的各阶微分,连续动力学系统参数模型无法直接辨识的问题,借助Hartley正、逆变换及其微分性质,在频域对信号去噪,获得信号及其微分的估计值,建立参数模型直接估计的最小二乘算法。通过数字仿真分别辨识一个二阶系统和四阶系统,研究频率指数M和时间T与辨识精度的关系,给出辨识时参数选择的基本原则。此外,运用此方法对某冷轧机液压自动厚控系统参数模型进行辨识,结果表明:该方法对噪声具有较强的抑制能力,是一种简单实用的辨识方法。     

基于Householder变换的复参数递推最小二乘估计方法

提出了一种基于Householder变换的复参数递推最小二乘参数估计方法.利用基本复Householder变换方法,研究了基于复Householder变换的递推复矩阵上三角化变换算法,针对上三角矩阵增加一行新数据后的复矩阵,提出了按列递推复矩阵上三角化变换算法,并给出了相应的算法证明.算例仿真结果验证了基于复Householder变换的复数最小二乘估计算法的有效性和可靠性.     

基于PSO的一类线性系统参数辨识方法研究

研究了一种线性系统的参数精确辨识方法;首先采用PSO(Particle Swarm Optimization,粒子群优化)方法对模型进行优化迭代,并选择合适误差准则作为粒子群优化算法的适应度函数,以迭代每个粒子所对应的参数速度和大小;在此基础上,寻找最小适应度值的粒子,推导出最优的适应度函数值,实现系统参数的实时、精确估计;最后通过实验验证了基于粒子群优化算法的参数辨识法的准确性和有效性。     

基于遗传算法的分数阶锂电池模型参数辨识

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法,在求解非线性参数的复杂优化问题上极具潜力.在建立锂离子电池的分数阶等效电路模型之后,通过不断调整其电路模型的参数,使得模型的阶跃响应u_m与锂电池阶跃响应u的和方差的函数值逐渐向0逼近,直到在一定误差精度内,近似认为二者相等.在此基础上,采用遗传算法,在阶跃电流信号激励条件下,对锂离子电池Randle分数阶电路模型完成参数辨识.实验仿真结果显示：分数阶模型参数{R₀,R_p,Q₁,α,Q₂}辨识值分别为{7.33,6.18,3.049,0.76,608.6},误差均值为4.796×10^-5,误差率为1.143×10^-3,拟合度为98.90%.     

非等权观测的Householder参数估计方法

当设计矩阵Ａ“病态”（ 强复共线） 时，正则矩阵ＡＴＡ 亦“病态”，而且更为严重，导致参数的最小二乘解极不稳定。Ｈｏｕｓｅｈｏｌｄｅｒ 方法，是用一镜像映射矩阵Ｈ（ 对称、正交） 对误差方程（ 等权） 进行正交变换，将Ａ变换为上三角阵Ｒ，直接解算参数，避免了ＡＴＡ 的“病态”性对参数最小二乘解的影响。本文解决了在非等权观测情况下，如何应用Ｈｏｕｓｅｈｏｌｄｅｒ 方法进行参数估计的问题。因而，本文扩展了Ｈｏｕｓｅｈｏｌｄｅｒ 方法，并使其在测绘数据处理中更具有实用价值。     

基于时变ARVX模型的结构参数识别

详述了线性多自由度结构的ARVX模型实现,通过一个输入输出完整情况下的实例分析,验证了时变ARVX模型用于结构时变参数识别的可行性,并对识别结果进行了分析.     

基于传递矩阵法的裂纹参数识别方法研究

以等效弹簧模拟裂纹引起的局部软化效应,利用传递矩阵法推导了含裂纹梁在各种边界条件下的频率特征方程,直接利用该特征方程在获得前三阶频率后画出对应于各阶频率的裂纹深度和裂纹位置关系曲线,三条曲线的交点坐标就是裂纹参数的识别结果。对裂纹悬臂梁的数值模拟和实验方法验证了该方法的有效性。实验结果表明,该裂纹识别方法理论推导简单,适用于复杂边界条件下的裂纹识别问题,实验结果和数值结果基本一致。     

基于时不变ARMA模型的线性多自由度结构参数识别

简单介绍了时不变ARMA模型的数学描述,并阐述了结构参数与ARMA模型参数之间的对应关系：通过实例分析说明了ARMA模型用于工程结构识别的可行性;最后用一维ARX模型和ARVX模型对同一结构进行识别,从而得出多维模型在结构识别领域有更广阔的应用前景。     

关于特殊辛Householder变换和特殊辛Givens变换算法

对辛QR算法（SR算法）的不稳定性提出了一种改进措施,并对该措施使用的特殊辛Householder变换和特殊辛Givens变换矩阵的性质进行了研究,进而提出了这两种特殊辛相拟变换中相应的旋转角的选取策略和实现这些措施所对应的算法,使用这一改进措施,可以建立各种修正辛QR算法。     

基于小波变换的非线性多自由度系统的参数识别

讨论了用小波理论识别非线性多自由度系统参数的方法.首先将系统的微分方程投影到由Daubech ies尺度函数张成的子空间中去,然后利用Daubech ies小波的性质将系统微分方程转变为由未知参数构成的一个超越代数方程组,从而最终将系统参数识别问题转变为代数方程组的求解问题.仿真结果证明了该方法的有效性.     

一种基于响应的振动系统参数识别的迭代方法

研究了振动反问题,提出了一种适用于振动系统参数识别的迭代方法。该方法把振动控制方程转化为状态方程,基于振动系统的时域响应,通过构造一种矩阵迭代算法来反演系统参数。数值算例表明本文方法具有较快的收敛速度和较高的精度。     

基于过程神经网络时变系统的参数辨识

提出了一种基于过程神经网络时变系统的参数辨识方法,过程神经网络具有强大的非线性映射功能以及自学习、自适应等功能,其输入与时间有关,输出可为变量.文中基于过程神经网络,对一刚度随时间变化的三自由度系统进行参数辨识.实验结果表明:提出的方法对于时变系统具有较好的辨识效果.