基于ELM特征映射的kNN算法

研究了基于ELM特征映射的kNN算法,利用ELM特征映射,将原始数据映射到这种高维特征空间当中,使得数据间变得更加线性可分,即数据结构会变得简单,因此,在利用kNN算法进行分类时,利用ELM特征空间中对应的特征数据代替原始空间中的数据进行分类将会取得更好的分类效果.最后,来自MNIST和UCI中的几个数据集的仿真实验进一步验证了该算法的优良性能.     

DOA估计的可靠性评判及多阵列三角定位

提出了一种DOA（derection of arrival）估计可靠性评判准则，试验数据验证了该可靠性评判准则的有效性。DOA估计误差分析表明，目标信号信噪比、传感器失效和采集系统故障等原因均可能导致传感器信号相关性下降或者丢失，而使得DOA估计出现重大偏差；利用可靠性条件，能够方便判定估计DOA的可靠程度。将DOA估计算法及可靠性条件，应用到多DOA三角定位试验中，定位结果表明，该可靠性条件能够有效避免目标位置估计出现野值。     

基于MCC-PAST算法的直扩信号PN码序列盲估计

针对在脉冲噪声环境下的直接序列扩频信号的伪随机(PN)码盲估计问题,提出了一种利用最大熵准则投影逼近子空间(MCC-PAST)算法和滑窗技术相结合的PN码盲估计方法。该方法利用最大熵准则,实现了在脉冲噪声背景下对扩频信号的特征进行稳定快速的追踪。通过对迭代过程中的特征子空间进行梯度估计,实现了可变遗忘因子(VFF)的自适应更新,使得权值的收敛精度和收敛速度得到了同时的优化。算法数据存储量小,复杂度低,易于硬件实现和实时数据处理。仿真结果表明,在脉冲噪声环境下该方法对PN序列估计的正确率和稳定性优于传统方法。     

不良数据辨识新方法

由抗差估计中的Huber估计推导得出权因子，将此权因子运用到不良辨识中去。在迭代计算过程中，以残差变化量作为加速因子，修正权因子，减少了迭代次数，加速了算法的计算速度。     

高速移动环境下信道估计的性能分析

高速移动中,多普勒频移导致的多普勒扩展会破坏OFDM信道中子信道之间的正交性,引起载波干扰,使得时变信道估计算法变得十分复杂。基函数展开模型通过采用确知的少量基函数来近似时变信道,从而简化了信道估计复杂度。在常见的3种基函数展开模型的基础上,分析了子载波间干扰、模型参数以及移动速率对基函数信道估计算法性能的影响,并进行了仿真验证。     

零一膨胀泊松回归模型的EM算法改进

首先提出了处理0和1数据偏多的零一膨胀泊松回归模型,其次对模型建立了参数的极大似然估计.针对传统的EM算法只能使得估计收敛到局部极大值这个缺陷,提出了一种随机EM算法对传统的EM算法进行修正,使得模型能够找到全局最优解.最后通过模拟研究说明该方法的有效性.     

云平台下基于粗糙集的并行算法的研究

随着科技不断发展和新技术的不断涌现,数据的重要性变得越来越明显,与此同时数据也在以超出人们预期的速度快速地增长。物联网技术和云计算技术的出现给数据挖掘和知识发现等相关领域既带来了巨大挑战,也赋予了新的活力,物联网的出现和成功运用使得数据具有时间特性和空间特性,在增加数量的同时也增加了数据的维度,从而使一些传统的数据挖掘的工具和算法变得效率低下;而云计算平台提供的计算能力和简易的并行编程思想使得大量数据所带来的问题在一定程度上得到解决。粗糙集是一种成功数据发掘工具,但在面对日益增长的数据时,效率也变得不理想。借助Map/Reduce思想将传统串行运行算法成功转移到云环境中。首先简单介绍了Map/Reduce流程和粗糙集的相关理论,然后扩展云环境下编程理论和提出相应的算法,最后通过复杂度和相应实验验证了算法的有效性。     

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.      

带有截尾数据的无重复因子试验的位置效应与散度效应分析

考虑带有截尾数据的位置效应和散度效应模型,在改进Hamada和Wu(1991)位置效应分析方法的基础上,将Brennerman和Nair(2001)散度效应分析的MH方法融入其中,对带有截尾数据的无重复因子试验给出了模型选择以及同时估计位置效应和散度效应的迭代算法,拓展了Hamada和Wu的方法,使其也可以鉴别和估计散度效应.模拟结果表明该方法可行,且在均方误差(MSE)意义下,位置效应的估计精度优于Hamada和Wu方法.最后用此算法对Hamada和Wu文中的实例进行了进一步分析.     

半监督Relief-F特征选择算法

数据规模的不断增加，使得为数据库中全部样本做标记变得尤为困难，数据集也因此呈现出了明显的弱标记性.为此，针对大规模少数标记数据集的特征选择问题，基于经典的Relief-F算法，通过综合考虑有标记样本与无标记样本对数据样本近邻的影响，重新定义样本近邻的搜索策略，提出了一种面向符号数据的半监督特征选择算法.为进一步分析新算法的有效性，仿真实验中选取了5组UCI数据集，并引入机器学习中3个常用分类器对新算法和对比算法的特征选择结果的分类性能作了分析和比较，实验结果很好地验证了本文中提出的新算法的有效性和可行性.     

模型基编码中实时三维运动估计的新方法

将自适应迭代松弛搜索算法RSA引入到MPEG4模型基编码的三维运动参数估计中，解决了估计算法的稳健性问题。经过简化计算的复杂度，得出一种快速算法，大大提高了估计速度。同时设计有效的参数初值设置和调整方法，改善了估计的准确性，使之更适用于长序列实时运动估计。通过与预测最小均算法PLS和扩展的卡尔曼滤波算法EKF进行模拟数据和真实序列实验比较，证明本文提出的RSA算法具有很好的鲁棒性和准确性。     

锥面共形阵列天线实值盲极化DOA估计方法

将快拍数据协方差矩阵分裂思想引入到锥面共形阵列天线的测向中，提出了一种高效的锥面共形阵列盲极化波达方向(DOA)估计方法。该方法将子空间估计过程进行了实值化处理，通过子阵分割解决了协方差矩阵分裂引起的“镜像模糊”问题，同时，对参数估计的理论性能界进行了分析，推导了实值盲极化DOA估计的克拉美-罗界，并讨论了算法复杂度改善情况，在保证DOA估计精度的前提下有效降低了算法复杂度。仿真实验表明，所提算法在信噪比为10 dB时，估计精度与已有盲极化复值算法基本一致，而运算量仅为原算法的60%～70%,证明了算法的有效性。     

缺失数据的估计方法及应用

应用EM算法的思想在双参数逻辑斯蒂克模型下对存在缺失数据的参数估计方法和恢复缺失数据的统计插补方法进行研究.蒙特卡洛模拟和实证研究结果表明,在进行统计插补恢复缺失数据时,该方法使得估计结果比较理想:联合极大似然估计与EM算法相结合,先估计参数,再填补缺失值,再估计,再填补,直到似然函数值稳定.     

修正的传播算子方位估计算法及去相关性能分析

将数据共轭重排的方法引申到传播算子算法中，提出了修正的传播算子方位估计算法．从理论上论证了这种引申的合理性．通过理论分析和数值仿真，证明了该算法在快拍数有限时可明显提高信号的方位估计性能．在不增加运算量的条件下，该算法明显优于MUSIC（Mumple Signal Classfication）算法．     

分位点门限自回归时间序列模型的贝叶斯方法

本文运用贝叶斯方法研究了门限分位点自回归时间序列模型的估计和预测. 将分位点回归的最优化问题转化为极大似然估计的问题,从而可以利用Metropolis-Hastings算法对模型中的参数进行Bayesian估计. 同时我们将模型应用于上证综合指数的增长率的数据, 得到了这一增长率的分位点估计. 这一方法的优越之处在于它不需要对数据的分布作预先的假定.     

多变量CAR模型的递推辨识

将加权最小二乘法和限定记忆两种参数估计方法相综合，给出了多变量系统带控制输入的自回归模型未知参数的递推估计算法，该估计算法是前两种估计方法在多输入多输出MIMO系统的推广。     

无失效数据的EM算法

在可靠性统计的定时截尾寿命试验中,最后一个失效时间与定时截尾时刻之间的信息常被忽略.本文利用EM算法来处理这一情形.先用已知数据来估计出未观察到的潜在数据,进而得出可靠性指标的估计.并将EM算法与极大似然估计及修正极大似然估计进行了比较,可以明显看出EM方法优于后两者.最后将EM算法推广到无失效数据情形下,得出无失效数据下的指数分布平均寿命的一个估计.     

基于修正传播算子的宽带相干源DOA估计

将数据共轭重构的修正托别列兹方法（MTOP）引伸到宽带传播算子算法中，提出了修正的宽带传播算子DOA估计算法，从理论上论证了这种引申的合理性．通过理论分析和数值仿真，证明该算法在快拍数有限和低信噪比的情况下，可明显提高信号DOA估计的性能．在不增加运算量的条件下，该算法性能优于OPM算法．     

同类多传感器自适应加权估计的数据级融合算法研究

针对同类多传感器测量中含有的噪声,提出了多传感器数据自适应加权融合估计算法,该算法不要求知道传感器测量数据的任何先验知识,依据估计的各传感器的方差的变化,及时调整参与融合的各传感器的权系数,使融合系统的均方误差始终最小,并在理论上证明了该估计算法的线性无偏最小方差性.仿真结果表明了本算法的有效性,其融合结果在精度、容错性方面均优于传统的平均值估计算法.     

正交频分复用系统非线性信道估计算法

为了提高正交频分复用(OFDM)系统的传输质量和有效性，提出了一种基于最小二乘支持向量机的OFDM非线性信道估计算法．通过在OFDM符号中插入导频而获得训练数据，利用最小二乘支持向量机将训练数据映射到高维空间，并在此空间采用结构风险最小化准则对时变信道频率响应函数进行回归估计，把低维空间的非线性估计转化为高维空间的线性估计，提高了估计的精度．仿真结果表明，该算法能够有效地减小由多径引起的频率选择性衰落的影响，与传统算法相比，在同一误码率条件下的信噪比提高了3～7dB。