一种基于奇异值分解的非线性滤波新算法

提出一种基于奇异值分解的无导数卡尔曼非线性滤波新算法对UKF算法进行改进.该算法利用奇异值分解作为工具,将原算法中的协方差矩阵进行奇异值分解,可以在一定程度上避免在递推过程中,由于计算误差和舍入误差而引起的协方差矩阵失去正定性,从而导致算法失效的问题.在不降低滤波精度,不增加算法复杂度的前提下,新算法具有很好的数值稳定性.实例仿真结果验证了本方法的有效性.     

一种采用Householder变换递归实现的复矩阵QR分解算法

QR分解可以改善矩阵条件数,从而提高数值稳定性。由于传统的基于Householder变换的QR分解算法无法有效处理复数矩阵,限制了它的进一步应用。本文提出了一种复数形式的QR分解算法,该算法通过对传统算法进行修改,采用Householder变换递归实现了复矩阵的QR分解,修正后的算法公式可以有效处理复数信号,同时保持了实矩阵QR分解算法的良好性能。新的算法公式对于各种采用QR分解的应用均具有重要意义。通过对其在最小二乘问题中的应用进行仿真,验证了算法在复信号环境下的性能。     

广义判别正交非负矩阵分解及其应用

提出了一种广义判别正交非负矩阵分解算法。与传统非负矩阵分解算法不同,该算法对目标函数加入了正交约束,保证了低维特征的非负性;也不同于以往的判别非负矩阵分解算法将判别约束加于低维权重上,该算法将判别约束推广到低维特征中,使得低维特征参与模式识别,进一步提高了识别精度。本文给出了算法的推导过程,并将其应用于人脸验证和人脸表情识别。实验结果表明,该算法提高了低维特征的判别能力,具有更好的性能。     

空域色噪声背景下双基地MIMO雷达角度估计

空域有色噪声会导致现有多输入多输出(multiple input multiple output, MIMO)雷达算法性能下降, 甚至完全失效。针对空域色噪声背景下双基地MIMO雷达联合波离角(direction of departure, DOD)和波达角(direction of arrival, DOA)估计问题, 分析了现有算法失效的原因。考虑到匹配滤波后无噪协方差矩阵的低秩特性、色噪声协方差矩阵的稀疏特性以及MIMO雷达数据的多维结构特性, 提出一种基于张量分析的角度估计算法。首先, 构造角度估计的协方差张量, 通过去除协方差张量中受噪声协方差影响的元素对色噪声进行抑制。其次,利用张量填充技术对无噪协方差矩阵进行恢复。然后,利用平行因子分解获得目标角度的方向矩阵。最后, 采用最小二乘算法对目标的DOA和DOD进行拟合。仿真结果表明, 所提算法对色噪声不敏感, 且无孔径损失。相比现有矩阵及张量分析算法, 所提算法具有更高的估计精度。     

一种非平滑相干干扰鲁棒的自适应波束形成器

针对文献报道的鲁棒自适应波束形成(robust adaptive beamforming, RAB)算法,分析了在存在相干干扰时其性能严重下降甚至失效的原因：通过将接收信号协方差矩阵分解为阵列流形矩阵左和共轭右乘一个矩阵P的描述形式,在存在相干干扰时,P为非对角阵,其非对角元素表征了信号与干扰间的互相关,该成分造成了RAB算法的失效;另表明：快拍数有限可视为特殊的相干干扰情况。为此,提出了一种构建P为对角阵的协方差矩阵拟合方法;并据拟合的协方差矩阵,给出了对非平滑相干干扰RAB方法。仿真验证了分析的有效性,所提方法在相干干扰时仍能实现非相干干扰时的性能,且收敛速度优于报道方法。     

基于d-最小割集的多状态网络可靠度矩阵分解算法

鉴于基于d-最小割集应用容斥原理计算多状态网络可靠度精确值的复杂性, 借鉴分解的思想, 基于事件并运算之间的吸收律, 通过定义d-最小割集矩阵及矩阵概率, 提出了一种矩阵分解算法. 算法的基础是在一定规则下反复对矩阵进行分解、简化, 并通过迭代计算矩阵概率得到可靠度精确值. 同时, 通过定义删除函数以及动态选择分解边加速分解过程. 相关分析表明算法的复杂度随网络中边的数目成指数增加. 算例分析表明算法计算结果正确, 且结构清晰、易于实现, 验证了其正确性和有效性.     

降低计算量的改进联合对角化算法

提出两种改进算法解决避免奇异解的联合对角化算法计算量大的问题。一方面,将对角化矩阵行列式按当前更新的列直接展开得到一种改进算法;另一方面,将列交换后的对角化矩阵进行LU分解,由分解得到的上(下)三角矩阵计算行列式,得到了另一种改进算法。由于两种改进算法都减少了一次矩阵求逆,因此降低了原算法的计算量。实验仿真表明,当目标矩阵的个数和维数较大时,两种改进算法的计算量分别为原算法的36.8%和21.5%。     

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.     

融合多关系的矩阵分解社会化推荐算法

在现实的社交网络中,用户之间往往存在多种关系,而现有的社会化推荐算法都只考虑一种关系对推荐结果的影响。基于多子网复合复杂网络模型,将用户间的多种社交关系引入用户特征矩阵,提出了基于多关系的矩阵分解社会化推荐算法。通过对2个真实数据集上的实验结果分析,发现加入多种社交关系的矩阵分解社会化推荐方法比传统的矩阵分解算法在推荐准确率方面有显著提高。     

基于改进三线性分解的单基地十字阵MIMO雷达二维角度估计

研究单基地十字阵多输入多输出(multiple-input multiple-output,MIMO)雷达中目标二维角度参数估计的问题。已有的算法往往忽略了信源矩阵中的类Vandermonde结构,而这种特殊的结构可以提升参数估计精度。基于均匀线形阵列(uniform linear array,ULA)的中心对称特性和目标参数矩阵中的类Vandermonde结构,提出一种基于改进的三线性分解的二维角度估计算法。首先利用酉变换的方法构造阵列增广输出矩阵,再将二维角度估计与三线性模型相联系。由于增广输出使得阵列的虚拟孔径增大,因而本文所提算法的参数估计精度要优于传统三线性估计算法。此外,本文提及的改进算法不需进行谱峰搜索及奇异值分解,并且能对估计的二维目标角度自动配对,最后的仿真结果验证了本文算法的有效性。     

基于多胞体-椭球双滤波的时变参数系统建模方法

传统的采用全对称多胞体作为参数可行集的系统建模方法,容易因全对称多胞体形状矩阵维数不断增加导致算法的计算复杂度过大。提出一种基于多胞体-椭球双滤波的时变参数系统建模方法,考虑参数时变情况,在与约束带相交迭代的过程中选择体积最小全对称多胞体,变换全对称多胞体形状矩阵后对其降维分解而不是仅仅直接求扩展形状矩阵的行总和,进而降低多胞体空间变换带来的算法保守性。利用奇异值分解重新推导降维后的多胞体形状矩阵,使得多胞体形状矩阵始终保持与参数相同的维数,从而降低系统建模方法的运算复杂度。     

结合三角分解和SLNR的同频干扰抑制算法

针对多小区多用户下行链路同频干扰问题,提出一种结合三角分解和信漏噪比(signal leakage noise ratio, SLNR)的干扰抑制算法,算法通过对联合信道的三角分解先将小区间干扰减少一半,然后利用SLNR算法和干扰抑制矩阵进一步消除小区间干扰。理论分析表明算法使得接收端不再需要增加用于抑制小区间干扰的矩阵及相应矩阵运算,从而降低了算法复杂度。计算机仿真表明较传统SLNR算法,该算法在系统容量和能量效率等性能方面得到改善。     

基于奇异谱分解的水声信号降噪方法研究

通过对水声信号进行相空间重构,并对重构后的轨迹矩阵进行奇异值分解,得到表征信号能量和噪声强度的奇异谱。对奇异谱进行分析,得到反映噪声强度的噪声平台。对于那些大于噪声平台的特征值,它们具有较大的方差,对应较大的信噪比。利用具有较大方差特征值对应的特征矢量重构状态空间,也就等效于得到了具有较大信噪比改善的重构。通过对3类多个样本的实际水声信号采用奇异值分解进行降噪处理,得到了较为满意的降噪效果,降噪后的信号波形基本上消除了噪声干扰,为水声信号的进一步处理奠定了基础。     

欠定盲源分离混合矩阵估计的张量分解方法

欠定盲源分离混合矩阵的估计可以转化为三阶张量的标准分解问题。为解决现有标准分解算法运算复杂度高、所需时间长的缺点,引入塔克分解先把张量压缩为较低维的核张量,塔克分解因子可通过原张量mode 3矩阵的左奇异向量求得。然后运用交替最小二乘对该核张量进行标准分解,即可得到混合矩阵的估计。仿真结果表明,所提方法不仅可以达到与现有算法同样好的估计精度,而且具有更低的运算复杂度,运算时间较现有算法降低46.44%~76.28%。     

稀疏混合数据的矢量聚类分析与应用

对稀疏混合数据进行分析,发现该类数据具有方向性聚集分布的特点。首先证明了可以采用方向性聚类方法对稀疏混合数据进行处理分离出原数据。即用方向性聚类算法对稀疏混合数据进行聚类分析可以估计出混和矩阵。然后证明采用方向性聚类算法分离出来的数据和原数据之间具有确定的尺度和次序变化关系。最后针对多通道混合数据的盲分离提出了基于中心矢量聚类的稀疏混合数据分离算法SMDDCVC(sparse mixing data decomposition based on center vector clustering),并将该算法用于稀疏混合图像的盲分离。实验结果表明基于SMDDCVC算法的稀疏混合数据盲分离算法是有效的。     

基于粒子群优化的稀疏分解变尺度快速算法

针对一类可分稀疏性度量函数,结合最优化理论,研究了稀疏信号重构的快速算法。稀疏分解可以看成是一个带等式约束的优化问题,首先利用惩罚函数法将其转化为无约束优化问题|然后在粒子群优化估计搜索步长的基础上,利用变尺度法寻找无约束优化问题的最优解|最后依次增大惩罚因子,直至稀疏表示系数满足分解精度的要求。该算法避免了矩阵求逆运算,且无需先验地选取惩罚因子。仿真实验验证了算法的有效性和快速性。     

Subspace decomposition-based correlation matrix multiplication

The correlation matrix, which is widely used in eigenvalue decomposition （EVD） or singular value decomposition （SVD）, usually can be denoted by R = E[yiy＇i]. A novel method for constructing the correlation matrix R is proposed. The proposed algorithm can improve the resolving power of the signal eigenvalues and overcomes the shortcomings of the traditional subspace methods, which cannot be applied to low SNR. Then the proposed method is applied to the direct sequence spread spectrum （DSSS） signal＇s signature sequence estimation. The performance of the proposed algorithm is analyzed, and some illustrative simulation results are presented.