线性预测类算法解相干性能分析

针对经典的线性预测类算法进行了深入系统的研究,给出了各类线性预测算法间的相互关系。在此基础上分析了单向多阶性预测和双向线性预测算法能够解相干的本质,并进一步给出了线性预测算法与空间平滑算法的内在联系。最后通过计算机仿真验证了单向多阶线性预测和双向线性预测算法的解相干性能。     

基于混合算法的电力系统负荷预测

电力系统负荷预测是电力系统中的一个重要的研究课题。对神经网络算法和时间序列预测算法进行加权融合,提出一种混合算法对EUNITE竞赛数据进行了短期电力负荷预测。实验结果表明负荷预测精度得到了很大的提升。     

基于结构平衡理论与地位理论的符号预测算法

针对符号预测算法在预测准确率和算法复杂度方面难以均衡的问题,有效地融合社会学发展规律与网络局部特征,提出一种基于结构平衡理论与地位理论计算节点相似度的符号预测算法。为更好的结合上述两种理论对两节点相似度得分的贡献,引用调节因子,将基于两种理论的相似度得分按照调节因子的权重求和,相似度的得分的正负即为边符号预测的结果。最后将算法在多个不同数据集进行实验,与经典的CN算法和PSNBS算法在预测准确率与算法复杂度两个方面进行对比分析。结果显示该算法在预测准确率方面与经典算法非常接近,但在时间复杂度方面本文比经典算法低一个数量级,明显优于经典算法。     

空时二维线性预测谱估计算法

线性预测是时间序列分析中常用方法,针对传统一维线性预测谱估计算法只能估计信号源角度或信号频率问题,提出空时二维线性预测算法。采取对空时二维阵列接收到的数据进行数据抽取和排列,和对数据协方差矩阵进行重新构造的方法,求取空时二维线性预测权值并进行谱峰搜索。重点分析了空时二维的前向预测、后向预测和双向预测算法的原理,着重研究了构造的空时二维线性预测协方差矩阵的数据结构,讨论了前向、后向和双向预测的相互关系以及二维与一维的关系,并与空时二维最小方差算法、空时二维多重信号分类(multiple signal classification, MUSIC)算法进行了对比与分析。理论分析与仿真表明,一维空域、一维时域算法的前向、后向和双向预测为空时二维预测算法的特例,同时空时二维预测算法不仅克服了空时二维最小方差算法、空时二维MUSIC算法不能解相干信号源的缺点,还具有很好的测向测频能力。     

基于关联向量机回归的故障预测算法

针对一类故障预测问题提出了一种基于关联向量机(relevance vector machine, RVM)回归的故障预测算法。算法首先采用关联向量机模型对对象历史数据中隐含的故障演化信息进行学习,然后将所获取的关联向量机模型用于对象故障未来变化趋势的预测。预测过程采用多步时间序列预测中的递推计算的思想,并且将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分的考虑。迭代过程中的一些关键量的获取采用了蒙特卡罗采样计算的思想,避免了对关联向量机核函数选取的限制。算法预测输出采用对象系统剩余寿命的随机分布形式,相对于传统预测算法的确定值形式的输出更加符合实际。将所提算法与传统算法进行比较,仿真实验结果证明所提算法要优于传统故障预测算法。     

SC-FDE系统中用于快时变信道的改进的RLS信道预测

针对现有的时变信道递归最小二乘(RLS)预测算法收敛慢的问题提出了一种单载波频域均衡(singlecarrier–frequency domain equalization,SC-FDE)系统中改进的自适应RLS预测算法。这种预测算法依靠置零小能量路径使预测器在高输入信噪比下工作,和现有的RLS预测算法相比可以显著加快收敛速度,提高预测精度,并且比现有的RLS算法有更低的复杂度。     

复杂网络中链路的可预测性

为从理论上比较各种预测方法的优劣,分析多个网络演化过程中形成链接的两个节点之间的拓扑距离分布,阐明了传统基于共同邻居相似性指标可有效进行链路预测的机理,从理论上分析了9种基于共同邻居相似性算法的预测上限(可预测性)。通过分析一阶邻居预测算法的局限性和影响链路可预测性的因素,提出了两种基于高阶路径信息的链路预测算法并计算了他们的可预测性指标。从理论上提出了链路的可预测性指标,也通过对实际网络的预测证明了所提链路预测算法的有效性。     

DSSS系统中基于线性平滑预测的单音干扰抑制

通过把线性预测算法与平滑滤波算法相融合,提出了一种线性平滑预测算法.该算法在抑制单音干扰的同时降低了噪声对系统性能的影响,因此与线性预测算法相比这一算法为DSSS系统提供了更高的性能增益.仿真结果进一步证实了该结论.     

基于权值选优粒子滤波器的故障预测算法

样本贫化现象会严重影响再采样粒子滤波故障预测算法对故障的预测能力,是粒子滤波算法在故障预测应用中的一个主要障碍。针对上述问题,提出了一种基于权值选优粒子滤波器的故障预测算法。按照粒子权值的大小,从大量的粒子中选择出比较好的粒子用于滤波,以增加样本的多样性,从而缓解样本贫化问题,提高再采样粒子滤波故障预测算法的跟踪能力。仿真结果显示所提出的算法是可行的。     

计算机控制系统信号重构容错算法研究

信号重构是计算机系统与被控对象进行信息通信的重要环节,在简要分析Shannon重构、ZOH重构和一阶重构等信号重构方法局限性的基础上,提出了一组基于三点插值的重构算法和被控过程采样数据的一步容错预测算法,并将一步容错预测与三点插值算法相结合,建立了对于被控过程信号异常情况有良好容错能力的一步容错预测二阶重构算法。上述的一步容错预测二阶重构算法不仅结构简单、可用于在线控制,而且算法精度和可靠性明显高于普通的ZOH重构和一阶重构算法。     

基于改进反向传播算法的跨音速攻角补偿修正研究

跨音速飞行时攻角传感器误差显著增大,严重影响飞机的正常飞行。针对飞机试飞与正式装备时攻角传感器采取不同配置的特点,以及传统反向传播(back-propagation, BP)算法的不足,基于改进BP算法中Levenberg Marquardt (LM)算法,设计了一种跨音速攻角补偿修正算法。利用某型飞机的实际试飞数据对基于LM算法的BP神经网络进行了训练与测试,结果表明,经BP神经网络补偿修正后的攻角能够基本消除跨音速段原始测量攻角的剧烈波动,并与真实攻角吻合效果好。     

蚁群算法在盲均衡问题中的应用研究

蚁群算法是一种生物仿生算法,该算法具有正向反馈、并行计算等特点,可以有效地避免算法收敛到局部最优解。将蚁群算法用于求解盲均衡问题的恒模代价函数,提出一种基于蚁群算法的盲均衡算法,新算法加快了收敛速度,减少了码间干扰的影响,降低了误码率。计算机仿真验证了新算法的有效性。     

测时差被动定位算法的研究

针对测时差非线性定位算法定位模糊、计算量大等问题,提出了一种线性测时差的求解算法.其实质是把非线性定位算法中的非线性项看作一个未知变量,通过增加一个时间差测量值,把实位的非线性方程变为线性方程求解.并具体就基本的测时差定位法和具有冗余数据的测时差定位法两种情况,给出线性测时差定位公式,并进行了精度分析.     

运输问题新解法的探讨

在求解运输问题中，传统的解法比较繁琐，为了克服这一缺陷，提出了快捷新解法，快捷法求解运输问题不仅比表上作业法计算步骤少、简单，而且比广义匈牙利法(常规法)的计算步骤还少、还简单、快捷法是根据约束条件的要求，基本上是一步到位造出每行及每列所需要的零元素，然后检验是否满足约束条件，满足可得最优解，否则需进一步造零，快捷法总是比表上作业法计算步骤少、简单且便于掌握。     

基于蚁群-遗传混合算法的设备布局优化方法

以生产车间设备布局优化的最小物流费用为目标,建立了车间设备布局优化问题的二次分配模型,并采用蚁群-遗传混合算法来对这一模型进行求解.该混合算法将蚁群算法和遗传算法的优点相融合,以蚁群系统的解作为遗传算法的初始种群,克服了蚁群算法的收敛速度慢,容易陷入局部最优以及遗传算法的容易早熟收敛等缺陷,来实现模型的全局最优.本文以某机械厂制造车间为例,运用MATLAB编程实现算法求解,结果显示:应用蚁群-遗传混合算法设计出来的设备布局新方案比原始方案总物流费用节约了10.6%,同时,混合算法在求解车间设备布局优化问题时比蚁群算法或者遗传算法速度更快,效果更好.     

基于轮廓的表面深度填充算法

从有关人的视觉心理的研究成果出发，将深度知觉与表面完全化两者之间的关系归结为一系列规则，并根据这些规则提出了基于轮廓的表面深度填充算法。该算法由启发式封闭轮廓搜索算法和基于规则的深度填充算法两部分组成。仿真实验的结果表明，本文所提出的这种算法是一种行之有效的算法。它能够较好地解决图像中轮廓短片的连结问题，并给出合乎客观实际的深度填充结果。     

基于贝叶斯网络的威胁等级评估算法研究

阐述了基于贝叶斯网络专家系统的特点。研究了基于贝叶斯网络的推理模型以及基于此模型的推理算法。利用该算法构建了威胁等级评估模型，并进行了实例计算。研究结果表明，基于贝叶斯网络的威胁等级评估算法是一种有效的评估算法，其结果能够比较准确的反映威胁源的真实威胁程度。     

基于POMDP模型的机器人行动的仿真优化

策略梯度优化算法是一种很重要的强化学习算法,对实现机器人的自主导航有着重要的应用价值.在部分可观Markov决策过程(POMDP)的基础上,实现了两个有限记忆的策略梯度优化算法:基于模型的GAMP算法和无模型的IState-GPOMDP算法,并利用该算法对机器人走迷宫的问题进行了仿真.通过分析仿真结果,对这两种算法引入了基于观测的优化;并发现在所给报酬函数下,策略梯度算法中的步长参数也在一定程度上影响着优化策略的效率.     

DR算法的更新时间间隔研究

ＤＲ算法是分布交互仿真中的一种被普遍采用的重要技术。本文首先分析了ＤＲ算法的基本思想，然后建立了一个ＤＲ算法的解析分析模型。在此基础上，对ＤＲ算法的重要指标－更新时间间隔进行了分析，并分析了对象的不同机动运动水平以及ＤＲ算法中的运动变量的阈值等对更新时间间隔的影响。最后，针对一阶和二阶ＤＲ算法进行了比较研究。     

基于快速牛顿法的自正交变换域(N-SO-TRLMS)算法研究

提出一种能够较好改善剩余误差性能的低复杂度自正交变换域(N-SO-TRLMS)改进算法,该算法基于快速牛顿算法的思想,降低了SO-TRLMS算法中近似变换对输入逆矩阵的估计误差;理论推导了改进算法的误码率解析表达式,分析了剩余误差和运算复杂度;静态和动态干扰环境下的仿真结果表明:改进算法在保持快速收敛特征的前提下,表现出较小的剩余误差和较强的鲁棒性。