ZOIP混合回归模型的参数估计

针对计数数据中0和1偏多且具有"非同质性"的问题,建立了零一膨胀混合回归模型。提出一种新的算法对传统EM算法进行修正,克服了EM算法通常会使估计收敛到局部最优解上的缺陷,估计出模型参数的全局最优解。模拟试验结果说明该算法无论在计算的可行性方面,还是在收敛速度方面都表现良好。     

基于Curvelet稀疏表示的图像盲分离初始化

针对盲分离初始化问题提出一种基于Curvelet稀疏表示的图像盲分离初始化方法. 该方法充分利用信号Curvelet变换的稀疏特性,选取稀疏性最好的高频系数组,采用聚类方法估计聚轴中心,寻求混合矩阵估计值,实现对盲分离学习算法的初始化. 实验结果表明,该初始化方法能避免盲分离算法在收敛时陷入局部最小,加快收敛,并提高分离精度.     

混合指数分布恒加应力下的ＭCEM加速算法

应用Monte Carlo EM(简称MCEM)加速算法改进了混合指数分布在恒加应力水平下的参数估计,并通过模拟试验说明利用Monte Carlo EM加速算法来估计混合指数分布比EM算法更有效,收敛速度更快.     

MIMO-OFDM系统中一种改进的盲信道估计算法

针对MIMO-OFDM系统中线性预编码信道估计算法需要多次计算模糊度矩阵的问题,提出一种改进的盲信道估计算法.该算法首先对各天线上所接收信号的互相关矩阵进行处理,使信道估计矩阵的模糊度矩阵统一,再利用统一的模糊度矩阵通过迭代方法实现系统的信道估计.仿真结果表明,改进算法的估计精度在低信噪比时仅有较小损失,而在高信噪比时与现有的线性预编码算法接近,且具有较好的收敛性.与现有的线性预编码信道估计算法相比,改进算法显著降低了计算复杂度.     

一类奇异摄动对流扩散边值问题的移动网格方法

考虑一类非守恒形式的对流扩散边值问题，为了对其数值求解，采用移动网格方法，使用了两种迎风差分格式（一般迎风格式和中点迎风格式），采用的网格有（N 1）个节点并初始化为均匀网格，其节点采用一种迭代算法来自适应移动，该算法等分布分片线性数值解函数弧长，用数值试验证实了该方法产生的数值解是关于摄动参数ε-阶一致收敛的，从而表明了方法的精确性。     

MIMO MC-CDMA的简化CMOE递归自适应多用户检测

将约束最小输出能量（CMOE）准则应用于空时编码多输入多输出多载波码分多址（STBC MIMO MC—CDMA）系统,提出一种基于简化CMOE的联合信道估计与信号检测的递归自适应算法,解决了可变对角因子的自适应取值问题,所给出的最优步长半盲自适应信道估计可以提高信道估计的准确性和收敛速度．比较了不同环境下信道估计的误差和各种算法的误码率性能．     

RLS自适应滤波的迭代信道估计与符号检测算法

在现有的OFDM系统联合迭代信道估计与符号检测算法的基础上,针对高速移动通信信道,利用RLS自适应滤波器在非平稳环境下有效跟踪输入统计量随时间变化的能力,提出了一类基于对迭代初始值进行RLS自适应预测的迭代信道估计算法.通过对每次迭代的初始值进行递归计算提高其有效性,减少了后继迭代次数,并提高了收敛值的准确性.仿真结果表明:和传统迭代算法相比,该算法加快了迭代收敛速度,提高了估计精度.在复杂度适当增加的前提下,降低了系统误码率,提高了系统性能.     

不完全信道状态信息下的Turbo-BLAST系统及性能

在Turbo-BLAST方案基础上,针对信道估计有误差情况,利用不完全的信道状态信息推导出等效噪声方差,然后提出一种改进的并行干扰抵消迭代检测算法. 该算法对完全信道估计和信道估计有误差情况均有较好的适用性. 实验结果表明,所提算法可以有效改善系统误比特率性能.     

基于股票财务数据的贝叶斯网络的参数学习

研究了基于最大似然估计、贝叶斯估计与EM算法的贝叶斯网的参数学习.选取上市公司的10个股票财务变量构建贝叶斯网络,利用创建好的贝叶斯网络进行统计推断.对比最大似然估计和贝叶斯估计得到的参数值并展示EM算法不同迭代次数时的指数似然值,把EM算法得到的CPT表和最大似然估计的值相比较,对比较得到的结果进行归纳与分析.为基于不同算法的贝叶斯网络的参数学习提供了实证分析.     

具有指数收敛速率的时滞系统采样迭代学习控制

针对具有状态时滞的连续时间系统提出一种采样迭代学习控制算法,可以避免连续系统D型和P型算法的不足.给出并证明了算法指数收敛的充分条件,该条件可保证系统跟踪误差能以指数收敛速率收敛至一个与采样周期相关的误差范围内.