基于递推总体最小二乘的机载单站无源定位算法

对于机载单站无源定位中观测向量和系数矩阵均存在噪声的情况,采用经典的最小二乘(LS)算法会导致估计结果有偏,而一般的批处理算法运算量大,不满足定位的实时性要求.为此提出一种递推总体最小二乘定位(RTLS)算法.在建立机载无源测向定位模型的基础上,引入由系数矩阵和观测向量构成的增广矩阵,利用矩阵分解的性质建立了增广自相关逆矩阵和最右奇异向量的递推方程,从而推导出RTLS定位算法.仿真结果表明,RTLS算法的收敛速度和定位精度优于RLS算法和TWDRLS算法,并且实现了TLS算法对目标位置的实时估计,能够定位需求.     

区间数判断矩阵满意一致性递推排序方法研究

研究了区间数判断矩阵的一致性和递推排序方法. 根据区间数判断矩阵的概念给出了区间数判断矩阵的完全一致性定义, 通过对完全一致性性质的讨论演绎出区间数判断矩阵的一致性和满意一致性定义及其判别方法，并且研究了一致性和满意一致性定义的合理性, 提出了求解区间数判断矩阵排序向量的递推排序方法, 最后用算例验证了方法的有效性.     

关于ARMAV（n,m）模型的建模

在一维长自回归模型比较参数法建模的基础上,根据相同观测数据所对应的适用ARV(p)模型与ARMAV(n,m)模型两者传递函数相等的原理,给出了ARMAV(n,m)模型的建模方法。     

利用时序分析方法识别模态参数的研究

本文对时间序列分析方法识别模态参数进行了研究。重点介绍了ARMA和ARMAV模型识别模态参数的原理,并用大量模拟实验检验了两种模型在分离模态、不同信噪比、大阻尼、密集模态等复杂情况下识别模态参数的能力,从结果可以看出ARMAV模型是一种有效的识别方法。     

弹道滤波引论

本文提出了弹道滤波的基本概念;用向量矩阵法描述了加权最小二乘滤波公式及其递推公式,以及加权残差平方和的数学期望公式;结合参数微分法的运用,使弹道测试数据处理构成了一个通用的理论体系。     

求解线性递推关系方法综述

介绍求解线性递推关系常用的迭代法、归纳法、特征根法、矩阵特征向量法、母函数法和向量空间法等多种方法,并结合实例对各种方法的适用性予以辨析.     

强一致性区间数判断矩阵性质和排序

 研究了区间数判断矩阵的性质及排序问题。介绍了强一致性区间数判断矩阵、标准化区间数向量等概念;提出求解强一致性区间数判断矩阵排序向量的线性规划模型,并证明了所求排序向量是标准化区间数排序向量。在此基础上给出强一致性区间数判断矩阵的等价条件,进一步提出基于非线性规划模型的强一致性区间数判断矩阵的排序方法,最后通过实例验证了所提出的方法也适用于一致性区间数判断矩阵及满意一致性区间数判断矩阵。     

一种互反判断矩阵残缺值和排序的推断方法及应用

针对多维决策中判断矩阵信息不完整的情况,提出了一种加权最小二乘法拟合残缺值和排序向量的算法.首先,定义了一种残缺矩阵的伴随矩阵表达方式,通过残缺矩阵和其伴随矩阵建立一个非线性最小二乘模型,拟合得到残缺互反判断矩阵的排序向量;然后通过偏差最小化公式解出残缺元素,得到完整的专家判断矩阵,用特征值法求出排序向量;最后,将拟合得到的排序向量和补充完整的判断矩阵排序向量通过几何平均得到最终排序向量.用算例说明了方法的可行性及有效性.     

高频数据下基于LSTM的协方差矩阵预测模型

协方差矩阵的建模与预测,对于金融风险管理、投资组合管理等至关重要。 针对时间序列模型 对高维变量预测精度较低的问题,利用长短记忆神经网络模型(LSTM),提出了基于深度学习的高频数据已 实现协方差矩阵预测模型。 利用金融高频数据得到已实现协方差矩阵,对其进行 DRD 分解,针对相关系数 矩阵 R 进行向量化处理,利用向量异质自回归模型(HAR)预测已实现相关系数矩阵 R;针对已实现波动率 矩阵 D,利用半协方差(semi covariance)思想,结合 LSTM 模型,得到已实现波动率矩阵 D 的深度学习预测模 型,构建了 LSTM-SDRD-HAR 已实现协方差矩阵动态预测模型。 LSTM 模型和 HAR 模型能捕捉实际数据 的长期记忆性,半协方差有利于捕捉金融数据的杠杆性。 实证分析表明:相较于传统向量 HAR 已实现协方 差矩阵预测模型,LSTM-SDRD-HAR 预测已实现协方差矩阵更为准确,基于 LSTM-SDRD-HAR 预测已实现 协方差矩阵构造的有效前沿组合投资效果更佳。     

时间序列分析在流行病疫情研究中的应用

利用时序分析方法研究了从2003年4月27日开始卫生部办公厅发布的传染性非典型肺炎疫情报告,建立了非典型肺炎疫情ARMAV预报模型,并用所建模型对未来疫情进行外延预测,得到较为理想的预测结果。     

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.     

一般相关量测噪声线性系统的递推状态估计

为了得到具有一般相关量测噪声线性系统的递推滤波算法,将该问题转化为具有相关量测单值随机向量的滤波问题,根据单值随机向量的线性无偏最小方差估计算法,导出了量测噪声为一般相关鞅差序列的线性系统的最优递推状态估计滤波算法,通过数值仿真,将该算法与假定量测噪声不相关时的Ｋａｌｍａｎ滤波算法进行了比较,证明了该算法的有效性。     

基于自回归时序盲辩识的机械故障诊断

提出了一种自回归(AR)模型的盲辨识的算法，该算法与传统AR模型的辨识算法的区别在于它可同时确定AR模型的阶次和参数，而不需事先确定AR模型的阶次或假定AR模型的阶次已知，其特点是计算量小，具有很好的收敛性，并在此基础上将AR模型的盲辨识方法应用到机械故障诊断中．     

结构参数识别中的数字滤波

时间序列分析法已成功地用于结构的参数识别。本文所应用的数字滤波技术可使响应采样序列中高阶的信息消除，以便降低ＡＲＭＡＶ模型的阶数而克服拟合其参数时出现的困难。 文中指出了如何选择合适的滤波器，由模拟的向离散的滤波器的转换方法，以及消除其相位失真的逆置方法． 最后给出了应用滤波技术的时间序列法参数识别的仿真实例和实验实例。     

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。     

SISO线性模型的阶次辨识和参数估算

对于ＳＩＳＯ线性差分方程模型,利用ＵＤ分解技术和数据向量的“移位性质”,可实现信息压缩阵的递推分解,从而在每步递推中能同时获得从１到ｎ（ｎ为实际系统的最大可能阶次）各阶的模型多数估值和损失函数值。利用所得的各阶损失函数值,可方便地确定系统的阶次、当系统噪声为有色噪声时,本方法党政军可同时确定噪声模型的阶次。本算法可显著减少辨识过程的计算量,具有良好的数值计算品质,提高了辨识精度。     

数据结构中递归转非递归算法分析及模型设计研究

为构建数据结构中递归算法的统一知识体系,分析了常见数据结构的递归本质及递归算法的组成要素,提出了递归算法转非递归算法的一般原则,根据递归算法的分类设计转换模型,通过实例分析其可行性.     

慢时变线性模型参数辨识递推算法及收敛性分析

针对慢时变线性模型,给出辨识的递推算法,并证明该算法能够保证参数收敛在一个有界空间区域,该区域包含参数真值集合;若工作点不发生变化,合理的收敛因子保证参数收敛到对应真值.在实际应用中,工业对象可以利用慢时变线性模型表示,因此该递推算法能够确保工业对象模型实时更新以跟踪工况的变化.通过实例仿真可以看出,该递推算法能够保证慢时变线性模型参数有效更新,并较为准确估计输出变量.     

改进的递推增广最小二乘参数估计方法

基于用递推最小二乘(RLS)法拟合高阶自回归(AR)模型得到的白噪声估值,提出了自回归滑动平均(ARMA)模型参数估计的一种改进的递推增广最小二乘法。它由两段RLS算法组成,可在线实现,具有快的收敛速度。一个仿真例子说明了其有效性。