稀疏信息处理中的迭代分式阈值算法

在稀疏信息处理中, l₀范数优化问题通常转化为l₁范数优化问题来求解。 但l₁ 范数优化问题存在一些不足。 为寻找一种更有效的求稀疏解的算法, 首先构造一个新的收缩算子, 其次证明该收缩算子是某非凸函数的邻近算子。 然后用该非凸函数替代l₀-范数, 对新的优化问题用向前-向后分裂方法得到对应的迭代阈值算法-迭代分式阈值算法(IFTA)。 仿真实验表明该算法(IFTA)在稀疏信号重构和高维变量选择中均有良好的表现。     

用有指导的进化模拟退火法解组合优化问题

基于模拟退火和模拟进化思想，提出了一种解决组合优化问题的新方法；有指导的进行模拟退火法。该方法允许问题的多个解同时存在，这些解之间朝霞避部或全部的比较和竞争，然后指导越来越多的搜索进入可行解的范围内，用ＧＥＳＡ方法求解两个典型的组合优化问题；旅地商和作业调度问题。结果表明，此方法优于单纯的模拟退火方法。     

一类反向混合单调算子方程组的迭代求解

在序Banach空间中, 利用锥与半序理论和非对称迭代技巧, 研究一类反向混合单调算子方程组 解的存在与唯一性, 给出了收敛于算子方程组解的逼近迭代序列和误差估计, 进而获得了反向混合单调算子方程 唯一解及其解的逼近迭代序列和误差估计, 并改进和推广了有关文献的相应结果.     

基于EMD和迭代滑动傅立叶的谐波检测法

迭代滑动傅立叶分析法是一种有效的谐波检测法,计算量小,易于实现。然而,对于负载电流基波成分经常突变的对象,迭代滑动傅立叶分析法在每次突变后存在一个工频周期的跟踪过渡过程。针对这一缺点,本文将经验模态分解（Empirical Mode Decomposition,EMD）方法与迭代滑动傅立叶分析方法结合在一起：前者将负载电流分解成一系列固有模态函数（Intrinsic Mode Function,IMF）,然后通过某些IMF进行适当组合,构成带通自适应滤波器,进而获得负载基波电流幅值;后者确定基波的相位。仿真结果表明,该方法能够实时跟踪突变负载电流,不存在过渡过程。     

含间断项的二阶周期边值问题的拟上下解方法

利用拟上下解方法和混合单调迭代法,研究了Banach空间中含间断项的二阶非线性微分方程周期边值问题解的存在唯一性,并给出逼近解迭代序列的误差估计.     

一种多输入多输出雷达相位编码信号的设计方法

针对多输入多输出(MIMO)雷达正交相位编码信号设计中已有方法所得信号集匹配滤波后旁瓣较高的问题,提出一种新的设计方法。首先将基于信号集相关旁瓣总能量的代价函数简化成低次的较容易求解的问题,然后将输入输出算法从一维扩展到多维,并针对极小化问题改进了其物面和频谱面的约束条件,利用改进后的输入输出算法求解该极小化问题,再针对基于信号集相关旁瓣峰值的代价函数,利用迭代码选择算法对第一步所得信号集进一步优化,最后得到相关性能较好的正交信号集。仿真结果表明,相比于模拟退火和序列二次规划等方法,该方法所得信号集的平均非周期自相关峰值旁瓣降低了3~4dB,平均非周期互相关峰值降低了1~2dB。     

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。     

基因块编码的并行遗传算法及其在TSP中的应用

针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象,提出了一种用基因块编码的并行遗传算法(Building-block Coded Parallel GA,BCPGA).该方法以粗粒度并行遗传算法为基本框架,在染色体群体中识别出可能的基因块,然后用基因块作为新的基因单位对染色体重新编码,产生长度较短的染色体,再用重新编码的染色体群体作为下一轮以相同方式演化的初始群体.将BCPGA应用于一个100城市的旅行商问题(TSP)中,结果表明本方法可以提高遗传算法的搜索效率,并且在相同条件下,BCPGA明显优于单纯的粗粒度并行遗传算法.     

变截面微梁的变形分析

考虑静电力边缘效率的影响,导出了静电力微梁的耦合控制方程,并借助打靶法和迭代修正齐次扩容精细积分法提出了一种分析两端固支变截面微梁变形的半解析方法。与文献值的比较表明,本文方法具有较高的精度,并采用该方法分析了边缘效应和截面的几何尺寸对微梁变形的影响。     

一种求复数矩阵逆的迭代方法

将复数矩阵的虚部矩阵应用矩阵的初等变换不改变其秩的理论,分解成两个向量乘积之和分解式.把复数矩阵写成实部矩阵与虚部矩阵分解式之和形式,利用摄动矩阵求逆公式,建立了本文给出的复数矩阵求逆的迭代公式.