色噪声背景下基于特征空间的信源估计新方法

准确估计信源数目是很多高分辨算法得以实现的前提条件。传统的信源估计方法大多是在白噪声背景下,以数据协方差矩阵的特征值序列作为研究对象,按照某种标准设定门限来进行判决估计信源数目。而在实际情况中白噪声很难满足,从降一维特征空间的投影矩阵角度出发,获得数据协方差矩阵的局部数据的投影差值序列,从而有效避开了噪声主要能量的影响,对空间色噪声也有一定的抑制效果。仿真结果表明在色噪声背景下,利用该方法可以在多信源情况下准确估计信源数目。     

特征空间的扰动

使用矩阵等式等价变换的方法,~结合~$2$-范数和~$F$-范数的性质及它们与特征值的关系,~研究了可对角化非奇异矩阵特征空间的扰动上界.~得到了在~$\eta_{2}=\|{\bm A}^{-\frac{1}{2}}{\bm E}{\bmA}^{-\frac{1}{2}}\|_{2}<1$~的条件下,~这类矩阵特征 空间~$\|{\rmsin}\Theta\|_{F}$~的上界表达式.~对比发现,~所得到的结果是文献[2]定理~$4.1$~的推广.     

三阶非线性电容电路中的同宿轨道计算及混沌

选取一个含非线性负电容的三阶自治电路,对其状态方程所描述的向量场的特征空间几何结构进行分析与计算,利用在平衡点的实特征值和电路参数推导出电路状态空间的解析表达式及其有关的重要量,求出电路中存在的同宿轨道及同宿分岔产生的混沌,并给出模拟结果.     

矩阵的联合特征空间及其应用

在矩阵理论中，线性空间N（A）和R（A）是由矩阵A确定的两个重要的特征空间．将齐次线性方程组的解空间以及矩阵的列空间等概念进行整合，给出了矩阵的联合特征空间概念，讨论了其性质和结构等问题，以及在矩阵秩等式、Fn关于N（A）和R（A）直和分解判定问题中的应用．     

基于mean-shift聚类过程的遥感影像自动分类方法

提出了一种稳健的自动分类方法——自适应mean-shift(AMS)算法.该方法基于mean-shift聚类过程,不需要假定数据分布类型,也不需要指定类别的数目,自动化程度较高.自适应mean-shift算法根据数据分布特点自适应地确定带宽的大小,利用采样点估计模式来设计自适应估计器,自适应估计器将每个数据点与不同尺度的核函数联系起来,当核函数满足一定的条件时,AMS迭代过程收敛于极值点(mode),自适应AMS算法是一种归一化的密度梯度估计算法.采用TM影像进行分类试验,试验结果表明:该算法自适应程度高,精度也能满足要求,是一种稳健的自动分类方法.     

高超声速制导炮弹终端滑模控制

针对高超声速制导炮弹的动力学耦合与非线性控制问题,设计一种基于反馈线性化的终端滑模控制器。首先,兼顾控制系统设计的简便性要求与高超声速制导炮弹的强非线性特点,建立非线性控制模型。然后,对模型中动力学耦合问题,根据微分几何理论对其进行反馈线性化,实现俯仰通道与偏航通道的解耦。最后,对两通道分别设计终端滑模控制器,且控制器有限时间收敛。仿真结果表明,所设计的控制器能够快速稳定的追踪指令信号,且在外界干扰与参数摄动的情况下依然具有良好的鲁棒性。     

Ur,s（sl2）关于主不可分解模的直和分解

描述了限制型双参数量子群(-U)r,s(sl2)的一类不可约模,构造出(-U)r,s(sl2)所有的主不可分解模.把Casimir元素的左乘作用看作(-U)r,s(sl2)到自身的线性变换,得到了Casmir元素作用在(-U)r,s(sl2)上的极小多项式和(-U)r,s(sl2)本原幂等元的全部共轭类.     

稳健的主模式抑制自适应波束形成算法

为了提高算法在各种信号环境下的鲁棒性,该文对主模式抑制算法的权值计算结构进行了详细分析,指出抑制系数对信号能量的保留作用有重要的影响。提出了一种对抑制系数的改进机制,利用改进后的算法计算的权值对信号能量的保留作用增强,提高了算法在高信噪比情况下的增益。实验结果表明:与传统算法相比,改进后的算法在保持了低信噪比稳健性的同时,其在强信号环境下的算法增益提高了若干dB,并且该算法在不同信号环境中,提高了信号失配的鲁棒性。     

Bergman空间上的加权复合算子

文章首先给出了Bergman空间L2a上加权复合算子,通过研究该空间上酉加权复合算子和紧自伴加权复合算子的谱、特征向量以及特征子空间,进一步完善了Bergman空间L2a上加权复合算子的理论。     

基于特征子空间与流形正则化的高效增量半监督特征选择方法

基于Fisher Score的前向序列选择法是目前性能良好并广泛使用的一种有监督特征选择方法.然而，该方法只能对有标签样本进行分析，无法利用大量"廉价"的无标签样本信息；并且随着已选特征的个数的增加，对候选特征进行评分的计算复杂度呈三次方形式增加.针对这两个问题，提出基于特征子空间与流形正则化的高效增量半监督特征选择方法.一方面，该方法通过提取有标签与无标签数据的局部线性表示来进行半监督特征选择，使得所选特征能够保持数据的局部流形结构信息；另一方面，该方法基于特征子空间理论进行特征评分，时间复杂度取决于特征空间的维数而非已选特征的个数，如果特征空间的维数是固定的，该方法将花费几乎恒定的时间来评价每一个候选特征.相比于基于Fisher Score的前向序列选择法选择特征的三次方复杂度，所提方法在时间效率方面得到很大提升.在五个标准数据集上进行了实验，所得结果验证了该方法的有效性.