一类全局收敛的多变量自校正控制器*

本文将文[1]提出的多变量自校正控制算法推广到具有一般传输延时的多变量系统并进行了稳定性和收敛性分析。首先表明:即使对于具有任意传输延时的多变量系统,该自校正控制器仍具有全局收敛特性:以概率1输入输出向量采样均方有界,条件均方输出跟踪误差向量范数取得最小值。     

基于压缩感知理论的超宽带信道估计

针对超宽带通信系统的信道估计中需要对极窄脉冲采样,要求模数转换器的采样速率极高,但目前的硬件制作水平达到采样速率要求较为困难.为降低超宽带信道估计对采样速率的要求,提出一种基于压缩感知理论的信道估计新方法.利用超宽带信道在时域上的稀疏性,通过准Toeplitz测量矩阵将信道估计模型转化为压缩感知理论中的稀疏向量重构模型,在接受端只需对输出样值进行较低速率的采样,即可准确重构信道抽头系数并进行仿真.仿真结果表明,方法仅需1/5-1/10奈奎斯特采样速率即可准确估计信道,且同等信噪比条件下估计的均方误差较传统信道估计算法下降约6-8dB,可以为设计提供可靠的依据.     

零件点云法向量估计的多尺度特征融合网络

为了解决机械零配件点云处理中非均匀采样干扰、尖锐特征损失等难点,提出一种基于深度神经网络多尺度融合的点云法向量估计方法.该网络在不同邻域尺度下集成了采样点细节与点云块整体两种特征.为了使该多维回归输出网络的训练更稳定且能缓解梯度爆炸问题,重新设计了一个光滑的损失函数.实验结果表明,该方法性能优于传统的方法以及HoughCNN、PCPNet等方法,能够更准确地估计尖锐边缘的法向量,对点云各种噪声和采样方法鲁棒性都更强.     

双率采样系统的基于观测器的网络化H∞控制

研究一类带有网络传输时滞和丢包的双率采样系统的网络化H∞控制问题. 假设对象状态变量被分成两个分向量, 同一分向量的状态变量由同一类传感器以相同周期采样, 且两类传感器的采样频率不同. 采样后的分向量分别通过非理想网络传输到控制器端. 考虑到双率采样、网络传输时滞和丢包现象, 引入同步观测器来估计对象状态并设计基于估计状态的控制器来镇定双率采样系统. 基于这个思路, 将双率采样的网络化控制系统建模为带有两个时变时滞的连续系统. 利用Lyapunov-Krasovskii泛函方法, 以矩阵不等式形式给出该系统的稳定性判据和控制器设计方法. 最后, 通过数值例子验证所提方法的有效性.     

基于辅助变量的压缩采样匹配追踪闭环系统辨识方法

针对被控对象和反馈通道均具有未知时滞的闭环系统,提出一种基于辅助变量的压缩采样匹配追踪辨识方法.该方法利用辅助变量方法对压缩采样匹配追踪算法进行改进,获得过参数化辨识模型稀疏参数向量的估计,根据稀疏向量的结构得到前向通道的参数估计和时滞估计,进而根据模型等价原理获得反馈通道的参数估计.仿真结果表明,所提出方法仅需少量的迭代即可获得这类闭环系统参数与时滞的有效估计.     

基于特征检测的曲面分片构造方法

目前主流曲面分片构造法大多无法直接应用于具有尖锐特征的目标表面重建。针对该问题,提出一种新的曲面分片构造方法。通过建立目标表面采样点的空间三角网格模型,对网格模型进行特征检测,根据特征检测结果计算网格顶点法向量集,并基于顶点空间坐标和法向量集进行分片二次曲面插值,实现目标表面三维重建。实验结果表明,该方法重建表面达到C~0连续,满足可视化等应用要求,相对主流算法,信噪比提高2倍以上,均方误差至少降低1个数量级。     

基于法向量距离的路面坑槽提取方法

以路面高程激光点云为研究对象,提出一种基于法向量距离的路面坑槽提取方法.首先对路面高程点云数据进行数据清洗;其次采用自适应最优邻域的PCA方法估算路面点云数据的法向量,通过计算路面点云中采样点到其局部二次曲面的切平面的法向距离作为法向量距离;以法向量距离描述采样点的三维空间特征,并通过阈值分割自动提取路面坑槽点云集合,...     

蛋白质原子运动轨迹生成改进算法

传统实现蛋白质分子动态模拟均采用采样方式生成原子运动轨迹.较大的采样间距使原本光滑的轨迹由于时域影响变得凹凸,而小的采样间距使运动缓慢且难以辨别.为解决上述问题,提出一种基于主元分析的运动轨迹生成算法.在参考坐标系内采集所有原子位置数据,计算并构造位置差的协方差矩阵,选择主元构成新基作为投影向量,确定兴趣运动点.以PYP为例,实验验证,通过提出的算法仿真PYP运动平滑而又凸显重点.     

非均匀采样曲线的支持向量机重建

简要介绍了回归支持向量机的理论,根据框架理论导出了非均匀采样曲线能够完全重建的条件,在此基础上分别利用框架迭代算法和回归支持向量机对平移不变空间中的同一非均匀采样曲线进行重建,重建结果表明若用回归支持向量机方法对平移不变空间中的非均匀采样曲线进行稳定重建则采样集须满足由框架理论导出的完全重建条件。     

用SURE引导自适应采样与采样颜色直方图重构

针对现有采样颜色直方图重构缺少自适应采样方法的问题,提出一种基于Stein’s unbiased risk estimator(SURE)的像素均方误差计算方法.首先对图像空间粗采样;然后在GPU上分块计算SURE来评估图像每个像素的误差度量值,并用该值引导非均匀自适应采样;最后使用非局部多尺度滤波方法重构图像.实验结果表明,不论从图像噪声定量化指标还是视觉效果来看,该方法都极大地改进了图像绘制质量.     

基于人工免疫网络的正交小波盲均衡算法

传统的常数模盲均衡算法存在收敛速度慢、均方误差大、易陷入局部极小值点等缺点。为此,提出一种基于人工免疫系统的正交小波盲均衡算法。该算法将均衡器系数向量作为抗体,经过抗体克隆、变异和抑制等操作,搜索到适应度值最高的抗体,即均衡器的最优系数,使权向量跳出局部最优点,接近全局最优点,并利用正交小波变换改善常数模盲均衡算法的收敛性,降低均方误差。仿真实验结果表明,该算法收敛速度快、均方误差小,能得到全局最优解。     

双蝙蝠群智能优化的多模盲均衡算法

针对常模盲均衡算法(CMA)均衡多模QAM信号收敛速度慢、剩余均方误差大的缺陷,提出了一种基于双蝙蝠群智能优化的多模盲均衡算法(DBSIO-MMA)。该算法将2个蝙蝠群独立全局寻优得到的一组最优位置向量分别作为多模盲均衡算法(MMA)初始化最优权向量的实部与虚部,以此提高收敛速度并减小剩余均方误差。仿真结果表明,蝙蝠算法(BA)全局搜索成功率高、收敛速度快的特点在DBSIO-MMA中得到很好地体现。与CMA、MMA、粒子群多模盲均衡算法(PSO-MMA)、单蝙蝠群多模盲均衡算法(BA-MMA)相比,DBSIO-MMA具有更快的收敛速度和更小的均方误差。     

Stochastic adaptive control using a modified least squares algorithm

Recent papers on stochastic adaptive control have established global convergence for algorithms using a stochastic approximation iteration. However, to date, global convergence has not been established for algorithms incorporating a least squares iteration. This paper establishes global convergence for a slightly modified least squares stochastic adaptive control algorithm. It is shown that, with probability one, the algorithm will ensure that the system inputs and outputs are sample mean square bounded and the mean square output tracking error achieves its global minimum possible value for linear feedback control.     

基于混沌萤火虫优化的小波多模盲均衡算法

采用多模盲均衡算法(MMA)处理高阶正交振幅调制QAM信号时,存在收敛速度慢、稳态误差大、容易陷入局部最优等问题。为此,提出一种基于混沌萤火虫优化的正交小波多模盲均衡算法(CGSO-WT-MMA)。该算法将具有良好全局搜索能力的萤火虫算法和具有较强局部搜索能力的混沌算法相结合,用以优化均衡器权向量,并引入正交小波变换降低信号自相关性,以改善收敛性能。仿真实验结果表明,与MMA算法相比,该算法均方误差降低近4 dB,收敛速度加快近5 000步,稳态性能明显提高。     

基于模因算法的多模盲均衡算法

由于常模盲均衡算法(Constant modulus blind equalization,CMA)收敛速度和均方误差都不甚理想,且对多模信号均衡时会发生相位旋转,本文提出了基于模因算法的多模盲均衡算法(Multi-modulus blind equalization algorithm based on memetic algorithm,MA-MMA)。该算法将多模盲均衡算法(Multi-modulus blind equalization algorithm,MMA)代价函数的倒数作为模因算法(Memetic algorithm,MA)的适应度函数,利用MA全局优化机制和局部深度搜索能力,在每次全局搜索后对全部新产生的个体进行局部深度搜索,将全局和局部搜索得到的最优个体解向量作为MMA的初始最优权向量。仿真结果表明,与传统的CMA,MMA以及基于遗传算法的多模盲均衡算法相比,MA-MMA 的收敛速度最快,稳态误差最小,输出信号星座图最清晰。     

反向传播神经网络收敛性的探讨

标准BP算法采用的最陡梯度下降法使得均方误差达到最小的策略可能存在两大问题：①陷入局部最小而没有收敛到全局最小,即不收敛;②收敛速率慢。本文从训练算法角度方面,比较了标准BP算法、动量算法、可变学习速率算法和Levenberg-Marquardt算法这几种方法的收敛性以及收敛速率,并通过Matlab仿真进行了验证。     

水声信道盲均衡的最小平方峭度恒模算法

用误差信号峭度定义了平方峭度代价函数，提出了盲均衡器权系数更新的最小平方峭度恒模算法，该算法更新方程中含有的误差信号峰度因子有效地消除了高斯性误差信号的影响，加快了收敛，减小了收敛后的均方误差和码间干扰。用负声速梯度水声信道，对算法的性能进行了仿真研究。结果表明：该算法在收敛速度，收敛后的均方误差及码间干扰等方面的性能优于常数模算法与最小平均峭度恒模算法。     

一种鲁棒的总体最小二乘自适应辨识算法

针对输入输出观测数据均含有噪声的系统辨识问题，提出了一种鲁棒的总体最小二乘自适应辨识算法．该算法在对总体最小二乘问题与向量的瑞利商及其性质研究的基础上，以被辨识系统的增广权向量的瑞利商(RQ)作为损失函数，利用梯度最陡下降原理导出权向量的自适应迭代算法，并利用随机离散学习规律对权向量模的分析修正了算法梯度，提高了算法的噪声鲁棒性，构成了一种噪声鲁棒的总体最小二乘自适应辨识算法．文中研究了该算法的收敛性能．仿真实验结果表明该算法的鲁棒抗噪性能和稳态收敛精度明显高于其它同类方法，而且可使用较大的学习因子，在较高的噪声环境下仍然保持良好的收敛性．     

无偏置支持向量回归优化问题

为了研究偏置对支持向量回归(support vector regression,简称SVR)问题泛化性能的影响,首先提出了无偏置SVR(NBSVR)的优化问题及其对偶问题.推导出了NBSVR优化问题全局最优解的必要条件,然后证明了SVR的对偶问题只能得到NBSVR对偶问题的次优解.同时提出了NBSVR的有效集求解算法,并证明了它是线性收敛的.基于21个标准数据集的实验结果表明,在对偶问题解空间上,有偏置支持向量回归算法只能得到无偏置支持向量回归算法的次优解,NBSVR的均方根误差要低于SVR.NBSVR的训练时间不仅低于SVR,而且对核参数变化不太敏感.