一种充分利用变量结构的解卷积 混合盲源分离新方法

 针对卷积混合盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的联合块内对角化方法.为了求解表征联合块内对角化近似程度的基于最小二乘的三二次代价函数,给出基于梯度下降法的三迭代算法.该算法在充分利用混迭矩阵的块Toeplitz结构和源信号相关矩阵的块内对角化结构的基础上,交替估计代价函数中的三组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现信道的盲均衡和源信号的盲分离.分析了三迭代算法的收敛性能,证明即使存在估计误差时,该算法依然全局渐进收敛.仿真结果表明,与其他经典的两步算法相比,提出的一步算法能够更好地估计混迭矩阵并恢复出源信号,有效地解决了卷积混合盲源分离问题.     

一种快速的解盲源分离新算法

 针对盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的快速联合对角化算法(FJD).采用乘性迭代机制求解表征联合对角化近似程度的F-范数代价函数.对代价函数的合理近似及巧妙求解,是算法快速有效的核心原因.每步迭代得到的严格对角占优更新矩阵,保证联合对角化器严格可逆,防止收敛到平凡解.算法具有不需要预白化操作,不限定待对角化目标矩阵的正定性,并能处理复值数据等诸多优点,具有极广的适用性.详细的计算复杂度分析说明了算法的高效性及易操作性.仿真结果表明,FJD算法收敛速度快,性能良好,能有效地解决盲源分离问题.     

结合P-FFT算法和特征基函数分析大型阵列散射

特征基函数方法利用特征值分解提取目标散射特征,构造基于特征向量的基函数可以高效的缩减矩量法分析所需的未知量数目,有利于分析有限周期阵列电磁散射或辐射问题。然而,对于电大尺寸电磁阵列散射问题,直接求解由特征基函数组成的矩阵方程,仍然面临着计算量较大等问题,难以适用于单机计算。本文结合特征基函数和预修正傅里叶快速算法求解体面结合积分方程,分析了大型金属介质混合有限周期阵列的散射特性,该算法有效减少了计算量和计算时间,并且改善了迭代求解收敛性能。     

利用相位感应测井数据重建电导率和介电常数

基于两个接收线圈获取的总场相位差和幅度比信息,在二维轴对称非均匀介质中同时重建电导率和介电常数分布.利用电场积分方程和变分原理建立反演方程,然后采用共轭梯度(CG)法进行求解,在每次反演迭代过程中,格林函数保持不变.数值计算结果表明,该方法具有收敛速度快的特点.     

用迭代方法和双共轭梯度法重建二维电导率剖面分布

本文着重阐述采用积分方程的迭代方法并结合双共轭梯度（ＢＣＧ）法对低频近声非均匀背景介质中二维轴对称电导率剖面的反演,并仅用ｚ向采集的数据进行目标重建。首先,基于等反演目标区内、外的电场积分方程。建立超反演积分方程,将积分方程离散化为矩阵方程用迭代方法求解目标区电导率分布。在每次迭代过程中,格林函数不断被更新。同时用正则人垭消除解的不适定性。文中利用不完备的测量数据对复杂的电导率同进行了反演。模拟结     

基于遗传算法的超亚高斯混合信号盲分离

针对基于扩展信息最大化算法的盲源分离算法在分离超亚高斯混合信号时依赖于信号的峭度估计且对初始分离矩阵和步长较为敏感的问题,提出了一种基于遗传算法的盲源分离算法。该算法以分离信号之间的互信息作为代价函数,采用非多项式函数的逼近方法解决了互信息求解过程中涉及到的负熵的计算问题,用遗传算法代替梯度寻优算法最小化代价函数。仿真结果表明:在分离超亚高斯混合信号时,该算法计算简单,鲁棒性好,迭代100次时性能指数值达到0.025 5,分离性能优于基于扩展信息最大化算法的盲源分离算法。     

FD-MEI方法和变尺度优化技术应用于二维电磁成像

本文从电磁散射的微分方程出发,利用不变性测试方法（ＭＥＩ方程）与有限差分法求解电磁散射问题,邮等效原理与格林函数的渐近式求得远区散射场,以测量的散射场和计算的散射场偏差的平方为目标函数,通过共轭梯度法与变尺度优化地优化介质参数使目标函数达到最小值来重构散射体,导出了目标函数梯度的精确计算公式,最后给出了基于测量数据的反演结果。     

一种利用结构特点实现复数域联合对角化解盲源分离新算法研究及应用

联合对角化方法是求解盲源分离问题的有力工具.但是现存的联合对角化算法大都只能求解实数域盲源分离问题,且对目标矩阵有诸多限制.为了求解更具一般性的复数域盲源分离问题,提出了一种基于结构特点的联合对角化（Structural Traits Based Joint Diagonalization,STBJD）算法,既取消了预白化操作解除了对目标矩阵的正定性限制,又允许目标矩阵组为复值,具有极广的适用性.首先,引入矩阵变换,将待联合对角化的复数域目标矩阵组转化为新的具有鲜明结构特点的实对称目标矩阵组.随后,构建联合对角化最小二乘代价函数,引入交替最小二乘迭代算法求解代价函数,并在优化过程中充分挖掘所涉参量的结构特点加以利用.最终,求得混迭矩阵的估计并据此恢复源信号.仿真实验证明与现存的有代表性的对目标矩阵无特殊限制的复数域联合对角化算法FAJD算法及CVFFDIAG算法相比,STBJD算法具有更高的收敛精度,能有效地解决盲源分离问题.     

粗糙表面电磁散射研究

研究随机粗糙表面的电磁散射问题.在用数值方法研究粗糙表面电磁散射过程中,经常遇到大型的数值计算问题,为此本文提出一种名为"前后向"(FBMethod)的迭代方法来求解大型矩阵.该种方法的主要思想是将粗糙表面每个离散单元的感应电流分为两个部分:前向贡献和后向贡献,先计算前向贡献,再迭代求解后向贡献,其特点是收敛速度快,迭代次数少.在本文中,用此算法对粗糙表面的散射进行了计算.散射计算结果与用直接反演的计算结果进行了比较,结果表明,两种方法符合很好,证明了本文所提方法的可行性.     

二维有耗介质目标重建的Newton迭代方法

本文给出了一种由已知的散射场数据重建二维非均匀有耗目标的复介电常数的迭代算法。由积分方程出发，利用点匹配技术导出了依赖于未知参数的解析逆散射公式。由此可以以解析的形式计算场量对未知参数的导数（Jacobian和Hessian矩阵）。本文采用Newton优化方法迭代求解逆散射问题，具有二次收敛特性。为了克服逆散射中解的不适定性，连续采用多个方向的TM波照射目标，并采集目标区域外的散射场数据，以及采用共轭梯度法（CGM）求解逆问题，数值结果表明了本文所提方法的可行性和灵活性。     

基于线性抽样方法的定量逆散射成像方法研究

提出了一种基于线性抽样法(Linear Sampling Method ,LSM)结合对比度源法(Contrast Source Inversion,CSI)的高效电磁逆散射成像方法。LSM 方法用于外形成像具有高效性,用于定量成像只能对较低介电常数成像,而CSI 方法对初值选择具有较大的依赖性。因此,采用LSM 的外形成像快速确定目标的大致区域,减小计算空间;然后将LSM 的定量成像作为CSI成像的初值,进行非线性迭代成像,大大提高了成像精度和成像效率。仿真结果验证了算法的有效性和高效性。     

A novel threshold based compressed channel sensing in OFDM system

High speed data transmission for wireless communication in orthogonal frequency division multiplexing (OFDM) system requires effective channel state information (CSI). CSI should be precisely estimated with low consumption of spectral resources and acceptable computational cost. To realize this goal, an effective compressed sensing (CS) based channel estimation scheme is proposed for sparse channels with large delay spreads, without prior knowledge of channel statistics and noise standard deviation. By fully considering the rank of the measurement matrix, a novel algorithm based on orthogonal matching pursuit (OMP) and least squares (LS) methods with a new threshold is proposed for effective channel estimation. Simulation results show that with fewer number of pilots, the proposed method outperforms the compared existing channel estimation methods in a comprehensive way and approaches the optimal channel estimation performance.     

改进的扩展互信息分离算法

扩展互信息分离算法采用单隐层神经网络近似算法代价函数中的非线性函数,可调节的参数有限,需要多次迭代才能收敛,从而导致收敛速度较慢。针对这一问题,采用双隐层神经网络近似非线性函数,以分离结果的互信息最小化作为代价函数,采用梯度下降方法对代价函数进行优化,增加了可调节参数数量。仿真实验结果表明,改进后的算法相对原算法收敛速度更快,误差更小。     

基于几何代数的SVS-NLMS点云配准算法

针对欧氏空间点云配准方法匹配精度低、计算成本大、收敛速度慢等问题,利用几何代数对于高维空间的表达能力,提出一种基于几何代数的点云配准算法。首先,将点云数据转化为几何代数形式,基于几何代数的rotor转子,给出了几何代数空间点云配准的代价函数。其次,结合归一化最小均方算法,将求解rotor转子模拟为信号滤波问题,在几何代数空间基于最速下降法构建rotor转子迭代公式,使每次迭代计算仅使用一对匹配点对而不是全部点对。迭代计算得到的转子可用于任意维度的旋转估计问题,从而将三维点云逐步旋转配准。最后,为进一步解决收敛速度与稳态误差之间的冲突,利用Sigmoid函数给出了一种变步长的rotor转子迭代公式,在加快收敛速度的同时降低稳态误差。采用模型数据集与公共数据集验证所提算法的配准性能,与经典迭代最近点算法相比,模型数据集的配准精度由10?2提升至10?8数量级,公共数据集的配准精度提升35%,所提算法收敛速度更快,配准精度更高,且具有较低的稳态误差。     

Inverse scattering of two-dimensional dielectric objects buried ina lossy earth using the distorted Born iterative method

An efficient inverse-scattering algorithm is developed to reconstruct both the permittivity and conductivity profiles of two-dimensional (2D) dielectric objects buried in a lossy earth using the distorted Born iterative method (DBIM). In this algorithm, the measurement data are collected on (or over) the air-earth interface for multiple transmitter and receiver locations at single frequency. The nonlinearity due to the multiple scattering of pixels to pixels, and pixels to the air-earth interface has been taken into account in the iterative minimization scheme. At each iteration, a conjugate gradient (CG) method is chosen to solve the linearized problem, which takes the calling number of the forward solver to a minimum. To reduce the CPU time, the forward solver for buried dielectric objects is implemented by the CG method and fast Fourier transform (FFT). Numerous numerical examples are given to show the convergence, stability, and error tolerance of the algorithm     

基于历史梯度平均方差缩减的协同参数更新方法

随机梯度下降算法(SGD)随机使用一个样本估计梯度,造成较大的方差,使机器学习模型收敛减慢且训练不稳定。该文提出一种基于方差缩减的分布式SGD,命名为DisSAGD。该方法采用历史梯度平均方差缩减来更新机器学习模型中的参数,不需要完全梯度计算或额外存储,而是通过使用异步通信协议来共享跨节点的参数。为了解决全局参数分发存在的“更新滞后”问题,该文采用具有加速因子的学习速率和自适应采样策略:一方面当参数偏离最优值时,增大加速因子,加快收敛速度;另一方面,当一个工作节点比其他工作节点快时,为下一次迭代采样更多样本,使工作节点有更多时间来计算局部梯度。实验表明:DisSAGD显著减少了循环迭代的等待时间,加速了算法的收敛,其收敛速度比对照方法更快,在分布式集群中可以获得近似线性的加速。     

基于历史梯度平均方差缩减的协同参数更新方法

随机梯度下降算法(SGD)随机使用一个样本估计梯度,造成较大的方差,使机器学习模型收敛减慢且训练不稳定。该文提出一种基于方差缩减的分布式SGD,命名为DisSAGD。该方法采用历史梯度平均方差缩减来更新机器学习模型中的参数,不需要完全梯度计算或额外存储,而是通过使用异步通信协议来共享跨节点的参数。为了解决全局参数分发存在的“更新滞后”问题,该文采用具有加速因子的学习速率和自适应采样策略：一方面当参数偏离最优值时,增大加速因子,加快收敛速度;另一方面,当一个工作节点比其他工作节点快时,为下一次迭代采样更多样本,使工作节点有更多时间来计算局部梯度。实验表明：DisSAGD显著减少了循环迭代的等待时间,加速了算法的收敛,其收敛速度比对照方法更快,在分布式集群中可以获得近似线性的加速。     

时域玻恩迭代的改进方法

本文提出了一种能够加速收敛的助推法，把助推法应用于时域非线性优化方法求解二维有耗介质体的逆散射问题，获得了很好的结果。     

梯度下降VAD方法的单多普勒激光雷达风场探测技术

速度方位显示（Velocity-Azimuth Display,VAD）方法作为一种基于单部激光雷达和同一高度风场均匀的假设前提来反演风场的通用方法已经在业界得到广泛应用,但其对激光雷达扫描方位角的范围和径向个数的严格要求在一定程度上影响了激光雷达的测量效率。基于此,提出了一种基于梯度下降算法的VAD风场反演方法。使用梯度下降算法代替目前VAD中的傅里叶级数展开求解的方法。在分析了算法收敛性影响因素的基础上,确定了算法迭代步长和迭代次数,从而改善了算法的收敛性,提高了运算速度。与标准风杯风速计（IEC 61400-12-1）的同步对比实验结果显示:该方法在激光雷达扫描范围降低到60和扫描径向个数降低到7个的情况下,10 min平均的风速、风向相关系数达到0.99,风速标准偏差、偏差分别为0.52 m/s和0.02 m/s,风向的标准偏差和偏差分别为5.1和3.6。结果证明了该方法在提高激光雷达测量效率的同时仍能保证其准确性,具有更强的适用性,可有效提升系统对于动态大气风场监测能力。     

Optimum Power Allocation for Single-User MIMO and Multi-User MIMO-MAC with Partial CSI

We consider both the single-user and the multi-user power allocation problems in MIMO systems, where the receiver side has the perfect channel state information (CSI), and the transmitter side has partial CSI, which is in the form of covariance feedback. In a single-user MIMO system, we consider an iterative algorithm that solves for the eigenvalues of the optimum transmit covariance matrix that maximizes the rate. The algorithm is based on enforcing the Karush-Kuhn-Tucker (KKT) optimality conditions of the optimization problem at each iteration. We prove that this algorithm converges to the unique global optimum power allocation when initiated at an arbitrary point. We, then, consider the multi-user generalization of the problem, which is to find the eigenvalues of the optimum transmit covariance matrices of all users that maximize the sum rate of the MIMO multiple access channel (MIMO-MAC). For this problem, we propose an algorithm that finds the unique optimum power allocation policies of all users. At a given iteration, the multi-user algorithm updates the power allocation of one user, given the power allocations of the rest of the users, and iterates over all users in a round-robin fashion. Finally, we make several suggestions that significantly improve the convergence rate of the proposed algorithms.