机翼不对称损伤飞机飞行配平数值方法研究

飞行配平对飞行控制策略和算法起到至关重要的作用.传统对称完好飞机的飞行配平方法是纵侧向单独进行,分别利用各自的舵偏和推力进行迭代计算.当飞机由于机翼不对称损伤而发生纵横向运动强耦合时,不能保证配平的准确性和收敛性.针对单侧机翼不对称损伤飞机配平问题,首先置零运动方程加速度量得到配平方程,可从数学上提出了解决上述特殊构型飞机飞行配平的多维牛顿迭代方法,并从全局收敛性严格证明和实际情况中给出保证算法收敛的迭代初值选取方法.仿真结果表明,改进飞行配平方法能够有效地给出合适的迭代初值点,并便捷地计算出机翼不对称损伤飞机纵侧向运动强耦合下的全状态配平点集,具有较好的工程应用前景.     

基于牛顿迭代法的移动机器人编队算法

该文借鉴滚动规划的思想,探究了全局环境未知,障碍物分散条件下移动机器人系统的编队问题。文中提出的基于牛顿迭代法的移动机器人编队算法,将机器人系统的编队问题分解为各个机器人自主移向预定目标的过程,利用实时探得的局部环境信息,不断修整预定目标而完成编队。该算法计算量小,实时性强,不受编队形状所限。仿真结果表明了该算法的有效性。     

基于重根牛顿迭代法和比较算法实现的分形图形的研究

介绍了一种运用重根牛顿迭代法在复数范围内进行反复迭代运算求根,然后根据求根的结果采用比较的方法绘制分形图形的算法,并从数学上验证了算法的几何意义。绘制出的分形图优美而玄妙,几何意义明显。同时该算法可以绘制出高次数根值复杂的分形图形。     

基于八阶收敛牛顿迭代的Fast-ICA改进算法

解决盲源分离问题(BSS)最常用的方法是独立分量分析方法(ICA),快速独立分量分析方法(Fast-ICA)是目前广泛使用的独立分量分析方法。传统的Fast-ICA算法利用了二阶收敛的牛顿迭代方法进行优化,为了加快算法的收敛速度,提高算法的运行效率,利用八阶收敛的牛顿迭代方法对Fast-ICA算法进行优化,通过仿真验证了基于八阶收敛的Fast-ICA算法与传统的Fast-ICA和五阶收敛的Fast-ICA算法在分离性能上基本相同,但其具有更少的迭代次数和更快的收敛速率。     

基于Rough集的牛顿迭代法求方程近似解算法

Rough集理论作为一种新型的数学工具已广泛应用于各个领域。提出一种基于Rough集的牛顿迭代法求方程近似解算法,该算法将Rough理论中的下近似和上近似与牛顿迭代法有机地结合起来,寻找方程的近似解,其优点在于所求方程的根是一个精确的区间,该区间中任意实数都可作为所求方程的近似解,避免了一般方法求方程的近似解,把求得的近似数作为近似解,算法计算简单,易推广到其它的近似计算中,同时,有助于人们深刻理解Rough集理论本质。     

基于牛顿迭代法的椭圆近似画法误差分析

四心圆法是用四段圆弧拼接成近似椭圆。由于其对称性,取图形的1/4 为研究对象, 利用二分法求解方程组,得出两段圆弧拼接点坐标值;分别用两段圆弧的极径和实际椭圆中相应 的极径进行长度误差分析,列出两段圆弧与椭圆极坐标方程,使用牛顿迭代法,求出圆弧与实际 椭圆的极径长度最大误差值;计算出近似椭圆与实际椭圆面积,求出面积误差值。在编程软件中, 根据所得数学模型编制计算器,计算结果列表对比分析,得出四心圆法作近似椭圆的误差结论。     

基于牛顿迭代法的RFID标签数量估计算法

ALOHA算法是一种被广泛采用的射频识别(RFID)标签防碰撞算法,要提高它的识别效率,算法帧长必须根据标签数量自适应调整,因此标签数量估计的准确性十分重要。针对已有标签估计方案存在的误差大问题,提出一种基于牛顿迭代法的标签数量估计算法(NIATE)。首先,根据标签数量与帧长的数量关系确定一个调节因子;其次,研究标签识别过程中成功时隙占总时隙比例,得到调节因子与所占比例的关系;最后利用牛顿迭代法求解得出准确的标签数量。仿真结果表明,NIATE算法在不同标签数量情况下,相比现有主流算法具有较好的自适应能力,标签估计平均误差更小,从而减少了识别所有标签所需的总时隙数,提高了系统吞吐率。     

基于粒子群和牛顿迭代法的目标定位方法研究*

结合粒子群算法和牛顿迭代法的优点,提出了一种基于粒子群初始值选取和牛顿法精确迭代的目标定位方法。该方法充分发挥粒子群算法的群体搜索性和牛顿法的局部细致搜索性,克服了粒子群算法后期搜索效率低下和牛顿迭代法对初始值敏感的缺陷。仿真结果表明,该方法能有效地提高目标定位的准确性,在随机噪声干扰方差为0.5的条件下,定位均方误差不超过1.7 m。     

一种基于牛顿迭代的快速收敛指数算法的设计与实现

针对IEEE-754标准浮点指数运算的要求,通过对现有的几种指数运算硬件实现方法的分析,结合牛顿迭代原理推导出一种新的按指数速度收敛的算法,并用Verilog HDL语言实现了一个精度为56位的指数运算单元。该算法通过查表和乘法来实现迭代操作,并通过增加迭代次数来降低查找表的大小。所实现的运算单元采用九级流水线结构,工作频率可以达到200MHz。     

五阶收敛的FastICA改进算法

目前应用较多的FastICA算法利用了二阶收敛的牛顿迭代法进行优化,为了加快算法的收敛速度,用五阶收敛的牛顿迭代法对其进行改进,得出了两种改进的FastICA算法,通过实验验证了改进算法的性能。     

一种基于十五阶的FastICA改进算法

快速独立分量分析（FastICA）因其收敛速度快而被受关注,但存在初始值选取不当可能导致算法的收敛速度减慢甚至不收敛的问题。针对基本牛顿迭代FastICA算法对初始值选择比较敏感的缺点,以最大化负熵为目标函数,引入十五阶牛顿迭代的修正形式对FastICA算法的核心迭代过程进行改进,改进算法的收敛性不再依赖于初始值的选择,而且具有更快的收敛速度。将改进算法应用到仿真实验,实验结果显示,改进算法在分离效果相当的前提下,迭代次数更少,收敛速度更快,而且收敛速度更加稳定。     

求解线性规划问题的光滑型牛顿算法

对线性规划的最优性条件,给出一个扩展系统,设计一个连续化的光滑型算法求解该系统。所设计的算法的全局收敛性不需要添加任何假设条件。在每一个迭代点处,只需要解一个线性方程组和做一次线性搜索,比现有求解线性规划问题的连续化方法具有更好的收敛性质。     

非线性迭代学习控制问题的延拓修正牛顿法

对于非线性迭代学习控制问题,提出基于延拓法和修正Newton法的具有全局收敛性的迭代学习控制新方法.由于一般的Newton型迭代学习控制律都是局部收敛的,在实际应用中有很大局限性.为拓宽收敛范围,该方法将延拓法引入迭代学习控制问题,提出基于同伦延拓的新的Newton型迭代学习控制律,使得初始控制可以较为任意的选择.新的迭代学习控制算法将求解过程分成N个子问题,每个子问题由换列修正Newton法利用简单的递推公式解出.本文给出算法收敛的充分条件,证明了算法的全局收敛性.该算法对于非线性系统迭代学习控制具有全局收敛和计算简单的优点.     

基于平均值迭代的多目标数据融合算法

针对多平台多目标量测数据的通信、量测等方面的不确定性,提出了一种基于平均值迭代法的多平台集中式数据融合算法。该方法首先采用最近邻法进行多平台多传感器数据关联,进而利用关联后数据的平均值循环迭代更新测量数据中的最大、最小值,直到满足规定的精度要求,从而实现多平台多传感器数据融合。避免了一些传统算法的复杂计算过程,提高了计算速度,且能满足融合结果的精度需求。通过仿真实例,验证了该算法的可行性和有效性。     

基于牛顿法的并行优化算法

针对非线性数值优化问题,提出一种在分布式环境下的基于牛顿法的并行算法。引入松弛变量,将不等式约束转换为等式约束,利用广义拉格朗日乘子将约束优化问题转换为无约束子优化问题。为了并行地求解这些子优化问题,将Newton迭代法中的Hessian矩阵进行适当的分裂,采用简单迭代法求解Newton法中的线性方程组。在理论上对该算法进行了收敛性分析。在HP rx2600集群上进行的数值实验结果表明并行效率达90%以上。     

A predictor-corrector smoothing Newton method for solving the mixed complementarity problem with a P 0-function

The mixed complementarity problem (denoted by MCP(F)) can be reformulated as the solution of a nonsmooth system of equations. In the paper, based on a perturbed mid function, we contract a new smoothing function. The existence and continuity of a smooth path for solving the mixed complementarity problem with a P ₀ function are discussed. Then we presented a predictor-corrector smoothing Newton algorithm to solve the MCP with a P ₀-function. The global convergence of the proposed algorithm is verified under mild conditions. And by using the smooth and semismooth technique, the local superlinear convergence of the method is proved under some suitable assumptions.