改进的鲁棒总体最小二乘无源定位算法

针对机载无源定位易受异常误差影响的问题,提出一种基于角度信息的鲁棒递推总体最小二乘定位（RRTLS）算法。建立机载无源定位模型,得出总体最小二乘（TLS）解,根据机载定位的实时性、低复杂度要求将其转化为加权递推形式;根据广义M估计原理构建鲁棒TLS极值准则,利用其性质将RRTLS定位问题转化为等价权函数的设计问题;验证了利用残差识别异常误差的合理性,在此基础上建立了等价权函数。仿真结果表明,不存在异常误差时,递推总体最小二乘（RTLS）算法和RRTLS算法均能较好收敛;存在异常误差时,递推最小二乘（RLS）和RTLS定位结果受到扭曲,而RRTLS算法能够获得理想的估值,具有较强的鲁棒性。     

基于角度信息的递推最小二乘无源定位算法

针对机载单站无源定位的定位精度和实时性等问题,提出了一种基于角度信息的递推最小二乘(RLS)无源定位算法;首先建立了机载单站三维无源定位模型,求出最小二乘(LS)解;然后依据机载单站无源定位的实时性要求将最小二乘估计转化为递推最小二乘估计的形式;最后通过不同的仿真实验研究了影响定位精度和收敛速度的因素;仿真结果表明:RLS算法与LS算法在定位精度和收敛速度方面性能相似,但RLS算法运算复杂度低,所需存储空间小,能够实时的对目标进行定位,满足机载单站无源定位的需求。     

基于约束总体最小二乘的泰勒级数定位算法

目前基于到达时间差(Time Difference of Arrival,TDOA)的无线定位算法既不能在基于距离平方差(Squared Range-Difference,SRD)的误差平方和最小模型中获得总体最小二乘准则下的全局最优解,也不能在基于距离差(Range-Difference,RD)的误差平方和最小模型中获得普通最小二乘准则下的全局最优解。将泰勒级数法与约束总体最小二乘法(Constraint Total Least Square,CTLS)相结合,提出一种基于约束总体最小二乘的泰勒级数定位算法(CTLS-Taylor)。利用CTLS方法获得目标节点的粗估计位置,并将该位置作为泰勒级数展开法的初始点,通过迭代,获得目标节点的精估计位置。仿真结果表明,CTLS-Taylor算法不仅能够获得与QCLS-Taylor算法相同的定位精度,而且迭代次数有了明显减少;同时与CTLS定位算法相比,当测量噪声较高时,CTLS-Taylor算法的定位精度更高。     

一种稳健的TDOA无源定位方法及其性能分析

文中提出了一种利用时延信息的基于归一化约束总体最小二乘法(regularized CTLS)的定位算法,将时延量测的非线性方程转换成目标状态量的线性方程,将真实时延信息方程利用一阶Taylor展开转化为量测时延信息加上线性的噪声信息方程,从而可以利用RCTLS的方法对定位方程求解.分析了定位误差,并根据MSE最小原则,进而选取最优的加权因子,使得该算法具有更佳的定位性能,计算机仿真结果验证了该算法的可行性与有效性.最后是附录,给出了定位的CRB界与定位的GDOP图.     

线性最小二乘法的RSSI定位精确计算方法

基于接收信号强度指示(RSSI)定位模型,提出了一种目标节点位置的精确计算方法。将RSSI定位问题所描述的非线性优化函数转化为线性最小二乘法估计问题,将定位结果直接用代数解表示。分别提出了目标节点信号发射强度已知和未知下的非约束线性最小二乘(ULLS)定位方法。同时对非约束线性最小二乘法下的参数进一步优化,提出了约束线性最小二乘法以提高定位精度。仿真验证了该定位计算方法的有效性,测试了不同信号强度噪声对定位误差的影响。结果同时表明,约束线性最小二乘法比非约束线性最小二乘法的定位误差更小,非常接近于定位结果的克拉美罗下界值(CRLB)。     

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．     

声纳阵列网络基于移动信标到达角的渐进最优节点自定位算法

针对水下声纳阵列网络节点自定位问题,提出一种基于移动信标到达角的三维总体最小二乘（TLS）节点自定位算法。首先给出了基于方位角和俯仰角的变量含误差模型,并根据该模型提出三维TLS算法,证明三维TLS算法随信标广播次数增加是渐进最优估计,仿真结果验证所提出算法的均方根误差渐进达到CRLB。     

尺度总体最小二乘在图像拼接中的应用

图像拼接是是一种重要而实用的计算机技术,好的拼接算法离不开鲁棒的参数估计方法。尺度总体最小二乘方法作为一种新的线性模型参数估计方法,它是最小二乘,数据最小二乘与总体最小二乘方法的直接推广与统一体,具有良好的估计性能。考虑到观测数据中外点的存在将可能导致参数估计失效,我们首次将RANSAC方法与尺度总体最小二乘结合起来用于图像拼接问题,实验表明,该方法具有优良的性能,值得推荐。     

基于无线传感器网络的河流中稳态扩散污染源定位研究

针对河流中污染源定位问题,首先分析了河流污染源扩散模型,给出了一种处理完全吸收边界,不完全反射边界以及完全反射边界的通用河流污染源稳态扩散模型。改进了在边界约束下以测量值与理论值之差的平方和为目标的非线性最小二乘算法,并提出了一种新的最小二乘污染源定位算法。该算法弥补了直接非线性最小二乘算法在数值计算过程中稳定性较差的缺点。最后,仿真研究了浓度测量噪声,节点漂移误差和反射系数误差对定位性能的影响。仿真结果表明:已知信息的误差越大,则定位均方根误差越大;传感器节点个数越多,估计精度越高,但当节点增加到一定数量时,继续增加节点对定位精度的影响会减小。另外,仿真结果验证了非线性最小二乘算法的优越性,说明了算法在河流污染源定位应用中的有效性。     

无人机群主动式时差定位算法

在多无人机（UAV）协同定位地面固定辐射源的应用环境中,为了提高多机基于时差的定位精度,提出一种改进的基于约束总体最小二乘（CTLS）的时差定位方法和一种基于结构总体最小范数（STLN）的时差定位方法．证明了这两种方法具有相同的定位精度,但STLN方法的计算性能优于改进的CTLS方法．仿真结果表明,所提出的方法具有较高的定位精度,受观测点定位误差影响更小．     

二维非负偏最小二乘在人脸识别中的应用

传统的基于统计的子空间学习算法如主成分分析,通过学习只能得到一系列特征脸,忽略了人脸识别中重要的局部信息（如眼睛、鼻子）。而利用到类别信息的算法如线性判别分析,也会因为小样本问题而有所影响。为了解决这些问题,结合二维偏最小二乘与非负矩阵分解的非负性思想提出二维非负偏最小二乘(Two-Dimensional Nonnegative Partial Least Squares,2DNPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束,使得2DNPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性。在ORL,Yale人脸库中的实验结果表明,该算法从时间上和识别率上均优于人脸识别的主流算法。     

彩色图像的单应矩阵估计算法

图像间单应矩阵估计是图像配准与图像拼接中的核心问题,传统的估计方法是针对灰度图像的算法。本文以分层运动估计为基础提出了彩色图像的平面单应矩阵的估计算法。此算法采用色度与饱和度不变为约束条件得到彩色图像的光流方程,显著改善了亮度不变约束的不足之处;采用最优导数计算滤波器计算图像导数,提高了算法的精度与稳健性;采用尺度总体最小二乘方法代替最小二乘或总体最小二乘方法来估计模型参数,提高了算法对于图像噪声的适应性。实验结果表明,该算法稳健性好、精度高,而且可以得到稠密的匹配点。     

混合总体最小二乘的迭代解算算法

总体最小二乘估计能够同时顾及线性模型中系数矩阵[WTHX]A和观测向量L的 误差,平差理论相对更为严密。如果系数矩阵[WTHX]A[WTBZ]的部分元素没有误差,这种总体最小二乘模 型为混合总体最小二乘模型。针对混合总体最小二乘(Least squares total least squares, LS TLS)解算问题,应用测量平差中 的 原理和方法,推导了混合总体最小二乘的迭代逼近解算公式,通过与奇异值分解法分析比较 ,分析了两种解算方法具有等价性,最后通过实验数据分析得出迭代算法的有效性 和合理性。     

一种智能化区域无线网络的移动台动态定位算法

无线网络影响因素较多,总是无法避免地产生定位误差,为取得更好的可靠性与精准度,针对智能化区域无线网络,提出一种移动台动态定位算法.构建基于到达时延差的约束加权最小二乘算法,获取到达时延差信息,根据移动台对应服务基站获取的移动台到达时延差与到达角度数据,利用约束加权最小二乘算法多次更新定位估计,结合小波变换,架构到达时延差/到达角度混合定位算法,依据智能化区域无线网络环境的到达时延差数据采集情况,将估算出的移动台大致位置设定为不同种类定位结果,通过多次估算实现移动台动态定位.选取不同无线网络环境展开移动台动态定位仿真,分别从到达时延测量偏差、区域半径以及移动台与其服务基站间距等角度验证算法定位效果,由实验结果可知,所提算法具有理想的干扰因素抑制能力,且定位精准度较高.     

基于蝙蝠算法的无线传感器网络节点定位

节点定位是无线传感器网络的关键技术,针对最小二乘算法节点定位的不足,为了提高无线传感器网络节点定位精度,提出一种基于蝙蝠算法的传感器节点定位方法。首先将无线传感器节点定位问题转换成一个多约束优化问题,然后采用局部和全局搜索能力强的蝙蝠算法对其进行求解,最后在Matlab 2012平台上对定位性能进行仿真测试。结果表明,相对于其他节点定位方法,该方法提高了传感器节点的定位精度和定位效率。     

非持续激励条件下系统辨识递推最小二乘最小范数算法

系统辨识中广泛应用的最小二乘算法需要输入向量序列满足持续激励性条件(PE条件); 但在大多情况下这是难以满足的. 本文提出了一种不依赖于PE条件的递推最小二乘、最小范数辨识算法. 首先分析了最小二乘算法解空间的结构, 并运用罚函数方法, 将参数辨识问题转化为无约束优化问题. 然后, 提出了将步长、罚因子等过程控制参数统一的迭代－递推形式的辨识算法, 证明了算法在给定的控制参数约束下收敛于唯一的最小二乘、最小范数解向量. 仿真实验表明在非PE条件下算法的有效性.     

局部约束加强的最小二乘回归子空间聚类*

针对最小二乘回归子空间聚类算法存在的数据局部相关性信息缺失、系数矩阵稀疏性不足的缺点,提出局部约束加强的最小二乘回归子空间聚类算法.在原始的最小二乘回归子空间聚类算法的基础上加入数据局部相关性约束,使表示系数矩阵的块对角性质更明显.同时,提出相似度矩阵构造方法,有效提高类内相似度,降低类间相似度.实验表明文中算法可以有效提高聚类的精确度,从而验证算法有效可行.     

基于DDT方法的自适应总体最小二乘算法收敛性分析

针对确定连续时间(DCT)方法在研究最小主元分析(MCA)学习算法时,存在严格限制条件而较难实现的问题,基于确定离散时间(DDT)方法,研究了AMEX MCA学习算法的收敛条件.理论分析表明,只有在算法的学习因子和输入信号的自相关矩阵满足一定条件时,AMEX MCA学习算法才能收敛到系统的总体最小二乘解.最后,仿真结果表明了收敛条件的正确性.     

基于多分辨的TLS图像去噪算法

在图像纹理特征优化提取问题的研究中,图像存在噪声.传统的TLS算法构建的图像模型计算量大效率较低.为保证去噪的质量和保持图像边缘结构以及点特征,提出了一种新的多分辨模型算法用于含有混合噪声的图像去噪.算法是基于总体最小二乘的基本原理,运用多种算子将图像分为不同的特征区域,对这些区域分别采用去噪策略进行了仿真,证明缩减了运行时间.仿真结果表明,相对于其它传统的去噪算法,算法具有最优的去噪效果,可给实际应用提供参考.     

一种基于Volterra模型的非线性系统具有全解耦结构的递阶式自适应辨识方法

研究了在输入输出观测数据均含有噪声时如何对基于Volterra级数描述的非线性系统进行解耦自适应辨识的问题. 按照Volterra级数模型的伪线性组合结构, 采用总体最小二乘辨识技术的原理, 导出了一种总体全解耦辨识的思想. 从而建立了一种具有全解耦结构的递阶式自适应辨识算法, 给出了该算法的结构图. 相比于部分解耦辨识算法, 该算法的优点在于它能够在全噪声数据环境下得到更高的收敛速度和精度. 仿真研究的结果证明了本文方法的有效性.