一类离散时间代数Riccati矩阵方程对称解的双迭代算法

利用逆矩阵的Neumann级数形式,将在线性二次优化问题中遇到的含未知矩阵之逆的离散时间代数Riccati矩阵方程(DTARME)转化为高次多项式矩阵方程,然后采用牛顿算法求高次多项式矩阵方程的对称解,并采用修正共轭梯度法求由牛顿算法每一步迭代计算导出的线性矩阵方程的对称解或者对称最小二乘解,建立求DTARME的对称解的双迭代算法。双迭代算法仅要求DTARME有对称解,不要求它的对称解唯一,也不对它的系数矩阵做附加限定。数值算例表明双迭代算法是有效的。     

一类离散模糊系统的迭代学习控制算法

针对离散T-S模糊系统的终端控制问题,提出了一种基于离散Legendre正交多项式的迭代学习算法。该算法把待求控制量表示为离散Legendre正交多项式的线性组合,将求控制量问题转化为求离散Legendre正交多项式系数问题。在此基础上,用迭代学习的方式来修正控制量的离散Legendre系数,并运用不确定离散系统的H∞设计方法求解学习增益矩阵。最后以机器人为例进行仿真,仿真结果表明了所提算法能实现工业机器人的精确定位。     

多矩阵变量线性矩阵方程的广义自反解的迭代算法

基于求线性矩阵方程约束解的修正共轭梯度法的思想方法,通过修改某些矩阵的结构,建立了求特殊类型的多矩阵变量线性矩阵方程的广义自反解的迭代算法,证明了迭代算法的收敛性,解决了给定矩阵在该矩阵方程的广义自反解集合中的最佳逼近计算问题.当矩阵方程相容时,该算法可以在有限步计算后得到其一组广义自反解;选取特殊的初始矩阵,能够求得其极小范数广义自反解.数值算例表明,迭代算法是有效的.     

基于正交小波变换的稀疏权盲均衡算法

为增强盲均衡算法的工程可实现性,在分析正交小波变换理论和超指数迭代盲均衡算法的基础上,利用正交小波变换对超指数迭代(SEI)算法的权向量迭代公式进行修正,同时利用分数间隔均衡器的优点来提高带宽利用率,提出一种基于正交小波变换稀疏权盲均衡算法(FSE-WT-SEI-SW).该算法利用正交小波变换良好的去相关性来加快收敛速度,通过对权向量的稀疏来减少算法的计算量,有利于工程的实现.水声信道的仿真结果验证了算法的有效性.     

利用矢量基学习和自适应迭代算法改进LSSVR

针对最小二乘支持向量回归缺乏传统SVR的稀疏性和鲁棒性等问题,综合矢量基学习和自适应迭代算法的优势,提出了一种改进的加权最小二乘支持向量回归算法（LSSVR）。该算法通过引入用矢量基学习和自适应迭代相结合的方式得到一个小的支持向量集,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性;同时采用加权方法确定权值系数以减小训练样本中非高斯噪声的影响。实验结果表明,改进的LSSVR具有较好的鲁棒性、支持向量稀疏性和动态建模实时性。     

基于压缩存储技术求解压力Poisson方程的BiCGSTAB算法

基于投影算法所得压力Poisson方程进行数值离散,对离散系统形成的稀疏线性方程组,由于线性方程组的系数矩阵存在大量的零元素,为降低内存存储,本文以一维稀疏存储结构对大规模的系数矩阵进行压缩处理,只存储非零元素。同时,以具有优化性质的BiCGSTAB算法求解压力Poisson方程,显著的提高了计算效率。在相同初始条件下,利用Fortran90完成超松弛迭代法的程序求解压力Poisson方程数值离散所得到的线性方程组进行求解对比。结果表明基于压缩存储的BiCGSTAB算法在求解稀疏线性方程组具有明显的优势,该算法求解速度快、高效、可靠。     

三维互连阻抗的混合边界积分方程提取算法

基于混合边界元三维互连阻抗提取方法,针对其离散线性方程组的特点,提出有效的稀疏矩阵组织和矩阵行列调整技术,以及一种预条件迭代求解技术,这些技术结合起来形成了一种有效的三维互连阻抗提取算法.该算法在保证计算精度的同时,速度优于MIT最新的提取算法FastImp.最后通过2个典型互连结构的数值实验验证了该算法的有效性.     

一类广义Riccati矩阵方程对称解的双迭代算法

研究了一类广义系统控制理论导出的Riccati矩阵方程对称解的数值计算方法．运用牛顿算法将Riccati矩阵方程的对称解问题转化为线性矩阵方程的对称解或者对称最小二乘解问题,采用修正共轭梯度法解决导出的线性矩阵方程的对称解问题,可建立求Riccati矩阵方程对称解的双迭代算法．数值算例表明,双迭代算法是有效的．     

基于Chernoff上界的多类问题特征选择优化迭代算法

本文提出正态分布条件下面向不同分布的多类问题基于Chernoff上界的特征选择优化迭代算法.该算法由两重迭代组成首先在设定的原始空间和特征空间Chernoff参数s条件下,通过解矩阵方程的迭代算法求得变换矩阵的最优解;然后,在变换矩阵确定的特征空间中搜索最佳的参数s使错误概率上界最小;最后采用折半法修正设定的Chernoff参数s及其迭代步长.通过分析和实例可见基于Chernoff上界特征选择是面向不同分布的多类问题的最佳特征选择方法.     

退化高阶抛物型分布参数系统的迭代学习控制

研究一类高阶分布参数系统的迭代学习控制问题,该类系统由退化高阶抛物型偏微分方程构成.根据系统所满足的性质,基于P型学习算法构建得到迭代学习控制器.利用压缩映射原理,证明该算法能使得系统的输出跟踪误差于L~2空间内沿迭代轴方向收敛于零.最后,仿真算例验证了算法的有效性.