基于范数和相关性的GSM天线组合选择算法

针对广义空间调制系统(GSM)在相关信道下进行天线选择时,不能兼顾高信道增益和天线间低相关程度问题,该文提出一种基于范数和相关性的递增发射天线组合选择算法。首先计算所有天线组合的范数并排序。其次选出范数最大的天线组合加入候选集中,最后从剩余集中选取与候选集中天线组合相关程度最低的天线组合逐个加入候选集。该算法将有效信道向量作为评价天线组合是否优秀的定量指标,有效信道向量之间的夹角中不仅反映了天线组合之间的相关性,还隐性反映了信道向量的范数,在最大化有效信道增益的同时,提高各组合之间的辨识度。仿真表明,在误比特率为10?3时,相比于随机选择天线组合算法,该算法能获得2 dB的增益。与相同频谱效率下的接收端天线选择算法相比,该算法获得约1.3 dB的增益。     

基于遗传模拟退火算法的压缩感知重构方法

将压缩感知的信号重构归结为求解最优l0范数问题,设计了基于遗传模拟退火算法的压缩感知信号重构方法,构造了该信号重构方法的具体算法流程.提出的信号重构方法采用遗传迭代与模拟退火的思想进行问题优化,可精确重构出原信号,避免了遗传算法局部搜索能力差的缺陷.将该信号重构方法应用于一维信号和二维图像信号,实验结果验证了该重构方法的可行性和有效性.与基于遗传算法、卡通-纹理分解的信号重构方法相比,提出的信号重构方法的信号重构精度较高.     

三次样条构造的伪逆解法

为了提高三次样条构造的可行性, 基于矩阵的伪逆方法, 提出一种不依赖额外约束条件的三次样条构造的伪逆解法。该解法通过求解出三次样条二阶导数的最小范数解, 从而较好地构造出三次样条函数。理论分析及数值实验结果表明该三次样条构造的伪逆解法具有简单、有效等特点。综合分析各种构造解法的性质, 对各种三次样条构造解法进行归类比较, 为在实际工程计算应用中选择合适的三次样条构造解法提供了指导方向。     

基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测

综合利用含错标签中的有用信息和数据结构中蕴含的鉴别信息,提出一种基于稀疏流形聚类嵌入模型和L1范数正则化的标签错误检测修正方法.首先,用稀疏流形聚类嵌入模型将数据投影到易分类的空间,利用标注正确的极少量样本和最近邻分类器获得新标签;然后,构造标签错误检测模型,获得仅含0、1元素的检测向量,正确、错误的标签分别对应着1、0的位置;最后,给出了相应的优化算法及收敛证明,并在相关实验上验证了算法的有效性.     

一种改进的小波域图像修复算法

针对全变分小波图像修复算法在平滑区易产生阶梯效应并且噪声抑制不充分的缺陷,提出一种新颖的小波域图像修复模型。通过优化一个全变分和图像梯度的二范数的能量泛函来实现小波域的图像修复,使得在去除噪声的同时较好地保留了图像的边缘,在平滑区域削弱了阶梯效应,并利用有限差分法对所建立的扩散方程进行数值求解。实验结果表明:所提方法对于不同丢失比例的图像以及噪声图像都取得了较好的修复效果,尤其当小波系数丢失率较高时更为明显。     

基于稀疏表示的信号DOA估计

将信号DOA的估计问题转换为一个联合稀疏表示的求解问题.通过对接收数据矩阵的奇异值分解实现各时间和频率快拍数据的联合;然后通过求解一个平滑l0范数稀疏约束的联合优化问题实现信号源DOA的估计.基于稀疏表示的信号DOA估计方法不仅能够有效地减少数据量,而且具有以下优点:更好的抗噪声性能、更高的计算效率、适用于相关和非相关信号.通过与其他DOA估计方法的比较,表明了该方法的有效性和优越性.     

一种基于L2,1范数的PCA维数约简算法

传统PCA存在对异常值和特征噪声敏感等问题,基于L2,1范数的PCA算法改进了这些缺点。现有的基于L2,1范数的PCA算法是通过降低矩阵的秩来实现维数约简,而秩的计算复杂。针对这一问题,提出一种新的维数约简算法。该算法提出利用迹范数代替矩阵的秩来简化L2,1-PCA的计算,提高算法效率;对于算法的求解提出了基于拉格朗日乘子的方法并将算法应用扩展Yale B人脸数据集进行图像去噪。可视化的实验结果表明所提出的算法有效。     

结构损伤识别的残余向量法及数值仿真

为了找到对小损伤较敏感的参数,在结构自由振动微分方程基础上,利用广义逆和矩阵投影定理,导出了识别效果很好的残余向量投影范数.确定了损伤单元,计算了该损伤单元的损伤因子.算例分析发现,该参数对结构损伤非常敏感,能识别出结构中的微小损伤,而且不受损伤位置的约束,仅需要结构的前几阶模态就能达到很好的效果.     

非奇异H矩阵的一个判定条件及一类实矩阵逆的无穷范数估计

通过理论证明,给出了判断一个矩阵为H矩阵的实用充分条件及一类实矩阵逆的无穷范数估计公式,并给出数值例子进行了说明.此结果对于判定系统的稳定性、特征值分布、线性方程组迭代解及矩阵范数估计等都具有重要的理论和实际意义.     

去运动模糊技术在车牌识别中的应用研究

在车牌识别算法中,我们针对运动模糊时车牌识别率低下时识别率不高的问题,使用去运动模糊技术恢复清晰的车牌,并提高识别率。该方法建立在非盲卷的基础上,首先获取汽车的速度,然后计算运动核,再根据运动核通过非盲卷与盲卷算法恢复清晰的图像,在恢复清晰图像之后,车牌识别算法可以有效的识别率。此外,我们还分析了盲卷算法中,求取运动核的方法,并就二范数和一范数的区别做出分析,指出了这二种范数求解运动核的差异性。