p范数正则化支持向量机分类算法

L2范数罚支持向量机(Support vector machine,SVM)是目前使用最广泛的分类器算法之一,同时实现特征选择和分类器构造的L1范数和L0范数罚SVM算法也已经提出.但是,这两个方法中,正则化阶次都是事先给定,预设p=2或p=1.而我们的实验研究显示,对于不同的数据,使用不同的正则化阶次,可以改进分类算法的预测准确率.本文提出p范数正则化SVM分类器算法设计新模式,正则化范数的阶次p可取范围为02范数罚SVM,L1范数罚SVM和L0范数罚SVM.     

最小L1范数实现周期非均匀采样与重构研究

根据周期非均匀采样需要多个采样通道的特点,利用联合子空间理论将采样与重构转换为矩阵向量运算。结合最小L1范数算法,提出了一种针对稀疏信号的周期非均匀采样与重构方法,分析了最小L1范数算法在周期非均匀采样系统中的完整重构条件。最后,以多带正弦信号为例,分别从可完整重构概率和系统整体验证两个方面证明了该方法能够实现稀疏信号的采样与重构。     

基于加权广义逆OFDM信道估计算法

在采用独立时频块导频方案的MIMO-OFDM系统信道估计中,证明了导频数小于多项式模型参数时,使用标准的广义逆进行多项式内插无法得到信道估计的最佳值。采用基于最小方差准则构造的加权矩阵对广义逆的定义做出修正,提出了基于加权广义逆矩阵的二维多项式内插算法。仿真结果证明该算法可以适应不同的移动速度,特别是在中低移动速度下,该算法在高信噪比时的误码性能相对于一维线性内插算法可以得到约2 dB的增益。     

迹范数和Frobenius范数下的量子态可分判据

本文分别在迹范数和Frobenius范数下,分析了利用|| Гρ ||判据和矩阵重排判据判断一类2×2系统量子态可分性时的条件表示.并在此基础上,比较了||Гρ||判据和矩阵重排判据之间的强弱关系,分析了迹范数和Frobenius范数对两个可分判据的影响.     

一种非线性模型参考迭代学习控制算法

针对存在周期或非周期不确定干扰的非线性系统,提出一种模型参考迭代学习控制算法(MR-ILC),其目标是在被控系统满足假设条件并采用相应学习律的条件下,使被控系统的状态变量跟踪参考模型的状态变量,且两种模型不需要具有相同的结构和参数。运用λ范数证明了算法的收敛性,仿真结果验证了算法的有效性。     

一种基于l1范数的欠定盲源分离算法

提出了一种基于两步法的欠定盲源分离新算法.在混叠矩阵估计阶段,采用基于势函数的聚类方法,在源信号恢复阶段,提出一种快速的稀疏信号重构算法.系统方程As(t)=x(t)的任一解,由它的一个特解与其相对应的齐次线性方程组的一组基的线性组合之和表示,从而使原来直接估计有n个独立变量的源信号s(t)转化为估计只有n-m个独立变量的系数向量z.再借助稀疏表示实现盲源信号的分离.仿真实验验证了新算法容易实现,分离速度快,能够很好地满足盲分离对速度的要求.     

基于旋转扩展和稀疏表示的鲁棒遥感图像目标识别

针对含有残缺图像的遥感图像目标识别问题,提出一种基于旋转扩展和稀疏表示的目标识别方法.首先对训练集进行旋转扩展,使得测试图像能近似用训练集稀疏表示,然后通过求解一个l1范数最小化问题得到测试图像相对于训练集的一个稀疏表示,进而根据不同类对应的稀疏表示对测试图像的近似程度进行识别.与代表性的方法进行比较,实验结果与分析表明,该方法识别率优于已有方法,对残缺图像的识别有较好的鲁棒性,且在小样本、低采样率情况下也能保持较好的识别性能.     

基于Eros的多元时间序列相似度分析

为提高多元时间序列相似性度量的效率,采用扩展Frobenius范数(Eros)的主元分析(PCA)方法,通过主元和本征值构造主元相似因子,用于比较多元时间序列矩阵之间的相似性。为了验证这种方法的有效性,针对三组数据(两个真实数据,一个合成数据)进行了实验。结果表明,该方法相对于以往的欧几里德距离(ED),动态时间弯曲(DTW)相似性度量方法具有一定的优越性。     

空间1←pq(0《p≤1≤q《+∞)及其完备性

二重序列空间l←pq(0＜p≤1≤q＜+∞)是完备的赋P-范序列空间,它具有与通常的Banach序列空间lp(0＜P＜1)不同的性质和包含关系.本文引入这样一类赋P-范二重序列空间并证明了它的完备性,讨论了这类空间的包含关系.     

赋L-范数Musielak-Orlicz序列空间的Opial模

给出了赋L-范数的Musielak-Orlicz序列空间的Opial模计算公式.