基于系统输出的时变特征参数辨识

在子空间辨识方法的基础上给出时变特征参数辨识的新方法。将特征阻尼修正与数字滤波相结合，由输出信号估计特征频率和阻尼比。对于系统输出，假定其具有短时平稳特性，通过对响应信号在局部时问段上建模得到时变特征。使用分量能量指标指示信号中各振动分量的强弱，并通过能量指标在时频面上建立一种时频表示，以此反映系统的时频特性。对Hankel矩阵使用QR分解，在提高运算速度的同时不降低参数估计的精度。     

光照变化条件下的人脸识别研究

本文提出了两种研究光照变化条件下人脸识别的方法.第1种方法光照子空间方法,它适用于训练集中存在与测试人脸图像相同或者相似光照的人脸训练图像.当这个条件不满足时,可得用径向基函数产生虚拟光照条件下的人脸图像样本图像特征加入训练集,该方法适用于更一般的情况。实验结果证明文中提出的方法可以有效提高识别率。     

一类Krylov子空间方法在求解Sylvester方程的应用

提出了一种求解Sylvester方程Ax＋XB=EFT的块Krylov子空间方法。当矩阵A和B非常大，并且右侧的的秩很小时，给出如何求解精确低秩近似解。理论结果和数值实例证明了方法的有效性。     

一种改进的最小二乘回归子空间分割方法

最小二乘回归(LSR)算法是一种常见的子空间分割方法，由于LSR具有解析解，因此它的聚类性能较高。然而LSR算法是应用谱聚类方法聚类数据，谱聚类方法初始化聚类中心是随机的，会影响后面的聚类效果。针对这一问题，提出一种基于聚类中心局部密度和距离这2个特点的改进的LSR算法（LSR-DC）。在Extended Yale B数据集上进行实验，结果表明，该算法有较高的聚类精度，具有一定的鲁棒性，优于现有LSR等子空间分割方法。     

Subspace recycling accelerates the parametric macro‐modeling of MEMS

A fast computational technique that speeds up the process of parametric macro‐model extraction is proposed. An efficient starting point is the technique of parametric model order reduction (PMOR). The key step in PMOR is the computation of a projection matrix V, which requires the computation of multiple moment matrices of the underlying system. In turn, for each moment matrix, a linear system with multiple right‐hand sides has to be solved. Usually, a considerable number of linear systems must be solved when the system includes more than two free parameters. If the original system is of very large size, the linear solution step is computationally expensive. In this paper, the subspace recycling algorithm outer generalized conjugate residual method combined with generalized minimal residual method with deflated restarting (GCRO‐DR), is considered as a basis to solve the sequence of linear systems. In particular, two more efficient recycling algorithms, G‐DRvar1 and G‐DRvar2, are proposed. Theoretical analysis and simulation results show that both the GCRO‐DR method and its variants G‐DRvar1 and G‐DRvar2 are very efficient when compared with the standard solvers. Furthermore, the presented algorithms overcome the bottleneck of a recently proposed subspace recycling method the modified Krylov recycling generalized minimal residual method. From these subspace recycling algorithms, a PMOR process for macro‐model extraction can be significantly accelerated. Copyright © 2013 John Wiley & Sons, Ltd.     

Testing for serial independence of panel errors

A test for the serial independence of errors in panel data models is proposed. The test is based on the difference between the joint empirical characteristic function of residuals at different lags and the product of their marginal empirical characteristic functions. The test is nuisance-parameter-free and powerful against any type of pairwise dependence at all lags. A simple random permutation procedure is used to approximate the limit distribution of the test. A Monte Carlo experiment illustrates the finite sample performance of the test, and supports that the test statistic based on the estimated residuals has the same asymptotic distribution as the corresponding statistic based on the unobservable true errors.     

基于子空间方法的风机齿轮箱故障预测算法

为了减少风机齿轮箱严重故障的发生,提出了一种基于随机子空间识别方法的齿轮箱故障预测算法。该算法首先建立齿轮箱的随机状态空间模型,并利用正常运行时的振动监测数据计算模型的参数矩阵的特征值,并将其作为参考特征值;然后将由实际振动数据所求得的特征值与参考特征值进行比较,如果两者误差很小,则说明齿轮箱正常,反之则异常。为了减少计算量,引入均方根误差(RMSE)作为齿轮箱故障判别指标,并利用统计过程控制(SPC)原理定义该指标的阈值。最后,对一台实际风机的振动监测数据进行仿真,结果表明了所提出算法的有效性。     

认知无线电网络子空间映射频谱共享

针对集中式多用户多天线认知无线电网络,分析了子空间映射能够为认知系统提供的通信机会以及理想信道条件下的空间子信道分配方案。在此基础上,提出了一种基于子空间映射的频谱共享策略。根据认知系统的感知结果,计算可以利用的空间子信道数,通过认知用户接入控制和子空间映射避免或抑制系统间干扰,从而在保证授权用户通信质量的前提下,为认知用户提供通信机会。仿真结果表明,与已有的子空间映射频谱共享方法相比,该策略不仅具有更高的认知系统可达和速率,而且能够为认知系统提供更多通信机会。     

基于稀疏正则约束的子空间视觉跟踪

针对子空间表示跟踪算法处理遮挡问题的能力不足,以及稀疏表示跟踪算法无法满足跟踪实时性要求等问题,本文提出一种稀疏正则约束的子空间视觉跟踪算法。该算法结合了子空间表示与稀疏表示的优势,提升了对于遮挡问题的处理能力,并且降低了算法的计算复杂度。首先,该算法利用PCA子空间基向量集、子空间均值以及表示残差对目标进行表示,同时算法采用L2范数作为表示系数以及表示残差的稀疏约束函数。其次,算法采用了一种分步循环迭代的方法求解表示模型的系数与残差。然后,为了保证子空间基向量与空间均值能够持续准确的描述目标在跟踪过程中出现的变化,算法根据经过开运算处理后的表示残差中非零元素的不同比率构建不同的更新模板,并结合增量主成分分析方法在线学习新的基向量与均值。最后,在实验部分,本文将提出算法在10个实验序列上的跟踪结果与8个现今主流跟踪算法进行对比,同时从定性与定量两个方面对实验结果进行分析。本文算法在全部10个实验序列上的平均中心误差为5.3pixel,平均覆盖率为77%,相比于其他算法,本文算法取得了较高的跟踪精度。本文算法具有更好的鲁棒性,并且满足更多场景下的跟踪需求。