一种基于H- 范数最优模型匹配的自适应控制算法

基于H_∞范数最小理论的最优模型匹配自适应控制器保证闭环系统与参考模型之间的误差传递函数在H_∞范数意义下最小,这种自适应控制器可以保证闭环系统稳定{BIBO稳定),而不管被控对象是否稳定,是否是最小相位。     

基于压缩感知的无线传感器网络的数据编码

近年来,基于压缩感知的无线传感器网络数据编码的研究取得了一定的进展,但大部分研究是基于"单跳"的传输模型或者没有考虑网络内节点之间的合作。本文提出了一种基于压缩感知和分簇的传感器网络数据编码方法。首先,节点根据自己的编号伪随机的产生一个M维的列向量,把感知的数据xi投影到此向量上,然后把自己的编号和投影的数据一同传输给簇头。簇头把收到的数据进行求和,并且把计算后的结果传送给下一个簇头,直到sink节点。通过仿真实验和理论分析,验证了本文提出的方法比传统的方法能更好地减少网络内数据传输量。     

线性矩阵方程异类约束最小二乘解的迭代算法

多矩阵变量线性矩阵方程(LME)约束解的计算问题在参数识别、结构设计、振动理论、自动控制理论等领域都有广泛应用。本文借鉴求线性矩阵方程(LME)同类约束最小二乘解的迭代算法,通过构造等价的线性矩阵方程组,建立了求多矩阵变量LME的一种异类约束最小二乘解的迭代算法,并证明了该算法的收敛性。在不考虑舍入误差的情况下,利用该算法不仅可在有限步计算后得到LME的一组异类约束最小二乘解,而且选取特殊初始矩阵时,可求得LME的极小范数异类约束最小二乘解。另外,还可求得指定矩阵在该LME的异类约束最小二乘解集合中的最佳逼近解。算例表明,该算法是有效的。     

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。     

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。     

Robust sparse principal component analysis

The model for improving the robustness of sparse principal component analysis（PCA） is proposed in this paper. Instead of the l2-norm variance utilized in the conventional sparse PCA model,the proposed model maximizes the l1-norm variance,which is less sensitive to noise and outlier. To ensure sparsity,lp-norm（0 p 1） constraint,which is more general and effective than l1-norm,is considered. A simple yet efficient algorithm is developed against the proposed model. The complexity of the algorithm approximately linearly increases with both of the size and the dimensionality of the given data,which is comparable to or better than the current sparse PCA methods. The proposed algorithm is also proved to converge to a reasonable local optimum of the model. The efficiency and robustness of the algorithm is verified by a series of experiments on both synthetic and digit number image data.     

块广义严格对角占优矩阵的一组判定条件

给出块广义严格对角占优矩阵的定义,并给出块广义严格对角占优矩阵与广义严格对角占优矩阵之间的关系.根据两者之间的关系,对矩阵行标进行划分,利用矩阵自身元素间的关系给出块广义严格对角占优矩阵的判定条件,进一步丰富了块广义严格对角占优矩阵判定的理论.