污染数据线性回归模型中参数估计的重对数律

讨论了一类污染数据线性回归模型中参数估计及污染系数估计的收敛速度,证明了它们的收敛速度符合重对数律.     

计算参数对一维瞬态传热级数解收敛速度的影响

讨论了一维瞬态传热温度场的级数解的收敛速度问题,探寻主要计算参数对级数解收敛速度的影响规律。通过对级数解的数值计算发现傅立叶准则和毕渥准则对级数解的收敛速度有显著的影响。随着傅立叶准则数增大,级数解的收敛速度加快;随着毕渥准则数减少,级数解的收敛速度加快。在应用级数解计算瞬态温度场的过程中,选择合适的级数项数是得到正确结果的关键。     

新松弛法用于非理想物系精馏计算

<正> 一般认为松弛法具有算法简单,收敛稳定性好,但收敛速度极慢的优缺点。石川、平田等人提出的修正的松弛法,虽在一定程度上可加快收敛速度,但计算速度仍过慢,尤其当接近收敛解时,收敛速度更慢。我们曾试用了修正松弛法和三对角线矩阵法结合的计算程序,例如开始四次迭代用修正的松弛法,而后再用一次矩阵法,这样以4:1的比例交替进行,加快了收敛速度,仍保持了松弛法较好的稳定性。但松弛系数     

具有三阶收敛的“牛顿类”迭代法

从求解非线性方程的经典牛顿迭代法出发,构造了"牛顿类"迭代公式,其中非零参数λ任意选取时迭代均收敛,给出了收敛性定理和误差方程,证明了它至少具有三阶收敛速度,且只要参数λ选取恰当,则可进一步提高收敛速度,数值实验验证了其收敛速度.     

二阶伏特拉滤波器RLS算法改进

分析了二阶伏特拉滤波器的一种快速RLS算法,针对其存在的收敛速度与收敛精度之间的矛盾,构造了遗忘因子函数并取代该算法中的固定遗忘因子,得到改进的RLS算法。提出了遗忘因子函数的构造原则并分析了相关参数的选取方法。算例表明:改进的RLS算法能解决收敛速度与收敛精度之间的矛盾,有效地加快了收敛速度。     

广义既约变尺度法的收敛速度

本文讨论了广义既约变尺度法的收敛速度，在适当条件下，证明其收敛速度为超线性的。     

广义既约变尺度法的收敛速度

本文讨论了广义既约变尺法的收敛速度，在适当条件下，证明其收敛速度为超线性的。     

重截断L-统计量的强逼近

本文讨论了重截断L-统计量：的强收敛性，得到了其收敛速度；同时在An、Bn为随机变量情形下．得到L-统计量随机重截断的收敛速度，解决了文献[1]中提出的“随机重截断L-统计量的收敛速度”问题。     

两类误差下回归函数估计的收敛速度

在收敛系统和混合序列情形下,研究了固定设计下非参数回归模型中的回归函数估计。在误差为收敛系统时,得到了较弱矩条件下该估计的收敛速度;在误差为同分布混合序列时,得到了该估计的收敛速度。     

一种基于BP网络的改进

BP神经网络存在其固有的缺陷：收敛速度慢、易陷入局部极小、网络结构难以确定等.本文针对BP网络学习速度慢的缺点.用熵函数作为误差函数来对BP算法进行改进,提高了收敛速度和稳定性.通过对标准BP网络和相对熵方法在不同学习速率上收敛速度的比较实验证明,相对熵BP网络在收敛速度和稳定性方面有着明显的优越性.     

一种快速收敛的自适应波束形成算法

为了解决传统最小均方(LMS)自适应波束形成算法在低信噪比环境下收敛速度较慢的问题,提出了一种快速收敛的小波域自适应波束形成算法. 该算法利用小波变换软阈值法消除信号中的加性高斯白噪声,并在此基础上将牛顿法应用于LMS算法中,提高了小波域LMS算法的收敛速度. 仿真结果表明,相比传统LMS算法,在低信噪比环境下,该算法收敛速度加快,稳态误差减小,波束形成精确度有较大的提高;同时相对于已有的小波域LMS算法,该算法的收敛速度和精度也有所提高.     

小波技术对LMS算法的提高与分析

变步长LMS（Least Mean Square）算法在同时兼顾快速收敛与降低稳态失调误差的问题上做出了很多改进,但仍有较大的提升空间. 本文利用小波技术对变步长LMS算法提出改进. 小波技术具有数学“显微镜”功能,步长因子的变化速度可以通过拉伸窗口来实时调整. 本文将失调误差与收敛速度之间的比值做为小波窗口调整参数,根据两者之间的相对变化实时调整步长因子的变化速度,可实时准确地调整收敛速度,更好地兼顾快速收敛与降低稳态失调误差问题. 仿真证明本文提出的算法比现有技术具有更高的收敛速度和更低的稳态失调误差.     

非参数检测中密度估计的选择

给出了一种计算核估计收敛速度的方法,用这一方法我们讨论了在正态情况下,Ｆｏｕｒｉｅｒ级数给出的估计的收敛速度。     

一种遗传量子粒子群的属性约简算法

针对粒子群算法收敛速度不佳和易陷入局部最优的问题,提出了一种遗传量子粒子群优化(GQPSO)的属性约简算法,GQPSO算法利用量子系统较大的搜索范围,并借鉴遗传算法的选择、变异等操作,从而避免了算法过早收敛至局部最优,且能得到可观的收敛速度。实验结果表明,GQPSO算法具有更快的收敛速度和全局搜索能力,提高了属性约简的效率。     

一种改进的多模高性能盲均衡算法

提出一种多模高性能盲均衡改进算法。该算法采用多模切换和变换步长的方法,具有较快的收敛速度和收敛后较小的剩余码间干扰。计算机仿真表明,此算法不受随机信号随机性的影响,特别是对16QAM信号,收敛速度较快,且收敛后的抖动几乎为零。     

进化状态判定与学习策略协同更新的二进制粒子群优化算法

针对二进制粒子群算法存在收敛速度较慢及易早熟的问题,提出一种进化状态判定与学习策略协同更新的二进制粒子群优化算法(ELBPSO),将粒子群迭代过程分为收敛和跳出局部最优两个状态,在进化状态判定的收敛状态阶段采用全信息(Fully informed)学习策略来提高收敛速度,对进化状态判定的跳出局部最优状态阶段采用局部信息(Singly informed)学习策略以维持种群多样性,使算法不易陷入局部最优。实验结果表明:ELBPSO算法具有更好的收敛速度和精度,可以有效平衡收敛与跳出局部最优。     

一种改进的自适应恒模算法收敛特性的研究

常数模算法是数字通信中经常使用的一种盲均衡技术，但它的收敛速率非常缓慢，为了改善收敛特性，本文就4种典型的误差方程进行了分析、仿真，发现误差方程对CMA的收敛速度以及调整过程中是否能收敛到全局最小点都有影响，并在此基础上提出了一种改进的误差方程。仿真结果表明，改进后的误差方程具有较好的收敛速度，而且总能收敛到全局最小点。     

基于自适应重启方法的快速压缩感知算法

NESTA是一种解决压缩感知问题的快速准确一阶优化算法.提出了一种自适应重启方法来提高NESTA算法的收敛速度.新方法自动检测目标函数在优化过程收敛速度减缓的趋势,重置算法的参数,并使算法从当前步骤重新开始运行.实验结果表明该方法能够显著提高经典算法的收敛速度,从而提升算法运行效率.     

二阶系统包容控制算法及其收敛速度分析

针对具有多领航者的二阶系统分布式协同控制问题,提出了一种一般性的包容控制算法,并基于控制增益系数和系统信息拓扑拉普拉斯矩阵的特征值给出了系统收敛的充分必要条件．在此基础上,进一步研究了控制增益系数和系统信息拓扑对系统收敛速度的影响,给出了取得极大收敛速度的控制增益系数解析表达式,并利用Weyl定理证明了增加系统中的信息链路可以提高系统收敛速度．最后,系统仿真验证了所得结论的正确性．     

一种前馈神经网络的快速算法及仿真研究

针对实际应用中对神经网络收敛速度和精度的较高要求,提出了一种快速的ＢＰ学习算法,仿真结果表明,该方法能有效提高网络的收敛精度和速度。