基于DFT的时域LS信道估计算法

基于IEEE 802.16d/e标准的OFDMA系统中存在保护子载波和导频非2n等间隔插入,针对该问题,提出一种基于DFT的时域LS信道估计算法。该算法对相比信道自相关矩阵R容易获得的矩阵T进行奇异值分解(SVD),得到基于DFT的低阶近似。仿真结果表明,该算法的信道估计性能和运算复杂度介于LMMSE-SVD算法、IFFT/FFT算法之间,对导频要求更宽松,应用更广泛。     

递归时频重排算法在跳频信号参数估计中的应用

为了有效分析跳频信号并估计其参数, 引入一种短时傅里叶变换的快速算法, 为改善其时频聚集性, 将该算法推广到重排域。该算法降低了参数估计的算法复杂度。最后,在跳频系统中对该算法的性能进行了仿真与分析。     

基于DSP的高精度测频方法与软件设计

提出了一种基于数字信号处理器(DSP)的测频方法,用于光纤涡轮流量计转子叶片频率的测量.在简要分析了光纤涡轮流量计的工作原理的基础上,设计出了光纤涡轮流量计测量系统软件的硬件电路平台;阐述了利用事件管理器通用定时器实现高精度数据采集方法的设计与DSP实现;分析了高稳定性、实时性的FIR滤波算法与DSP实现;讨论了利用插值方法改进FFT算法实现高精度测频的DSP实现;利用通用定时器的比较操作来产生脉宽调制(PWM)波,实现TTL电平输出.     

基2×2FFT的地址映射算法

FFT处理器是根据 FFT运算特点来进行设计的 ,可以充分提高处理效率 ,达到平均每周期完成一个蝶式运算的处理能力 .在这类芯片中 ,需要并行无冲突的数据访问部件来提供蝶式运算所需的多个操作数 .文中对已有的一些算法进行了比较 ,并提出基 2× 2 FFT的并行数据访问算法 ,通过使用 4个存储体 ,它可以同时完成所需的 4个数据的读取或写入操作 .该算法易于用硬件实现 ,其操作数访问地址的产生速度快于已有的算法 .     

基于随机傅里叶特征空间的高斯核近似模型选择算法

核方法是一种把低维空间的线性不可分问题转化为高维空间中线性可分问题的方法,其广泛应用于多种学习模型。然而现有的核模型选择方法在大规模数据中计算效率较低,时间成本很大。针对这一问题,本文引入随机傅里叶特征变换,将原始核特征空间转换为另一个相对低维的显式随机特征空间,并给出核近似误差上界理论分析以及在核近似的随机特征空间中训练学习模型的误差上界,得到核近似的收敛一致性和误差上界与核近似参数之间的关系。基于随机傅里叶特征空间选择出最优模型参数,避免了对最优原始高斯核模型参数的大规模搜索,从而大幅降低原始高斯核模型选择所需的时间成本。实验表明,本文给出的误差上界确由核近似参数控制,核近似选择的最优模型相较于原始高斯核模型有较高的准确率,并且模型选择时间相对网格搜索法大幅减小。     

移动最小二乘法导数近似讨论

在移动最小二乘法（moving least squares method, MLS）构造无网格形函数的数值方法中,通常采用无单元伽辽金法（element-free Galerkin method, EFG）的建议,将系数向量a参与导数运算。为探讨这种导数近似算法在更一般无网格法中的适用性和合理性,针对系数向量a是否应参与运算的问题进行讨论和数值检验。结果表明：单纯从近似意义上讲,这种将系数向量代入导数运算的算法并不具有优势;从数值方法的应用意义上讲,这种导数近似算法对数值求解,特别是强式无网格法,会带来一系列潜在不稳定的问题。建议在MLS导数近似中,系数向量a不应当参与导数运算,并提出采用一种由核基函数代替普通基函数的核近似法。     

基于离散傅里叶变换的数字高速测频

为了克服传统的过零检测等数字测频方法的缺点,设计了一种基于离散傅里叶变换（DFT）的快速频率测量电路,满足无源定位系统中低信噪比、高脉冲密度环境的实时频率测量的需求。阐述了基于可编程门阵列的DFT算法的实现方法及谱峰的搜索方法,给出了硬件结构形式。该算法电路结构比采用快速傅里叶变换（FFT）的算法硬件结构具有更快的测频速度。     

基于相干累积的跳频扩频信号的捕获方法

为解决高动态低信噪比环境下信号捕获质量差、通信性能弱的问题,提出了一种基于相干累积的跳频扩频信号的捕获算法.该算法首先对中频信号的2倍重采样信号做快速傅里叶变换(FFT);然后与PN码的FFT的共轭相乘,再做快速傅里叶逆变换(IFFT)完成一次相关,最后对多路相关的结果按照行存列取的方式做FFT,进行相干累积,并通过峰均比来判断是否捕获成功.相较于时域相关运算,频域相关运算在码相位上,只需经过2次FFT与1次IFFT运算,算法复杂度低.由于高斯白噪声的特性,相干累积能实现对信号能量的累积,而不累积噪声能量,可实现对微弱信号的捕获.实验结果表明,该算法在信噪比为-21 dB的情况下,可实现对6000 m/s高动态下3.8 GHz频段附近的信号的捕获,具有较高运算效率和灵敏度.     

变精度下近似算子与程度上近似算子的差运算的算法与分析

探讨和构建交精度近似算子与程度近似算子的新运算,提出了变精度下近似算子与程度上近似算子的差运算,给出了宏观算法和微观算法.进行算法分析与比较,并用一个医疗实例对宏观算法和微观算法进行了分析与说明.     

基于循环核矩阵的自适应目标跟踪算法

针对现在存在的基于分类的目标跟踪算法难以实现自适应目标大小变化的问题,提出并实现了基于循环核矩阵的自适应目标跟踪算法。算法首先在包含目标的感兴趣区域内采集所有的训练样本以构成一个循环矩阵结构,再使用高斯核函数构造出循环核矩阵,最后通过基于循环核矩阵的分类器的封闭形式的解进行训练和检测。同时,将比较成熟的循环矩阵理论与傅里叶分析建立连接,从而实现了在快速傅里叶变换下进行快速学习和检测。在此基础上,通过分类器对目标响应度的变化,实现自适应目标大小的变化。与一些经典的和较新的自适应目标跟踪算法进行比较,实验结果表明该算法在一定场景下能够更加准确和有效地表达目标的变化。     

油田监测与分析系统核心算法修正

随着油田智能化发展的需要,传统的故障诊断、动液面、产量计量算法已不能满足油井问题在实时性和准确性方面的要求。针对目前国内外油井监测与分析系统中存在的问题,本文对系统核心算法故障诊断、动液面、产量计量进行修正。其中,故障诊断采用基于关联度函数修正的方法,并给出一种专家知识库实时更新完善策略。动液面算法采用物元分析的方法,通过建立物元模型确定油井的最优多相流算法。产量计算算法采用均值滤波的方法,通过消除示功图中复杂的频率部分精确求取示功图有效冲程。并对以上修正算法进行了仿真,提高了油井问题诊断的准确性和诊断效率,为智能油田提供理论基础。     

A Fast Tracking Algorithm for Generalized LARS/LASSO

This letter gives an efficient algorithm for tracking the solution curve of sparse logistic regression with respect to the regularization parameter. The algorithm is based on approximating the logistic regression loss by a piecewise quadratic function, using Rosset and Zhu's path tracking algorithm on the approximate problem, and then applying a correction to get to the true path. Application of the algorithm to text classification and sparse kernel logistic regression shows that the algorithm is efficient.     

基于粒子群优化的高斯核函数聚类算法

针对视频帧数据在时间轴上的高斯分布特征,提出基于样本和高斯核相似性度量的聚类算法,采用度量方法考虑概率分布密度因素,同时利用改进的粒子群优化算法加速聚类过程。实验结果表明,与基于C均值聚类算法相比,该算法具有较强的全局搜索能力和聚类精度,在视频数据聚类分析中具有更高的效率和更佳的聚类效果。     

基于扩展SMO求解核函数非正定的SVR模型算法

将求解SVC模型的算法运用到求解SVR模型中一般要SVR模型的核函数正定且满足Mercer条件,而实际应用中利用几何框架将SVC模型转换成相应的SVR模型时,通常无法保证经转换得到的SVR模型的核函数具有正定性,从而导致SVR模型不是凸规划模型而无法求解。为解决上述问题,本文提出了一种运用扩展的序列最小最优化方法(SMO)来求解基于非正定核的SVR模型,设计了算法中工作集的选择准则,解决了算法中如何选择工作集变量当前的最优值问题。由于该算法不要求核函数具有正定性,从而拓宽了SVR模型核函数的选择范围。实验表明,该算法对基于正定或非正定核的SVR模型都具有很好的泛化性能和回归精度,具有一定的理论意义和实用价值。     

结构未知系统降维辨识方法-----变量消去算法

针对结构未知的系统提出一种新的降维辨识方法.借助核函数方法,利用一个高维Volterra模型逼近未知系统.由于Volterra模型未知参数维数较高,为避免高阶矩阵求逆和求特征值,提出变量消去算法,将高维系统的辨识问题转化为两个低维系统辨识问题.通过理论证明采用降维算法后降维系统信息矩阵条件数变小,参数收敛速度得到提高.进一步引入Aitken加速方法提高算法收敛速度,增强算法对步长的鲁棒特性.最后通过仿真例子验证所提出方法的有效性.     

多输出数据依赖核支持向量回归快速学习算法

针对基于递推下降法的多输出支持向量回归算法在模型参数拟合过程中收敛速度慢、预测精度低的情况,使用一种基于秩2校正规则且具有二阶收敛速度的修正拟牛顿算法（BFGS）进行多输出支持向量回归算法的模型参数拟合,同时为了保证模型迭代过程中的下降量和全局收敛性,应用非精确线性搜索技术确定步长因子。通过分析支持向量机（SVM）中核函数的几何结构,构造数据依赖核函数替代传统核函数,生成多输出数据依赖核支持向量回归模型。将模型与基于梯度下降法、修正牛顿法拟合的多输出支持向量回归模型进行对比。实验结果表明,在200个样本下该算法的迭代时间为72.98 s,修正牛顿法的迭代时间为116.34 s,递推下降法的迭代时间为2065.22 s。所提算法能够减少模型迭代时间,具有更快的收敛速度。     

Improving an Algorithm for Approximate Pattern Matching

We study a recent algorithm for fast on-line approximate string matching. This is the problem of searching a pattern in a text allowing errors in the pattern or in the text. The algorithm is based on a very fast kernel which is able to search short patterns using a nondeterministic finite automaton, which is simulated using bit-parallelism. A number of techniques to extend this kernel for longer patterns are presented in that work. However, the techniques can be integrated in many ways and the optimal interplay among them is by no means obvious. The solution to this problem starts at a very low level, by obtaining basic probabilistic information about the problem which was not previously known, and ends integrating analytical results with empirical data to obtain the optimal heuristic. The conclusions obtained via analysis are experimentally confirmed. We also improve many of the techniques and obtain a combined heuristic which is faster than the original work. This work shows an excellent example of a complex and theoretical analysis of algorithms used for design and for practical algorithm engineering, instead of the common practice of first designing an algorithm and then analyzing it. Received March 31, 1998; revised November 18, 1998.     

频率指配问题求解的模式分析核方法

为有效解决频率指配问题,提出了一种解决该问题的模式分析核方法,算法利用频率指配方案的评估函数值构建核矩阵,以核矩阵为基础在特征空间中运行聚类分析算法,对频率指配方案相似性进行度量,完成频率指配方案的归类划分。优化结果可直接作为跳频指配结果,也可作为其他优化算法的初始解。该算法在电台数量规模较大的应用中体现出良好的性能,算法结果作为蚁群、遗传算法的初始解,后继算法收敛速度明显提高。     

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率，在对基于核的学习算法中，核函数的构成条件以及不同核函数的特性进行分析和研究的基础上，提出了一种新的核函数——组合核函数，并将它应用于核主分量分析(KPCA)中，以便进行图像特征的提取，由于新的核函数既可以提取全局特征，又可以提取局部特征，因此，可以提高KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性，首先利用新的核函数进行KPCA，以便对手写数字和脸谱等图像进行特征提取，然后利用线性支持向量机(SVM)来进行识别，实验结果显示，从识别率上看，用组合核函数所提取的特征质量比原核函数所提取的特征质量高。     

基于动态参数的函数空间学习最优核映射

核函数方法可挖掘出高精度快速印刷品图像间的非线性分布规律,而挖掘能力由所选择的核函数及其参数来决定。这两者的学习与选择同样是核函数理论继续发展与实际应用需要迫切解决的问题。针对印刷品智能检测这一特定背景,提出了一种新的基于优化问题的从具有动态参数的函数空间中学习核函数及参数的方法,以此来使核函数方法达到最优性能。与传统的计算方法不同之处在于其核函数空间中的核参数是连续变化的,这使学习的范围得到一个维度上的扩展。实验结果显示,结合理论分析的迭代算法仅需要10次迭代便可得到统计最优的核函数及参数,利用学习到的核函数计算的复原误差是统计最小的。