用于扩频码型估计的改进自相关矩阵构造算法

子空间理论中被用于奇异值分解或特征值分解的自相关矩阵,通常可表示为接收向量与其自身转置的乘积。提出了自相关矩阵的新型构造算法。该算法构造的自相关矩阵,特征值分解后其对噪声不敏感,克服了常规子空间方法的弱点。仿真试验表明,该方法应用在高噪声、低信噪比的实际通信环境下,特征值不会被噪声湮没,从根本上解决了传统子空间分辨率不足的问题。同时,仿真表明,该方法对于多用户扩频信号同样适用,可解决多用户扩频信号的码元分离问题,其计算结果与理论计算一致,验证了算法的正确性。     

LMS自适应信道估计算法及仿真

提出一种基于连续导频的LMS自适应信道估计算法，在一个符号内进行ⅢS自适应滤波，经多次迭代得到信道估计值，然后根据信道变化速度再对其进行多符号平均。接收系统通过Simulink实现，并通过编写S函数仿真LMS自适应信道估计算法，系统动态仿真结果显示此方法可明显提高信道估计的准确度和接收机性能。     

基于LMS的自适应抗干扰算法仿真研究

阐述了LMS的基本原理和结构,进行了正方形天线阵仿真模型的建立,并将算法应用于该模型,进行了Matlab下单、双干扰的仿真,仿真结果表明,算法对于单干绕的抑制度为68dB、对于双干扰的抑制度为40dB,仿真验证了该算法的可行性。     

数字音频里LMS算法及其改进算法研究

在数字音频里,由于LMS算法具有低计算复杂度、在平稳环境中的收敛性好和利用有限精度实现算法时的稳定性等特性,使LMS算法成为自适应算法中应用最广泛的算法。本文对LMS算法及其改进算法进行了研究,探讨了步长因子μ(n)对各种算法收敛性、稳定性的影响。结果表明,变步长μ(n)的取值尤为重要,如果μ(n)取较大值则具有较快的收敛速度,如果μ(n)取值很小,则NLMS算法近似等效于LMS算法。它们的自适应过程较快,性能有了很大改进。     

自相关矩阵的时空二维估计方法

当不相关信号源入射到均匀线阵，线阵阵元输出信号是空间广义平稳的，其自相关矩阵是赫尔米特托普尼兹矩阵，作者利用阵列信号的空间平稳性质，提出了自相关矩阵的时空二维估计方法。通过大量的模拟实验，验证了时空二维估计方法比常规的时间最大似然估计方法有明显的优越性，它以微弱的计算量换来了估计性能的大幅度改善。     

一类求解非线性奇异方程组的牛顿改进算法

受一个求解非线性奇异方程组迭代格式的启示,将两种牛顿改进算法推广成一般形式,并将其发展为一类求解具有奇异雅可比矩阵的非线性方程组的牛顿改进算法.首先,描述这类新算法的迭代格式,并导出其收敛阶,该新格式每步迭代仅需计算一次函数值和一次导函数值;然后,对测试函数进行检验,并与牛顿算法及其他奇异牛顿算法进行比较,从而验证该算法的快速收敛性;最后,通过两个实际问题验证所提出算法的有效性.     

磁记录非牛顿液膜润滑仿真

随着记录密度的不断提高,头盘浮动间隙不断减小。目前近场光、磁混合记录已经在研究10nm以下的浮动系统。由于浮动间隙已远小于空气分子平均自由程(室温下约65nm)而有使气膜浮动技术有失效的危险。非牛顿液膜浮动技术就是在这种背景下在近几年备受关注的。该文提出了一个新的非牛顿润滑液膜,建立了考虑表面粗糙度影响的非牛顿液膜浮动系统模型,对不同表面粗糙度形状系数进行了仿真研究。研究表明,非牛顿液膜浮动系统的性能与气膜的情况有很大的差异。     

考虑负荷类型的配电网改进牛顿潮流算法

针对传统牛顿法存在计算量大、效率低,且当负荷类型不再是恒功率时其迭代次数与时间会明显增加等问题,提出了一种改进的牛顿潮流法。该算法考虑了负荷类型,将恒功率、恒电流和恒阻抗结合起来组成ZIP负荷模型,采用矩阵分裂以及矩阵求逆运算的松弛方法,使求解过程简单、快捷,有效地提高了算法效率,削弱了负荷类型变化对迭代次数以及迭代时间的影响。采用33节点系统测试比较了算法的迭代次数和迭代时间,证实了算法的有效性;并通过潮流计算结果分析了负荷类型对系统电压的影响,结果表明,恒阻抗负荷比例的增加有利于提高系统节点电压。     

融合能量周期性递减与牛顿局部增强的改进HHO算法

为增强栗翅鹰优化算法的全局探索能力和局部开采性能,提出一种融合能量周期性递减机制与牛顿局部增强策略的改进栗翅鹰优化算法(improved harris hawks optimization,IHHO).该算法在传统HHO算法基础上,启发于自然界中鹰与猎物间的多轮围捕-逃逸现象且猎物能量整体上呈现递减态势,进而设计一种猎...     

采用牛顿插值的多项式因式分解算法的设计与实现

基于Kronecker所提供的一元多项式因式分解的构造算法、一元整系数多项式在整数环上因式分解理论,利用牛顿向前差分插值算法代替拉格朗日插值算法,把有理域上一元高次多项式因式分解化为在整数环上的因式分解,得到了整数环上的一元多项式因式分解的构造性算法,给出了具体实现过程。     

融合社交信息的矩阵分解改进推荐算法

矩阵分解的推荐模型具有推荐精度高和易扩展等特点,已成为目前融合社交信息构建推荐系统的主要模型,但在分解过程中,用户偏好矩阵和物品特征矩阵初始赋值的随机性影响了推荐的性能,忽略了物品以及用户之间隐含的联系与区别。为此,提出一种基于社交信息的矩阵分解改进算法。将评分值分别与社交信息和物品的特征属性相结合,构建用户相似网络与物品相似网络,同时应用社区划分充分挖掘用户、物品之间的潜在关系,并按不同类型节点的近邻差异性,通过建立核心、非核心节点的偏好向量与特征向量得到矩阵分解初始矩阵。在公开数据集上的实验结果表明,该算法的推荐性能优于MF、SR2等同类型算法,运行迭代次数明显降低。     

改进的变步长LMS自适应滤波算法及其仿真

对变步长的(LMS)自适应算法进行了讨论,本文提出了一种新的变步长LMS自适应滤波算法,并用计算机进行了仿真,结果表明该算法在误差接近于零时步长具有缓慢的变化的特性,并且在低信噪比的环境下有更好的抗噪性能,滤波效果更好。     

矩阵变换器控制算法及仿真分析

文章给出了矩阵变换器的一种开关函数控制策略,建立了一个基于开关函数控制算法的矩阵变换器仿真模型。在理想的工作条件下,对该模型进行了计算机仿真,同时也对仿真的实验结果进行了分析和讨论。     

一种改进的变步长LMS自适应算法及分析

现有的变步长LMS算法中,大都采用建立步长因子与误差信号的函数关系的方法,以提高算法的收敛速度和跟踪性能,但由于未考虑输入信号对算法性能的影响,使得当输入信号发生变化后,稳态误差明显增大。为此,在现有算法的基础上,引入了输入信号因子,提出了一种改进算法。该算法可根据瞬时误差和输入信号来调整步长因子,使算法不仅能保持较高的收敛速度和跟踪性能,还可在输入信号变化的情况下,保证较小的稳态误差。理论分析及仿真实验表明新算法的性能优于现有算法。     

一种基于相关函数的LMS算法

从 Asharif定义的相关函数均方误差 (Mean squares error,MSE)准则 Jr(n)出发 ,在利用牛顿梯度法时用当前时刻的梯度估计代替前一时刻的梯度估计 ,并由矩阵求逆定理导出了一种新的相关函数自适应滤波算法。理论分析表明 ,新的算法对步长因子 μ>0是无条件收敛的 ,该算法应用于回波消除中的计算机数值仿真 ,结果显示其收敛性能良好 ,优于 CLMS算法。     

一种改进变步长因子LMS算法的研究

传统的LMS算法,由于其步长因子μ是事先指定的固定值,因而在迭代过程中不能随着估计误差e（n）来进行相应的调整,所以其收敛性完全由初始条件和步长决定。为了改变这种状况,文章提出了一种步长因子μ（n）随时间变化的LMS算法,其收敛速度快于LMS和NLMS,具有较小的失调,将本算法应用于自适应预测系统,Matlab仿真实验结果与理论分析一致。     

求解非线性回归问题的Newton算法

针对大规模非线性回归问题,提出基于静态储备池的Newton算法.利用储备池搭建高维特征空间,将原始问题转化成与储备池维数相关的线性支持向量回归问题,并应用Newton算法求解.鲁棒损失函数的应用可抑制异常点对预测结果的干扰.通过与SVR(Support Vector Regression)及储备池Tikhonov正则化方法比较,验证了所提方法的快速性、较高的预测精度和较好的鲁棒性.     

一种改进的区分矩阵属性约简算法及应用

通过对传统的基于区分矩阵的属性约简算法进行分析后,针对区分矩阵中"重复"元素过多,同时这些"重复"元素非但在求解属性约简的过程中不起作用,而且还降低时间效率这一缺点进行了改进,即在构造区分矩阵的过程中,利用命题演算中的吸收律去掉了在区分函数中不起作用的"重复"元素,提出了一种属性约简的改进算法RADM,提高了属性约简效率。     

改进的基于差别矩阵的属性约简算法

指出现有差别矩阵属性约简算法的不足,对原有差别矩阵和属性重要性度量方法进行改进,运用差别矩阵元素项的重要性质,提出一种新的启发式约简完备算法,有效地降低差别矩阵约筒算法的空间复杂度。仿真实验结果显示,新算法产生的约筒与分辨函数思想产生的最优约简一致,表明了新算法的有效性与完备性。