基于加权最小二乘的红外热像仪的标定

目前,人们在对红外热像仪进行辐射标定时,普遍采用精度不太理想的最小二乘法.为减少热像仪的系统随机误差、环境波动和黑体温度不稳定等因素对标定结果的影响,提高标定模型的精度,建立了基于加权最小二乘的红外热像仪标定模型,并分别基于加权最小二乘法与最小二乘法进行了标定实验和辐射测量实验.实验结果表明,基于加权最小二乘的标定模型的拟合精度更高,其在辐射测量实验中的平均测量精度比基于最小二乘的平均测量精度提高了2.3％.基于加权最小二乘的红外热像仪的标定具有较强的实用价值和一定的借鉴意义.     

基于微波谐振技术的活性炭质量检测

为提高活性炭含量检测的效率与精度，基于微波谐振技术设计了一种活性炭滤棒微波幅值变化信号采集装置，并将高斯滤波和惩罚最小二乘算法相结合对微波幅值变化信号进行降噪和基线扣除处理。首先，比较了不同高斯窗口长度的滤波效果，选用非对称最小二乘法、自适应迭代重加权惩罚最小二乘法、非对称重加权惩罚最小二乘法和多约束重加权惩罚最小二乘法等4种处理方法对微波幅值变化信号进行基线校正，再求出基线校正后微波幅值变化信号的峰高、峰面积与半峰全宽，然后比较了基于支持向量回归机、偏最小二乘算法与反向传播神经网络建立的模型的预测结果。结果显示，活性炭质量的最佳模型为“峰面积-活性炭质量”，模型决定系数为0.9924，平均绝对误差为0.7979 mg，相对标准偏差为1.4962%。活性炭质量重复性检测最大标准差为1.85 mg，活性炭质量检测的最小绝对偏差为0.03 mg，活性炭质量检测最小相对偏差为0.05%。该方法为烟用活性炭滤棒中活性炭的定量分析提供了一种快速有效的方法。     

基于约束总体最小二乘方法的到达时差到达频差无源定位算法

两步加权最小二乘方法(two-stage WLS)是求解TDOA/FDOA无源定位问题的经典线性方法,但也存在着定位偏差和均方误差对测量噪声的适应能力较差的缺点。该文根据TDOA/FDOA的伪线性定位方程组特点,将其建立为一种带约束条件的约束总体最小二乘(CTLS)模型,并采用拉格朗日乘子法求解带约束条件的CTLS问题,建立了几种最小二乘类定位方法的统一解,从而将约束加权最小二乘(CWLS)定位解和约束最小二乘(CLS)定位解变为该文CTLS定位解的特例。仿真表明,该文方法比两步加权最小二乘方法具有更低的均方误差,并能够有效减小定位偏差,因而具有更好的测量噪声适应能力。     

应用预测最小二乘准则的AR模型判阶方法

本文通过多种ＡＲ模型的判阶准则的比较提出了应用最小二乘预测误差的滑窗预测最小二乘（Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ Ｐｒｅｄｉｃｔｉｖｅ Ｌｅａｓｔ Ｓｑｕａｒｅｓ，ＳＷＰＬＳ）判阶准则。采用这种准则的主要优点除了准确的判阶性能外，对于时变ＡＲ模型具有良好的跟踪特性，同时算法容易在线实时处理。文中主要对时变模型参数和时变模型阶数的多种情况进行了判阶模拟，验证了文中提出的滑窗最小二乘预测判阶准则的有效性     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

基于最小二乘的时差定位算法

时差测量方程是非线性双曲线方程,可以通过引入中间变量将其转化为线性方程,对近年来国内外学者关于这种方法的时差定位算法进行了总结。当已知测量误差的先验信息时,可以采用两步加权最小二乘法和约束加权最小二乘法,当测量误差的先验信息未知时,还可以采用约束总体最小二乘的方法。在求解约束最小二乘问题时,采用常规的拉格朗日法计算复杂、运算量大,而采用高斯一牛顿法不仅可以大为降低运算量,还能提高解的精度和稳定性。此外,对约束加权最小二乘法和约束总体最小二乘法之间的关系进行了探讨,得到了它们等价性的条件。     

基于三种模型的昆士兰州短期电力负荷预测对比探究

为提高电力负荷预测模型的预测精度本文将基本ARMA模型与Kalman滤波结合建立ARMA-Kalman滤波模型,将ARMA模型与SVM模型以及SVM的优化方法结合,建立ARMA-SVM模型,以试图提高模型的预测精度。同时将前两个模型以及基本ARMA模型应用于澳大利亚昆士兰州短期电力负荷预测中。实例研究表明,ARMA-Kalman模型未能如期较大提高对澳大利亚昆士兰州的电力负荷预测精度,ARMA-SVM模型在一定程度上提高了预测精度。     

多站测向定位中递归加权最小二乘法的技术分析

最小二乘法常用于多站测向定位,文章在现有最小二乘法模型基础上,推导了一种递归加权的最小二乘法模型,并与非递归的最小二乘法模型在运算量上进行了比较,发现在测向站较多的情况下（多于6站）,递归的最小二乘法模型比非递归的最小二乘法模型在运算量上要小,最后绘出了不同数量测向站的GDOP图,发现在一定误差条件下,随着测向站的增加,定位精度的提高并不是很明显。     

加权最小二乘估计中加权系数的确定

简要地对最小二乘估计进行了介绍，通过深入分析加权最小二乘估计，引入了“矩阵型”的许瓦兹不等式，并对该不等式进行了证明，在该不等式的基础上，详细分析了在估计的误差方差达到极小情况下的加权矩阵。通过本文的分析，为加权最小二乘估计提供了详细的分析过程和正确的估计公式     

采用距离无偏估计的加权最小二乘定位算法

随着WiFi网络的广泛覆盖,基于接收信号强度的定位技术成为研究热点。针对已有基于接收信号强度定位算法定位性能不高的实际问题,提出一种基于距离无偏估计的加权最小二乘定位算法。该方法首先利用接收信号强度观测模型计算得到信号源与传感器之间距离的无偏估计量,然后根据距离计算公式建立方程组;接着把距离的无偏估计量代入方程组得到关于信号源位置的线性最小二乘模型,同时计算线性最小二乘模型中的噪声协方差矩阵;最后运用加权最小二乘方法计算得到信号源位置的估计量。该文对所提算法进行了充分的计算机仿真,仿真结果表明:在不同的定位环境下,所提算法的定位性能均优于传统加权最小二乘算法和最佳线性无偏估计算法。      

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

基于ARMA-AKF的HRG随机误差建模分析

针对半球谐振陀螺(HRG)随机误差影响惯性测量单元测量精度的问题,提出了一种改进的基于自回归滑动平均(ARMA)模型和自适应滤波(AKF)的随机误差处理方法。该文对预处理的数据进行了自相关和偏相关特性分析,判断随机误差的适用模型,以及利用贝叶斯信息准则(BIC)准则估计ARMA模型的阶数,通过长自回归模型计算残差法获取模型参数,引入加权自适应因子在线调整一步预测误差阵和量测噪声矩阵用于改进滤波方程,并比较了5项主要误差系数值。结果表明,改进的算法能够有效抑制随机误差,为HRG的随机误差建模补偿提供了新方法。     

基于零极点预测模型的码激励线性预测语音编码算法

针对传统码激励线性预测（Code Excited Linear Predictive，CELP）语音编码器在预测模型和参数估计方面的不足，提出了一种基于零极点预测模型的CELP语音编码新算法。该算法采用零极点预测模型来更准确地描述语音信号的短时相关性，并采用梯度法来同时对零极点模型的参数和激励码本增益进行联合优化求解。实验结果表明所提语音编码算法可显著降低CELP编码器合成语音的归一化均方误差，有效提高合成语音的质量。     

基于非线性时间序列的预测模型检验与优化的研究

 模型的适用性检验和参数优化是系统建模的最关键环节,对于预测模型的适用性检验,常采用残差方差图、最小信息准则和AIC准则等方法,存在计算量大、准确性低、模型不唯一等缺点.本文给出采用自相关系数和偏自相关系数的拖尾先对ARIMA模型检验,再对其进行F适用性检验,克服了由于观测样本的长度是有限的,偏相关的估计存在误差,拖尾时不能为ARMA定阶的缺陷,并采用具有超线性收敛性等诸多优点的变尺度法对模型参数进行了优化,得到了较为精确的、单一AIRMA 模型,该方法可应用于网络流量模型的适用性检验和模型优化,为网络流量的预测、异常检测和服务器负载预测的应用奠定了坚实的基础.     

基于对数误差准则的HRTF共极点/零点建模方法

共声学极点/零点(CAPZ)逼近是头相关传递函数(HRTF)建模的一种高效方法,与极零点模型相比,它可以用更少的参数表示HRTF。传统的CAPZ模型参数估计方法是基于最小均方误差准则,而人的听觉感知系统更适合于对数误差准则,为此,该文提出一种基于对数幅度误差最小化的CAPZ模型参数估计方法。该方法首先使用Haneda方法估计出声学共极点,然后在对数幅度误差准则下,使用迭代加权最小二乘算法估计零点,从而得到完整的CAPZ模型。仿真实验结果验证了其有效性。     

一种基于ARMA模型的目标极点提取新方法

针对传统极点提取算法需要确定目标后时响应起点的不足,本文提出了一种提取目标极点的新方法,该方法使用ARMA模型逼近整个目标响应,并利用全局最小二乘技术求解模型参数获取目标极点。基于实测细导线和有限长柱体散射场数据的处理结果表明,本文新方法较之KT法和矩阵束法具有更高的极点提取精度。     

Enhanced autoregressive moving average spectral estimation appliedto the measurement of Doppler spectral width

The measurement of clear-air turbulence with a Doppler radar is investigated. An autoregressive moving average (ARMA) model is proposed to improve the Doppler spectral width estimates. An iterative algorithm that has its origin in system identification is used for the estimation of the ARMA parameters. By taking advantage of a priori knowledge of the correlation matrix, which arises in the derivation of the governing equations of the ARMA parameters, the ARMA spectral estimate can be improved. This improvement is shown in terms of bias and variance of the spectral width estimate     

EWMA forecast of normal system activity for computer intrusion detection

Intrusions into computer systems have caused many quality/reliability problems. Detecting intrusions is an important part of assuring the quality/reliability of computer systems by quickly detecting intrusions and associated quality/reliability problems in order to take corrective actions. In this paper, we present and compare two methods of forecasting normal activities in computer systems for intrusion detection. One forecasting method uses the average of long-term normal activities as the forecast. Another forecasting method uses the EWMA (exponentially weighted moving average) one-step-ahead forecast. We use a Markov chain model to learn and predict normal activities used in the EWMA forecasting method. A forecast of normal activities is used to detect a large deviation of the observed activities from the forecast as a possible intrusion into computer systems. A Chi square distance metric is used to measure the deviation of the observed activities from the forecast of normal activities. The two forecasting methods are tested on computer audit data of normal and intrusive activities for intrusion detection. The results indicate that the Chi square distance measure with the EWMA forecasting provides better performance in intrusion detection than that with the average-based forecasting method.