基于主成分分析的模糊时间序列模型的平稳化算法

在模糊时间序列模型建立的过程中,对数据的预处理和模糊规则的优化往往是影响模型预测精确度的关键因素.针对上述问题,提出基于主成分分析(PCA)的平稳化算法.首先,对数据进行平稳化检验,并将非平稳的数据进行预处理使其平稳;其次,对论域进行划分并根据模糊关系构建广义的协方差矩阵,由此计算广义协方差矩阵的特征值和特征向量;再次,根据特征值的累计贡献率优化模糊规则,利用优化后模型进行预测;最后,通过实际算例验证新算法的可行性.     

基于图像的异型墙地砖在线分道系统

提出了一种异型墙地砖在线提取和纹理比较的方法。将CCD采集的墙地砖图像进行灰度阈值分割后,经过以矩形模式为特征的轮廓搜索,对原始图像中的砖面区域做标准化仿射变换处理,实现墙地砖的在线提取。依据计算共生矩阵特征向量,采用最小距离分类原理进行纹理比较分类决策,并采用自适应阈值参数加强算法的鲁棒性。基于所提取算法研制了异型墙地砖在线分道系统,并在实际现场运行成功,取得良好的分道效果。     

基于可靠性度量排序的λ-广义球形解码算法

针对欠定多输入多输出(MIMO)系统中信道矩阵非满秩的问题,提出基于可靠性度量排序的λ-广义球形解码(λ-GSD)算法。该算法将信道矩阵直接转换成满秩矩阵,然后采用基于可靠性度量的排序策略,将排序后由最小均方误差算法得到的次优解作为λ-广义球形解码算法的初始值,减小了初始搜索半径,同时对球形解码算法搜索半径的收缩进行了指数收敛加速处理。仿真结果表明,所提算法同最大似然检测算法和原λ-GSD算法相比较,能获得相同的误符号率性能,而平均运算时间比原λ-GSD算法有明显降低。     

用于CS的广义稀疏度自适应匹配追踪算法

压缩感知理论的基本思想是原始信号在某一变换域是稀疏的或者是可压缩的,并将奈奎斯特采样定理中的采样过程和压缩过程合二为一。稀疏度自适应匹配追踪（SAMP）算法能够实现稀疏度未知情况下的重构,而广义正交匹配追踪算法每次迭代时选择多个原子,提高了算法的收敛速度。基于上述两种重构算法的优势,提出了广义稀疏度自适应匹配追踪（Generalized Sparse Adaptive Matching Pursuit,gSAMP）算法。针对重构图像的峰值信噪比、重构时间、相对误差等客观评价指标,以及主观视觉上对所提算法与传统的贪婪算法进行对比。在压缩比固定为0.5时,gSAMP算法的重构效果优于传统的MP、OMP、ROMP、SAMP以及gOMP贪婪类重构算法的效果。     

一种新的核广义鉴别特征抽取方法

在基于核的广义鉴别特征模型的基础上,提出了一种新的核广义鉴别特征抽取方法。利用空间变换的有关理论,使得变换后的核总体散布矩阵满足非奇异性;同时通过核共轭特征抽取方法,抽取满足核共轭正交条件的特征向量,使抽取的特征满足统计不相关性。在ORL人脸库上的实验表明了所提方法的有效性,达到了比核鉴别分析等方法更好的识别效果。     

方阵广义特征向量的一种相似迭代算法

提出初等相似变换的概念,探讨如何利用初等变换法求一个方阵的广义特征向量的方法。进一步将该方法用迭代算法来书写,这就为用Matlab编程求解矩阵的广义特征向量提供了条件。通过对两个矩阵的实例计算验证了该迭代方法能够较好地求解一般方阵的广义特征向量,比用通常的解线性方程组的方法要简单得多,且更易在计算机上用Matlab编程实现。     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

基于模式聚合和广义粒子群的网页文本属性约简

将模式聚合和自适应广义粒子群算法相结合,提出了一种文本属性约简新方法.设计交叉操作模拟粒子飞行速度的变化,变异操作保持种群的多样性,同时引入自适应策略动态调整变异概率,以求最优特征子集.在用自适应广义粒子群算法约简前,先用模式聚合理论对原始特征空间约简,得到中间特征子集,然后再用自适应广义粒子群算法继续约简,充分发挥两者的优势.实验结果表明,此算法能有效降低文本维数,提高分类精度.     

多维广义次成分提取准则及自适应算法

针对广义次成分在信号处理中没有与之相对应的信息准则,而且只能提取单维广义次成分,提出一种多维广义次成分提取准则,并通过矩阵微分法证明了所提出信息准则只有唯一的全局极大值.基于该信息准则,采用梯度上升法导出一种多维广义次成分提取算法,并采用李雅普诺夫函数法对所提出算法的全局收敛性进行证明.与其他现有算法不同,所提出算法可以并行提取多维次成分,而并不需要模值归一化.仿真实验表明,所提出算法相比一些现有算法具有收敛速度快和估计精度高的优点.     

动态权重层次卷积特征自适应目标追踪算法

为改进追踪算法在目标快速运动或被遮挡等情况下的性能,对目标追踪中普遍采用的相关滤波算法框架进行了研究,基于核相关滤波器(KCF)提出一种层次化提取卷积神经网络特征并自适应赋予动态权重的目标追踪算法.通过提取不同层次卷积神经网络特征,分别经过相关滤波器学习得到不同的KCF模板,结合特征层次和各滤波器稳定度、准确度赋予动态权重,以融合3个模板确定最终目标位置.实验采用OTB标准数据库,测试了新算法在遮挡、运动模糊、快速运动等干扰项下的整体性能,结果表明所提算法在整体上提高了追踪的性能及精度,可以灵活适应不同特征的场景,并且相较于经典KCF平均精确度提高了35.4%,平均成功率提高了33.6%.     

Adaptive Generalized Eigenvector Estimating Algorithm for Hermitian Matrix Pencil

Generalized eigenvector plays an essential role in the signal processing field. In this paper, we present a novel neural network learning algorithm for estimating the generalized eigenvector of a Hermitian matrix pencil. Differently from some traditional algorithms, which need to select the proper values of learning rates before using, the proposed algorithm does not need a learning rate and is very suitable for real applications. Through analyzing all of the equilibrium points, it is proven that if and only if the weight vector of the neural network is equal to the generalized eigenvector corresponding to the largest generalized eigenvalue of a Hermitian matrix pencil, the proposed algorithm reaches to convergence status. By using the deterministic discrete-time (DDT) method, some convergence conditions, which can be satisfied with probability 1, are also obtained to guarantee its convergence. Simulation results show that the proposed algorithm has a fast convergence speed and good numerical stability. The real application demonstrates its effectiveness in tracking the optimal vector of beamforming.      

Single-channel source separation of multi-component radar signal based on EVD and ICA

This study explored a novel method based on eigenvalue decomposition (EVD) and independent component analysis (ICA) to separate the multi-component radar signal in the single channel. By exploiting the generalized periodicity of the radar signal, the proposed method structures the multi-dimensional matrix from the observed signal in single-channel through EVD, then applies ICA to the matrix to determine the basic waveform of each component, and finally reconstructs the component signals. Simulation results confirmed the effectiveness of the proposed method and compared it with other methods, although the performance of proposed approach is a bit worse than some other method when processing radar signals, the most outstanding advantage of the proposed approach is that it does not require any other known conditions, and it can recover the component signals with a satisfactory level, so it can yet be regarded as an effective method.     

基于约束模糊聚类的电力系统扰动信号识别方法

传统电力系统扰动信号识别方法只能解决单一扰动问题,无法对多个扰动信号进行高效率识别,为避免传统方法的弊端,提出了基于约束模糊聚类的扰动信号识别方法。计算拟合信号包络平均值,获取拟合信号和包络平均值之差,将差值作为新的拟合信号,获取最小特征尺度分量,不断进行模态分解,可将信号分解成若干个不同特征尺度函数。经过模态分解的信号满足路由信息协议标准,以新的稀疏向量为基础,对混叠的扰动信号进行特征提取。采用傅里叶变换描述扰动信号基本变化情况,计算电力系统中扰动信号的n阶导数,由此获取传输过程中的变换参数,得到采集点空间位置坐标系,依据该坐标系选择最优窗口标准,使用约束模糊聚类方法,将扰动信号全部聚类到中心位置。通过建立权值系数矩阵,设置迭代次数,并进行误差补偿,获取新的聚类中心,对抗噪声扰动信号进行有效识别。由实验结果可知,该方法最高识别精准度可达到98%,为电力系统正常运行提供支持。     

一种广义次成分提取算法及其收敛性分析

广义次成分分析(generalized minor component analysis,GMCA)在现代信号处理的许多领域具有重要作用.目前现有的大多算法不能同时具备与算法对应的信息准则,以及收敛性、自稳定性和多个广义次成分提取的性能.针对上述问题,利用一种新的信息传播规则,推导出一种广义次成分提取算法,并采用确定离散时间方法(deterministic discrete time,DDT)对算法的全局收敛性能进行分析;同时,通过理论分析算法的收敛性能与算法初始状态的关系,表明算法具有自稳定性.进一步地,探索了算法在多重广义次成分提取方面的应用.相比之前的算法,所提算法具有更快的收敛速度.Matlab仿真验证了所提出算法的各项性能.     

Eigenfilter design of linear-phase FIR digital filters using neural minor component analysis

This paper proposes a minor component analysis-based neural learning algorithm for designing linear-phase finite impulse response digital filters. The objective function to be minimized in the least-squares design can be formulated as the eigenvalue problem for solving an appropriate real, symmetric, and positive-definite matrix. To achieve the eigenfilter design, an alternative neural learning rule based on the minor component analysis algorithm is exploited. The optimal filter coefficients corresponding to the eigenvector of the smallest eigenvalue of the positive-definite matrix can be achieved in an iterative manner, avoiding the complex computation of eigenvalue decomposition. Furthermore, the learning step parameter that affects the convergence performance is investigated empirically. The simulation results indicate that the proposed neural-based approach can be applied to eigenfilter design and yields a lower computational complexity compared with traditional matrix algebraic-based approaches.     

一种基于无线传感器阵列的到达方向检测方法

以线性等距无线传感器阵列为例,提出一种有效的到达方向检测算法.列堆栈两个平移不变子阵的相关矩阵,给出一种奇异值分解和特征值分解相结合的两步算法,估计传感器阵列的导向矢量矩阵,通过分析导向矢量矩阵的结构化信息,构造估计导向矢量和理想导向矢量的相关函数,进而求解相关函数的驻点,搜索有限个驻点中使相关函数最大的驻点对应的角度估计到达方向,避免了穷尽搜索.仿真结果表明：所提算法在相同信噪比下分辨成功率高于著名的ESPRIT算法、同一分辨成功率下要求的信噪比更低.在信噪比、快拍数、阵元个数变化下对目标定位的均方根误差均优于ESPRIT算法,更接近于理论最优值.     

Process identification based on last principal component analysis

A simple linear identification algorithm is presented in this paper. The last principal component (LPC), the eigenvector corresponding to the smallest eigenvalue of a non-negative symmetric matrix, contains an optimal linear relation of the column vectors of the data matrix. This traditional, well-known principal component analysis is extended to the generalized last principal component analysis (GLPC). For processes with colored measurement noise or disturbances, consistency of the GLPC estimator is achieved without involving iteration or non-linear numerical optimization. The proposed algorithm is illustrated by a simulated example and application to a pilot-scale process.     

基于特征值分解的最大间隔支持向量回归机

广义特征值中心支持向量回归机(GEPSVR) 是一种有效的核回归算法, 但其在求解优化问题时易导致奇异 性问题. 为此, 提出一种基于特征值分解的支持向量回归机, 简称IGEPSVR. 与GEPSVR 相比, IGEPSVR 的主要优势 有: 结合最大间隔准则和GEPSVR 几何思想给出了新的距离度量准则; 在优化模型中引入Tikhonov 正则项, 克服了 可能产生的奇异性问题; IGEPSVR 仅需求解两个标准特征值, 降低了计算复杂度. 实验结果表明, 较GEPSVR 算法, IGEPSVR 不仅提高了学习能力, 而且缩短了训练时间.

     

基于量子免疫进化的空时多维参数估计

利用阵列信号处理时域与空域等效的关系,以平面阵为基础,采用阵列协方差矩阵的奇异值分解和广义特征值分解估计接收信号的频率,通过分析阵列模型,提出一种抗原和抗体的亲和力函数;利用量子免疫进化的特性,估计出信号的俯仰角和方位角,从而完成阵列信号的多维参数估计,改善了多维参数估计的抗噪性能、数值稳定性和运行时间。通过计算机仿真,证明了该算法的有效性。     

基于信号功率谱密度分布的动态非均匀子带分解方法

针对频谱变化范围较大的宽带信号的子带分解问题,为了动态地调整子带的宽带与数量,合理地控制子带信号的自相关矩阵特征值扩散度,提高子带信号处理的性能和效率,在基于离散傅里叶变换(DFT)子带分解方法的基础上,提出了一种基于信号功率谱密度(PSD)的动态非均匀子带分解的新方法。对于给定序列,通过功率谱估计,确定子带数目和子带幅度范围,通过子带调制实现不同子带向零频处搬移,实现信号的分解。利用Matlab对子带信号特征值扩散度和信号重建性能进行了仿真。实验结果表明,与均匀子带分解相比,提出的方法直接利用PSD的分布信息实现非均匀子带分解,有效地控制了子带信号特征值扩散度在合理范围内的分布,并具有较好的重构性能。