基于特征子空间的最小二乘恒模算法

最小二乘恒模算法(lscma)是阵列信号处理中广泛使用的一种能全局收敛且稳定性强的算法,但是当低信噪比的情况下它的收敛性和输出信干噪比会明显下降。本文在信号子空间特征值分解的基础上进行权值迭代,提出一种基于特征子空间的最小二乘恒模算法(eb-lscm)。经过实验仿真该算法的收敛性要强于lscma算法。     

基于改进约束最小二乘方法的图像复原算法

约束最小二乘方法（约束最小二乘方滤波器）在图像复原的应用过程中普遍只要求噪声方差和均值的知识,对处理的每一幅图像都能产生最优效果,因而得到了广泛应用。文中提出的图像复原算法就是基于约束最小二乘方法的,并对其进行了改进。通过实验证明,用该改进的图像复原处理方法复原的图像比用维纳滤波方法复原的图像更加平滑,复原图像的信噪比也更大。另一方面,改进的约束最小二乘方法复原的图像比平滑约束最小平方法复原的图像具有更加突出的边缘,而且同样具有更高的信噪比。适当应用该方法,能够体现出维纳滤波和平滑约束最小平方滤波这两种基本的约束最小二乘方滤波相结合的效果优势。     

基于改进约束最小二乘方法的图像复原算法

约束最小二乘方法(约束最小二乘方滤波器)在图像复原的应用过程中普遍只要求噪声方差和均值的知识,对处理的每一幅图像都能产生最优效果,因而得到了广泛应用。文中提出的图像复原算法就是基于约束最小二乘方法的,并对其进行了改进。通过实验证明,用该改进的图像复原处理方法复原的图像比用维纳滤波方法复原的图像更加平滑,复原图像的信噪比也更大。另一方面,改进的约束最小二乘方法复原的图像比平滑约束最小平方法复原的图像具有更加突出的边缘,而且同样具有更高的信噪比。适当应用该方法,能够体现出维纳滤波和平滑约束最小平方滤波这两种基本的约束最小二乘方滤波相结合的效果优势。     

基于判别最小二乘回归的局部保留子空间学习算法

近几年稀疏表示在降维领域的成功应用引起了人们的广泛关注。针对稀疏表示能够有效提取出相同类内部样本间和不同类之间的稀疏性,却具有高复杂度求解过程和存在丢失数据结构关键信息的缺点进行了研究,提出了判别最小二乘局部保持投影(DLSLPP)算法。DLSLPP算法利用最小二乘回归充分而完整的提取了数据之间的结构信息,同时利用最小二乘回归具有数值解的优势降低了算法的复杂度。此外,DLSLPP算法采用不同于传统算法的新型加权平均方式构造数据代表样本增强了算法的判别能力。在四个图像分类数据集和四个算法上的对比实验表明DLSLPP算法能够达到十分优异的效果。     

基于角度信息的结构总体最小二乘无源定位算法

在基于角度信息的约束总体最小二乘无源定位算法的基础上,文中基于角度信息的无源定位问题转化为结构总体最小二乘问题,并通过逆迭代法求出定位问题的解.文中还阐述了在一定条件下结构总体最小二乘算法与约束总体最小二乘算法具有相同的定位均方误差.最后还将结构总体最小二乘算法与Kalman滤波相结合,给出了一种对运动目标进行定位跟踪的新算法.计算机仿真结果验证了文中新算法的有效性和优越性.     

基于核的偏最小二乘特征提取的最小二乘支持向量机回归方法

提出了用核的偏最小二乘进行特征提取．首先把初始输入映射到高维特征空间，然后在高维特征空间中计算得分向量，降低样本的维数，再用最小二乘支持向量机进行回归．通过实验表明，这种方法得到的效果优于没有特征提取的回归．同时与PLS提取特征相比，KPLS分析效果更好．     

最小二乘法数据处理

本文阐述在Visual C++ 6.0中实现数据最小二乘法的处理方法,通过实例介绍了最小二乘法的算法和本系统新特点功能。     

最小二乘法数据处理

本文阐述在Visual C＋＋6.0中实现数据最小二乘法的处理方法．通过实例介绍了最小二乘法的算法和本系统新特点功能。     

权自适应最小二乘回归子空间分割法

基于表示理论的子空间分割方法有着广泛的应用。经典的子空间分割方法通过不同的正则项求解仿射矩阵,而忽略了特征属性对子空间分割的影响。针对这些问题,通过特征权重自适应的思想对最小二乘回归子空间分割方法进行改进,提出权自适应最小二乘回归子空间分割方法。在6个数据集上的实验结果表明该方法是有效的。     

一种预处理的恒模波束形成算法

传统恒模波束形成算法在干扰信号功率大于期望信号功率情况下会出现干扰捕获现象。针对这一问题,提出一种预处理波束形成算法。预处理波束形成算法利用天线接收的数据矩阵的协方差矩阵构造新的协方差矩阵,使新的协方差矩阵关于期望信号的对角最小化,并用新的协方差矩阵的最小特征值对应的特征向量作为权值的初始值,此算法能够准确地捕获到期望信号并抑制干扰信号。通过仿真证实了算法的有效性。     

基于线性约束LSCMA在TS101上的实现

本文探讨了ADSPTigerSHARC101S的在基于线性约束最小二乘恒模算法(LSCMA)中的应用。首先介绍了最小二乘恒模算法基本原理和权值迭代公式,并对其进行线性约束然后介绍了ADSPTigerSHARC101S芯片的基本结构特征和它强大的功能并简单描述了其相应开发软件VisualDSP 3.0的功能及使用方法。给出了最小二乘恒模算法实现波束合成的具体流程图,在经过Matlab软件成功进行仿真模拟之后用VisualDSP 3.0设计了DSP程序,用C语言嵌套部分汇编语言的形式实现了用ADSPTigerSHARC101S进行迭代求权向量的过程。     

基于线性约束LSCMA在TS101上的实现

本文探讨了ADSP TigerSHARC101S的在基于线性约束最小二乘恒模算法(LSCMA)中的应用.首先介绍了最小二乘恒模算法基本原理和权值迭代公式,并对其进行线性约束然后介绍了ADSP TigerSHARC101S芯片的基本结构特征和它强大的功能并简单描述了其相应开发软件Visual DSP++3.0的功能及使用方法.给出了最小二乘恒模算法实现波束合成的具体流程图,在经过Matlab软件成功进行仿真模拟之后用Visual DSP++3.0设计了DSP程序,用C语言嵌套部分汇编语言的形式实现了用ADSP TigerSHARC101S进行迭代求权向量的过程.     

水声信道盲均衡的最小平方峭度恒模算法

用误差信号峭度定义了平方峭度代价函数，提出了盲均衡器权系数更新的最小平方峭度恒模算法，该算法更新方程中含有的误差信号峰度因子有效地消除了高斯性误差信号的影响，加快了收敛，减小了收敛后的均方误差和码间干扰。用负声速梯度水声信道，对算法的性能进行了仿真研究。结果表明：该算法在收敛速度，收敛后的均方误差及码间干扰等方面的性能优于常数模算法与最小平均峭度恒模算法。     

一种新的修正恒模算法

阐述了恒模算法(CMA)、修正恒模算法(MCMA)和判决引导(DD)算法的基本原理。针对CMA和MCMA收敛速度慢,固定步长条件下收敛速度和剩余误差之间存在矛盾的缺陷,在分析CMA误差特性的基础上,利用DD算法误差函数的模值和判决器输出构造新的误差函数,提出了一种新的变步长MCMA。新算法在加快收敛速度的同时保持小的剩余误差。仿真结果表明,新算法比CMA和MCMA收敛速度快,均衡输出剩余码间干扰(ISI)小而且能克服相位偏移,具有很好的实用性。     

一种改进的恒模盲均衡算法

研究了步长对恒模算法（CMA）收敛性能的影响。调整步长至合适的值,使CMA算法性能达到总体最优,并对CMA算法进行改进。仿真结果表明,改进算法与CMA算法相比,收敛速度相近,稳态剩余误差更小,从而解决了CMA算法收敛速度和稳态剩余误差不能同时达到最小的问题。     

一种改进的分数间隔常数模盲均衡算法

研究优化水声通信效果问题,改善水声信道性能,传统常数模盲均衡算法(CMA)的稳健性差,剩余均方误差大。为解决上述问题,提出了一种改进的分数间隔常数模盲均衡算法。新算法采用T/2分数间隔均衡器,针对水声通信中信噪比较低的特点,设计了一个新的误差函数,取代原算法中的误差函数。采用浅海水声信道对改进算法进行了计算机仿真,结果表明:改进算法在低信噪比条件下性能稳健,稳态误差低于常数模算法和分数间隔常数模算法,且具有较快的收敛速度。改进算法适用于信噪比较低的浅海水声信道。     

一种新的变步长常模盲均衡算法

常模盲均衡算法采用固定步长时存在收敛速度和稳态误差之间的矛盾,解决这一矛盾的有效方法是用变步长代替固定步长.在分析了常模算法误差特性的基础上,建立了步长因子和误差信号之间的一种非线性函数关系,分析了函数中参数对步长因子的控制,较好地满足了常模算法迭代过程对步长因子的要求,得到一种新的变步长常模算法.新算法能够在加快收敛速度的同时减小稳态误差,且具有较强的信道跟踪能力和抗干扰能力.理论分析和计算机仿真证实:新算法性能较好,具有很好的实用性.     

采用判决圆判决的双模式常模盲均衡算法

为了克服水声信道的多途效应及CMA算法误差函数不对称性所带来的缺陷,定义了奇对称的双曲正切误差函数,构造了基于双曲正切误差函数的常模盲均衡算法（HCMA）,提出了一种基于判决圆判决的双模式常模盲均衡算法（DCMA）。该算法将符号迭代算法引至HCMA中,得到基于双曲正切误差函数的符号迭代常模盲均衡算法（HSCMA）,再根据信噪比确定判决圆的边界,利用此判决圆进行CMA与HSCMA间的切换。当算法未收敛时,迭代以CMA模式进行,这样可以确保DCMA的快速收敛;当算法收敛后自动切换到HsCMA模式。计算机仿真证明了该切换方法的有效性。     

动量抖动符号误差恒模盲多用户检测算法

针对直扩码分多址通信系统中存在的多址干扰抑制问题,采用加入动量项加快算法收敛的方法,提出一种基于动量抖动符号误差的恒模盲多用户检测算法,在理论上证明该算法的收敛性。通过计算机仿真对该算法与其他算法进行比较,结果证明该算法有较好的收敛性、跟踪性和鲁棒性。