凸集优化稳健自适应DBF 的在线算法

一种基于凸集优化稳健DBF 的在线算法,以克服平稳和非平稳误差引起的阵列性能下降。算法利用球体约束和 权值约束,建立凸集最优目标函数,采用最速下降法确定对角负载因子,并迭代求解最优权矢量。仿真结果表明,与传 统的capon 算法和固定对角负载值算法相比,基于凸集优化的迭代算法具有更大的阵列输出信干噪比,从而使阵列具有 更好的稳健性。     

二元裂解算子交替方向乘子法的核极限学习机

凸优化形式的核极限学习机(KELM)具有较高的分类准确率,但用迭代法训练凸优化核极限学习机要较传统核极限学习机的解线性方程法花费更长时间.针对此问题,该文提出一种2元裂解算子交替方向乘子法(BSADMM-KELM)来提高凸优化核极限学习机的训练速度.首先引入2元裂解算子,将求核极限学习机最优解的过程分裂为两个中间算子的优化过程,再通过中间算子的迭代计算而得到原问题的最优解.在22个UCI数据集上所提算法的训练时间较有效集法平均快29倍,较内点法平均快4倍,分类精度亦优于传统的核极限学习机;在大规模数据集上该文算法的训练时间优于传统核极限学习机.     

一种基于局部结构的改进奇异值分解推荐算法

基于奇异值分解(Singular Value Decomposition, SVD)的推荐算法,在预测准确性、稳定性上具有明显优势,但在用随机梯度下降法求解过程中误差下降速度逐渐变慢、迭代次数较多,这极大限制了其在实际项目中的应用.针对这个问题,该文利用评分矩阵的差分矩阵来表征局部结构信息,并作为新的目标函数来优化 SVD 推荐算法.在 MovieLens 和 Netflix 数据集合上的实验结果表明:与经典 SVD 算法相比,该优化算法能够用更少的迭代次数得到更准确的预测结果;与当前的其他算法相比,该优化算法在预测准确性上仅次于 SVD++,在训练时间上具有显著优势.     

下降迭代算法对数值聚类分析技术的优化研究

提出使用下降迭代算法对数值聚类分析技术进行优化.下降迭代通过设定函数,给出初始假设解,然后按照某种规则依次找到最优解.首先介绍常用聚类算法,从而引出下降迭代法聚类.通过实验证明了下降迭代算法对数值聚类优化的可行性.     

基于优化Adaboost迭代过程的SVM集成算法

为提高Adaboost算法迭代过程中生成基分类器的分类精度以及简化整个集成学习系统的复杂度,文章提出了一种优化Adaboost迭代过程的SVM集成算法。该算法提出了一种在其迭代过程中加入样本选择和特征选择的集成方法。通过均值近邻算法对样本进行选择,并利用相对熵法进行特征选择,最后利用优化得到的特征样本子集对基分类器SVM进行训练,并用加权投票法融合各个SVM基分类器的决策结果进行最终判决。通过对UCI数据集的仿真结果表明,本算法与支持向量机集成算法相比,能够在更少的样本以及特征的基础上,实现较高的识别正确率。     

脉冲噪声环境下基于洛伦兹范数软阈值迭代的压缩感知算法

观测值受脉冲噪声干扰情况下,传统的压缩感知算法基本失效,基于洛伦兹范数的硬阈值迭代(LIHT)算法是有效途径,但是硬阈值迭代过程会误判信号支撑集,随着脉冲数目增加,算法性能明显下降。针对这一问题,提出了一种基于洛伦兹范数的软阈值迭代(LIST)压缩感知重构算法。利用洛伦兹范数有效约束脉冲噪声,引入信号稀疏度度量函数,采用梯度下降法降低重构信号的稀疏度,实现软阈值迭代,并通过拟牛顿法求解该模型,加快算法收敛,运算量与其他算法是同一数量级,数值仿真表明,重构信噪比优于LIHT算法。     

基于ISODATA聚类优化的粒子滤波算法

针对粒子滤波(PF)中存在粒子贫化的现象,将ISODATA聚类优化思想引入粒子滤波中.该算法选择相似性度量和聚类准则函数,使用迭代算法,逐步优化聚类结果,使准则函数达到极值,即使粒子集可以向后验概率密度分布取值较大的区域运动.通过对粒子集的优化,克服了粒子贫化的问题.实验结果表明,该算法具有较高的预估精度和较好的鲁棒性.     

二元裂解算子交替方向乘子法的核极限学习机

凸优化形式的核极限学习机(KELM)具有较高的分类准确率,但用迭代法训练凸优化核极限学习机要较传统核极限学习机的解线性方程法花费更长时间。针对此问题,该文提出一种2元裂解算子交替方向乘子法(BSADMM-KELM)来提高凸优化核极限学习机的训练速度。首先引入2元裂解算子,将求核极限学习机最优解的过程分裂为两个中间算子的优化过程,再通过中间算子的迭代计算而得到原问题的最优解。在22个UCI数据集上所提算法的训练时间较有效集法平均快29倍,较内点法平均快4倍,分类精度亦优于传统的核极限学习机;在大规模数据集上该文算法的训练时间优于传统核极限学习机。     

基于线性SGD的两层迭代算法

近年来,随机梯度下降算法用于求解SVM模型的原问题得到了人们的广泛关注。随机梯度下降算法每次只处理一个训练样例,它可以快速训练出线性可分数据集的SVM分类器。由于随机梯度下降算法的运算时间与迭代次数呈线性相关关系,而与训练集样例的个数无关,所以文章提出了一个基于线性SGD的两层迭代算法,在算法的第二步,可以筛选出一个远远小于原始训练集的子训练集来完成最终SVM的训练。     

IC参数成品率全局优化的映射距离最小化算法

提出了一种新的集成电路参数成品率的全局优化算法--映射距离最小化算法.该算法采用了均匀设计与映射距离最小的耦合优化,每次迭代模拟次数很少,优化过程明显加速.另外,给出了一种粗略估计空间点集均匀性的方法--k近邻密度估计,在有效时间内判断一个空间点集的均匀性.模拟结果表明,该算法对集成电路进行快速成品率优化设计及提高电路设计的稳定性具有较好的应用价值.     

Hybrid distributed online and alternating convex optimization-based initial value accelerated hybrid precoding for millimeter wave multiple-input-multiple-output

The hybrid precoding problem is considered a Frobenius norm reduction problem for the narrowband channel in a millimeter wave (mmWave) with multiple inputs and outputs (mmWave MIMO). This work proposes a hybrid distributed online and alternating convex optimization (HDO-ACO) algorithm to improve hybrid precoding (HP), interpreted as a trace minimization problem. HDO-ACO alternately determines the digital and analog precoders to reduce the trace by keeping the other constant. Initially, HDO-ACO uses Lagrange's method to determine the digital precoding subproblem. Then, it uses the integrated distributed online convex optimization and alternating minimization algorithm in the analog precoder design. In the HP method, the digital and analog precoders are iteratively updated until the highest number of iterations or convergence is reached. But this hybrid precoding method requires an initial analog precoding matrix input to begin the iteration. The algorithms converge gradually and fall into a suboptimal solution when the initial analog precoding matrix is set randomly. Hence, an initial value acceleration-based heuristic approach is used in the HDO-ACO alternating minimization algorithm that calculates the initial feasible value of an alternating minimization method using channel conditions. The simulation results of the proposed HDO-ACO algorithm are presented under bit error rate (BER), spectral efficiency (SE), and convergence behavior by comparing it with modified block coordinate descent–HP (MBCD-HP), manifold optimization–alternating minimization (MO-AltMin), and semi-definite relaxation-based alternating optimization (SDR-AO). The proposed HDO-ACO attains maximum SE and less BER than other hyper-precoding designs.     

空间光波前畸变校正中的元启发式SPGD算法

为了改善传统随机并行梯度下降(Stochastic Parallel Gradient Descent, SPGD)算法收敛速度慢且容易陷入局部极值的问题,提出了一种元启发式随机并行梯度下降(Meta-Heuristic SPGD, MHSPGD)算法。该算法将SPGD算法和元启发式算法的开发与探索两步结合,首先利用SPGD算法的梯度下降搜索得到局部最优解,然后进行邻域搜索得到局部最优区域以外的可能最优解,通过所有解性能指标的比较来确定新的迭代起点。随着搜索范围的自适应扩展,该算法能够避免陷入局部极值并趋向收敛于全局最优。同时,为了避免重复搜索,建立了记忆表来记录迭代过程中产生的次最优解。搭建了无波前探测器自适应光学系统模型,运用所提算法对不同湍流强度下的波前畸变进行了仿真校正,并针对不同Zernike阶数的像差进行了仿真实验。在三种湍流强度下,MHSPGD算法所能达到的斯特列尔比(Strehl Ratio, SR)分别为0.7621、0.6554、0.3749,相比于SPGD算法分别提升了0.1%、2%和18.6%。此外,当畸变中含有较多高阶成分时,文中所提优化算法相比传统的SPGD算法,SR收敛到0.6所需的迭代次数减少了约47%,且SR收敛极限值也提升了约9.4%。结果表明:与三种主流优化算法相比,MHSPGD在保持较快收敛速度的同时,能够在各种湍流强度下达到更高的收敛极限,有效地解决了算法的局部收敛问题。     

一种方向优化最小均方算法

最小均方(Least Mean Square, LMS)算法的更新方向是对最速下降方向的估计,其收敛速度也受到最速下降法的约束。为了摆脱该约束,该文在对LMS算法分析的基础上,提出一种针对LMS算法的分块方向优化方法。该方法通过分析误差信号来选择更新向量,使得算法的更新方向尽可能接近Newton方向。基于此方法,给出一种方向优化LMS(Direction Optimization LMS, DOLMS)算法,并推广到变步长DOLMS算法。理论分析与仿真结果表明,该方法与传统分块LMS算法相比,有更快的收敛速度和更小的计算复杂度。     

基于自适应惯性权重粒子群优化的多跳频信号盲源分离

针对跳频通信中多跳频信号的盲源分离问题,提出了一种基于自适应惯性权重粒子群的盲源分离算法。该算法将分离信号的负熵作为目标函数,依据迭代前后每个粒子适应度值间差值自适应地调节惯性权重。把适应度值变差的粒子惯性权重设成零,以消除惯性分量不利影响,这样可以减少无效迭代次数,提高收敛速度。应用于盲源分离时,比经典算法分离效果好且克服了激活函数选取难题。实验结果表明该算法用于多跳频信号盲分离时性能稳定且收敛速度快,与经典算法比较优势明显,为智能算法在盲源分离方面的研究提供了一定的参考。     

Design of NPR DFT-Modulated Filter Banks via Iterative Updating Algorithm

In this paper, an efficient algorithm is proposed to design nearly-perfect-reconstruction (NPR) DFT-modulated filter banks. First, the perfect-reconstruction (PR) condition of the oversampled DFT-modulated filter banks in the frequency domain is transformed into a set of quadratic equations with respect to the prototype filter (PF) in the time domain. Second, the design problem is formulated as an unconstrained optimization problem that involves PR condition and stopband energy of the PF. With the gradient vector of the objective function, an efficient iterative algorithm is presented to design the PF, which is updated with linear matrix equations at each iteration. The algorithm is identified as a modified Newton’s method, and its convergence is proved. Numerical examples and comparison with many other existing methods are included to demonstrate the effectiveness of the proposed method.     

Stiefel 流形上的梯度算法及其在特征提取中的应用

为了提高系统特征提取算法的计算效率、减少占用的存储空间和简化程序设计,该文基于Riemann 流形上优化算法的几何框架,提出了改进的Stiefel 流形上的梯度下降算法。根据不同要求采用不同的测地线计算公式,并使用多项式逼近测地线方程,同时采用了秦九韶-Horner 多项式算法及线搜索、变步长的方法。以主分量分析问题为例,详细讨论了Stiefel 流形上的梯度算法在其中的应用。理论分析和实验结果均表明,此方法可以在确保迭代矩阵列向量单位正交性的同时获得更好的计算效率和收敛速度,并且更容易实现。      

Deep reinforcement learning based resource allocation algorithm in cellular networks

In order to solve multi-objective optimization problem,a resource allocation algorithm based on deep reinforcement learning in cellular networks was proposed.Firstly,deep neural network (DNN) was built to optimize the transmission rate of cellular system and to complete the forward transmission process of the algorithm.Then,the Q-learning mechanism was utilized to construct the error function,which used energy efficiency as the rewards.The gradient descent method was used to train the weights of DNN,and the reverse training process of the algorithm was completed.The simulation results show that the proposed algorithm can determine optimization extent of optimal resource allocation scheme with rapid convergence ability,it is obviously superior to the other algorithms in terms of transmission rate and system energy consumption optimization.     

基于几何代数的SVS-NLMS点云配准算法

针对欧氏空间点云配准方法匹配精度低、计算成本大、收敛速度慢等问题,利用几何代数对于高维空间的表达能力,提出一种基于几何代数的点云配准算法。首先,将点云数据转化为几何代数形式,基于几何代数的rotor转子,给出了几何代数空间点云配准的代价函数。其次,结合归一化最小均方算法,将求解rotor转子模拟为信号滤波问题,在几何代数空间基于最速下降法构建rotor转子迭代公式,使每次迭代计算仅使用一对匹配点对而不是全部点对。迭代计算得到的转子可用于任意维度的旋转估计问题,从而将三维点云逐步旋转配准。最后,为进一步解决收敛速度与稳态误差之间的冲突,利用Sigmoid函数给出了一种变步长的rotor转子迭代公式,在加快收敛速度的同时降低稳态误差。采用模型数据集与公共数据集验证所提算法的配准性能,与经典迭代最近点算法相比,模型数据集的配准精度由10?2提升至10?8数量级,公共数据集的配准精度提升35%,所提算法收敛速度更快,配准精度更高,且具有较低的稳态误差。     

基于随机平均梯度下降和对比源反演的非线性逆散射算法研究

采用非线性对比源反演(CSI)算法求解电磁逆散射问题时,在每次迭代过程中都涉及到求解散射场数据关于对比源和总场的微分,即Jacobi矩阵,该矩阵求解导致算法存在计算代价大和收敛速度慢等问题。该文在CSI框架下,采用一种基于随机平均梯度下降的对比源反演算法(SAG-CSI)代替原来的全梯度交替共轭梯度算法来重构介质目标介电常数的空间分布信息。该方法在每次迭代中只需计算随机抽取的部分测量数据在目标函数中的梯度信息,同时目标函数对未抽中的测量数据的梯度信息保持不变,用以上两部分梯度信息共同求解出目标函数的最优值。由模拟数据结果表明,该方法与传统CSI方法在成像精度相比拟的情况下,降低了计算代价并提高算法收敛速度。

     

基于多目标优化的联合作战用频规划方法

为全面描述联合作战用频规划问题,引入多目标优化理论,以干扰冲突最少、需求满足最高和邻频风险最低作为优化目标建立了多目标的联合作战用频规划模型,并提出一种求解联合作战用频规划问题的非支配排序蚁群算法.在蚁群初始化阶段使用带贪心策略的爬山算法获取次优解集合以提升蚁群前期收敛速度,并运用社团检测机制将用频装备分簇以减少电磁干扰分析的计算复杂度从而加快算法进程.同时,在算法每次迭代中对得到的用频规划方案执行调度改进操作,并自适应调整信息素挥发系数等参数,以提升算法全局优化性能.仿真实验验证了模型的有效性,并通过反转世代距离与超体积指标证明了算法在收敛性、分布性与收敛速度上的优越性.