基于Bayesian方法的鲁棒约束LMS算法

输入信号的方向向量出现偏差时,最小均方误差算法会出现收敛速度慢、输出性能下降、不稳定等问题.本文针对这些问题,对传统LMS(least mean squares)算法进行了改进,提出了基于Bayesian方法的鲁棒约束LMS算法.该算法利用信号的先验信息对实际信号方向向量进行估计,有效地抑制了方向向量偏差的影响,并提高了系统的鲁棒性.阵列输出的信干噪比得到了改善,更加接近最优值.仿真实验验证了该算法的有效性和可行性.     

基于鲁棒学习的最小二乘支持向量机及其应用

鉴于最小二乘支持向量机比标准支持向量机具有更高的计算效率和拟合精度,但缺少标准支持向量机的鲁棒性,即当采样数据存在奇异点或者误差变量的高斯分布假设不成立时,会导致不稳健的估计结果,提出了一种鲁棒最小二乘支持向量机方法.该方法在最小二乘支持向量机基础上,通过引入鲁棒学习方法来获得鲁棒估计.仿真分析及某湿法冶金厂的应用实例验证了该方法的可行性和有效性.     

基于干扰噪声矩阵重构的自适应波束形成算法

针对在自适应波束形成中,当采样次数较少或期望信号导向矢量存在误差以及训练数据中含有期望信号成分时导致波束输出信干噪比(SINR)下降的问题,提出了一种重构干扰噪声协方差矩阵并且估计期望信号导向矢量的稳健自适应波束形成方法。在期望信号波达方向的角度范围已知的条件下,首先利用多重信号分类(MUSIC)空间谱在不含期望信号的区域重构出干扰噪声协方差矩阵;然后推导了避免期望信号的导向矢量的估计值收敛到任一干扰的导向矢量或它们的线性组合的约束条件;进而以此约束条件和阵列输出功率最大化条件建立了期望信号导向矢量估计的优化问题,并使用凸优化软件估计出最优的期望信号导向矢量。讨论了该方法的计算复杂度并通过仿真实验验证了其有效性和优越性。仿真结果表明,当期望信号和干扰源存在随机指向误差和局部散射的情况下,所提方法在很大的输入信噪比范围内的输出信干噪比仍接近理论值,优于其他自适应波束形成方法。     

基于鲁棒最小二乘支持向量机的气动参数拟合

最小二乘支持向量机（LS－SVM）比标准支持向量机具有更高的计算效率,但是却散失了标准支持向量机的稀疏特性,而且当考虑异常值或者误差变量的高斯假设不成立时,会导致不稳健的估计结果。为了克服这两个缺点,在飞行器的气动参数拟合计算中引入了一种鲁棒最小二乘支持向量机（RLS－SVM）,该方法通过加权的支持向量机来获得鲁棒估计,并通过对支持值谱进行剪枝最终得到稀疏解。仿真结果表明：RLS－SVM方法简单,学习速度快,拟合精度高,鲁棒性强,是一种在飞行器轨迹计算中值得推广和采用的方法。     

RBF网络的鲁棒最小二乘学习算法

首先,针对径向基函数(RBF)神经网络参数学习中最小二乘法(LS)难以获得较高鲁棒性的问题,假定训练数据扰动上界可知,并基于鲁棒最小二乘原理,提出一种RBF网的最优鲁棒参数学习算法;然后分析指出,扰动上界可依据训练数据集自适应学习估计;最后通过实验分析结果表明了所提算法具有较高的参数鲁棒学习能力.与LS相似,新算法无额外参数,易于实际应用.     

鲁棒最小二乘支持向量回归机

针对最小二乘支持向量回归机(LS-SVR)对异常值较敏感的问题,通过设置异常值所造成的损失上界,提出一种非凸的Ramp损失函数。该损失函数导致相应的优化问题的非凸性,利用凹凸过程(CCCP)将非凸优化问题转化为凸优化问题。给出Newton算法进行求解并分析了算法的计算复杂度。数据集测试的结果表明,与最小二乘支持向量回归机相比,该算法对异常值具有较强的鲁棒性,获得了更优的泛化能力,同时在运行时间上也具有明显优势。     

在线鲁棒最小二乘支持向量机回归建模

鉴于工业过程的时变特性以及现场采集的数据通常具有非线性特性且包含离群点,利用最小二乘支持向量机回归（least squares support vector regression,LSSVR）建模易受离群点的影响.针对这一问题,结合鲁棒学习算法（robust learning algorithm,RLA）,本文提出了一种在线鲁棒最小二乘支持向量机回归建模方法.该方法首先利用LSSVR模型对过程输出进行预测,与真实输出相比较得到预测误差;然后利用RLA方法训练LSSVR模型的权值,建立鲁棒LSSVR模型;最后应用增量学习方法在线更新鲁棒LSSVR模型,从而得到在线鲁棒LSSVR模型.仿真研究验证了所提方法的有效性.     

基于干扰噪声矩阵重构的自适应波束形成算法

针对在自适应波束形成中,当采样次数较少或期望信号导向矢量存在误差以及训练数据中含有期望信号成分时导致波束输出信干噪比(SINR)下降的问题,提出了一种重构干扰噪声协方差矩阵并且估计期望信号导向矢量的稳健自适应波束形成方法。在期望信号波达方向的角度范围已知的条件下,首先利用多重信号分类（MUSIC）空间谱在不含期望信号的区域重构出干扰噪声协方差矩阵;然后推导了避免期望信号的导向矢量的估计值收敛到任一干扰的导向矢量或它们的线性组合的约束条件;进而以此约束条件和阵列输出功率最大化条件建立了期望信号导向矢量估计的优化问题,并使用凸优化软件估计出最优的期望信号导向矢量。讨论了该方法的计算复杂度并通过仿真实验验证了其有效性和优越性。仿真结果表明,当期望信号和干扰源存在随机指向误差和局部散射的情况下,所提方法在很大的输入信噪比范围内的输出信干噪比仍接近理论值,优于其他自适应波束形成方法。     

基于鲁棒最小二乘的选矿流程数据校正方法研究

精确稳定的选矿生产过程数据可以用来流程考察、流程模拟、过程优化控制、生产考核、质量检验和决策管理;文章基于实际的选矿流程的矿物固体产率平衡、元素平衡、粒级产率平衡、粒级元素平衡约束,给出了选矿流程的数据校正模型,并采用鲁棒最小二乘法对实际选矿过程数据进行了数据校正;选矿过程校正后的数据满足物料平衡和元素平衡要求,给生产提供了正确的指导,可使生产流程在最佳工艺参数下运行。     

一种低复杂度的鲁棒自适应波束形成算法

传统基于干扰噪声协方差矩阵（interference-plus-noise covariance matrix,INCM）重构的鲁棒自适应波束形成（robust adaptive beamformer,RAB）算法在多种样本数据协方差矩阵误差和信号导向向量误差的失配环境中具有较强的鲁棒性,但目前主流的INCM重构法都是对信号和干扰的导向向量通过建立凸优化模型来估计,这带来了很高的计算复杂度。为了解决这个问题,提出了一种低复杂度的基于INCM重构的RAB算法。该算法首先将干扰信号的导向向量分解为对应标称项和误差项的和,然后通过一种子空间方法估计得到误差项的单位向量。接下来对一个Capon空间谱功率最大问题进行求解,得到误差项的模值,以此得到重构的INCM。同时利用Capon空间谱中残差噪声的存在,使用交替投影法估计得到期望信号的导向向量,最后得到所提算法的权重向量。仿真实验表明所提算法在多种误差环境下具有较强鲁棒性的同时,还具有较低的计算复杂度。     

基于L_2的非线性系统的约束鲁棒控制

传统的L2 理论不能直接处理系统的时域性能指标 ,提出了新的关于约束系统L2 稳定的概念 ,在此框架下 ,可以在传统的L2 理论中引入系统定量分析的方法 ,即直接处理系统的动态时域性能 .在此基础上 ,提出了汽车转向控制中出现的一类非线性微分包含系统的约束鲁棒控制问题 .根据汽车动力学特点 ,结果表示为一些参数条件和线性矩阵不等式 .最后给出了一个仿真计算实例 .     

一种基于反推技术的鲁棒自适应控制器

对于更一般的一类系统,给出了一种基于反推技术的鲁棒自适应控制器的设计方法.通过重新定义动态规范化信号和重新证明相关的性质,严格地分析了闭环系统的稳定性和跟踪性能;同时指出了相关文献中的错误.     

对消除入射信号偏差的鲁棒性波束成形方法的改

消除入射信号信号偏差的波束成形方法目前已经有多种研究解决方案.有一种自适应鲁棒性波束成型方法,引导向量的误差表示为空间中的多面体.本文则将方差空间表达为更为广泛的空间椭球体并进行数学推导,该方法减少了待估参数数目,具有更佳的性能.仿真结果也表明了本方法的优越性.     

Probabilistic Robust Linear Parameter-varying Control of a Small Helicopter Using Iterative Scenario Approach

In this paper, we present an iterative scenario approach (ISA) to design robust controllers for complex linear parameter-varying (LPV) systems with uncertainties. The robust controller synthesis problem is transformed to a scenario design problem, with the scenarios generated by identically extracting random samples on both uncertainty parameters and scheduling parameters. An iterative scheme based on the maximum volume ellipsoid cutting-plane method is used to solve the problem. Heuristic logic based on relevance ratio ranking is used to prune the redundant constraints, and thus, to improve the numerical stability of the algorithm. And further, a batching technique is presented to remarkably enhance the computational efficiency. The proposed method is applied to design an output-feedback controller for a small helicopter. Multiple uncertain physical parameters are considered, and simulation studies show that the closed-loop performance is quite good in both aspects of model tracking and dynamic decoupling. For robust LPV control problems, the proposed method is more computationally efficient than the popular stochastic ellipsoid methods.      

Approach to the correlation discovery of Chinese linguistic parameters based on Bayesian method

Bayesian approach is an important method in statistics.The Bayesian belief network is a powerful knowledge representation and reasoning tool under the conditions of uncertainty.Paper,an approach to Bayesian network construction is given for discovering the Chinese Linguistic parameter relationship in the corpus.     

一种强干扰环境下的离格稀疏贝叶斯DOA估计方法

强干扰的环境下,基于传感器阵列的波达方向(Direction of arrival,DOA)估计是阵列信号处理中的重要问题。虽然对于网格点目标现有方法的DOA估计精度较高,但对于离格点目标现有方法的DOA估计性能会严重下降。本文提出一种离格情况下的DOA估计方法,首先设计一种鲁棒的正交零陷矩阵滤波法(Robust orthogonal matrix filter with nulling,ROMFN),它结合了正交零陷滤波法(Orthogonal matrix filter with nulling,OMFN)和最差性能下的鲁棒自适应波束形成,在对离格点目标达到滤波效果的同时只需设计较少的网格点。此外,新的矩阵滤波法保留了高斯白噪声的特性,避免了噪声白化的预处理过程。其次基于离格点稀疏贝叶斯推断(Off-grid sparse Bayesian inference,OGSBI)和ROMFN,形成一种强干扰下DOA估计的新方法。与现有方法相比,仿真结果表明该方法可以在不同的网格间距、不同的信噪比和干噪比下获得更高的估计精度。