基于波束域LC-GSC的降秩波束形成算法

针对传统GSC算法在处理大型阵列天线时,所需运算量大、工程上难以应用等问题,提出一种基于波束域LC-GSC的降秩波束形成算法。与传统GSC算法相比,它能够在期望信号和特定干扰方向上形成约束响应,利用构造的转换矩阵将信号变换到波束域,并能够降低计算量,加快自适应收敛速度。根据信号特征值大于噪声特征值,可以得到波束域协方差矩阵逆的高次幂基本等价于信号子空间,信号子空间的求取也方便构造阻塞矩阵。降秩矩阵可以利用GSC下支路的快拍数构造,进一步降低运算量。最终根据算法得到自适应权矢量,为了使系统有更好的信噪比稳健性,可以将权矢量向信号子空间投影。通过对GSC算法进行分析并改进,给出算法在FPGA上的实现方案。实验仿真表明,该算法能够在期望信号方向准确形成主瓣,干扰方向准确形成零陷且副瓣电平降低5~10dB。基于波束域LC-GSC的降秩波束形成算法有很好的波束形成性能,算法稳健性较好。     

求协方差矩阵的逆矩阵的快速算法

介绍了求协方差矩阵的逆矩阵的快速算法。先将矩阵分解，再利用三角矩阵求逆的迭代算法，得到了求协方差矩阵的快速算法；同时，讨论了其合适计算机编程实现的具体计算步骤。     

基于波束空间的四阶累积量LCMV波束形成算法

针对基于高阶累积量的线性约束最小方差(LCMV)自适应波束形成技术存在计算量大、实际应用中适用性不好的问题,提出基于波束空间的四阶累积量LCMV波束形成算法.将优化扩展后的原位替换求逆算法引入自适应阵列处理中,将阵列接收信号从阵元域变换到波束域,在波束域中构造四阶累积量相关矩阵.引入约化系数矩阵,在原位替换算法的基础上...     

基于协方差矩阵的压缩感知跟踪算法

压缩感知是信号处理领域的新理论,用于目标跟踪算法时可在大量底层特征中提取出少量重要信息,减少计算量,提高算法速度。传统的基于压缩感知的跟踪算法,为了保证算法速度,对压缩后的特征简单建模,准确性还有待提高。提出一种基于协方差矩阵的压缩感知跟踪算法,先利用压缩感知原理获取压缩后的Haar特征,再利用协方差矩阵融合Haar特征区域内的底层多维特征,以此构建目标模型,并通过搜索当前目标区域的邻域,利用流形空间上的距离度量算法匹配最佳目标,从而提高算法准确性。     

生长曲线模型中协方差矩阵的齐次和非齐次估计的可容许性

讨论了生长曲线模型（１．１）中协差矩阵的二次型估计在齐次和非齐次估计类中的可容许性问题,并得到了相应的充要条件。     

一种改进的零陷展宽波束形成算法

针对常规自适应波束形成器因零陷较窄、在出现干扰运动时输出性能下降的问题,提出一种基于投影变换和虚拟天线技术的零陷展宽波束形成算法,利用干扰导向矢量和矩阵锐化技术构造投影变换矩阵,并用其对接收数据进行预处理同时结合对角加载技术得到新的协方差矩阵,引入虚拟天线技术扩展协方差矩阵和导向矢量进行自适应波束形成．算法在零陷展宽的同时可以加深零陷,能有效抑制快速运动干扰,提高阵列天线波束形成的输出性能．仿真结果验证了算法的有效性和优越性．     

基于维纳滤波的LCMV波束形成器设计

基本波束形成法对语音质量的改善能力是有限的.为了进一步改善波束形成器的降噪性能,文章提出了一种基于维纳滤波的线性约束最小方差波束形成器.该波束形成器首先让信号经过维纳滤波器消除非相干噪声,而后经过经典的线性约束最小方差处理,最终达到较好的语音增强效果.     

基于伪随机码加权的非均匀天线阵自适应多波束形成方法

非均匀阵列有其特殊的应用价值,对此本文提出一种基于伪随机码加权的非均匀天线阵的自适应接收多波束形成新方法。描述了该方法的工作原理,建立了非均匀直线阵的信号模型,给出了波达方向估计和接收多波束形成算法,仿真验证了该方法的有效性和灵活性。其优点是无需信号环境的先验知识,无需计算加权矢量,只需相关运算即可形成接收多波束,因此简单高效。     

基于听觉滤波器波束形成的声源定位

提出基于听觉滤波器波束形成的声源定位方法.利用听觉滤波器把每个通道接收的宽带音频信号分解为若干个窄带频率通道信号,分别估计每个频率通道的"空间谱".根据各个频率通道的信噪比对所有频率通道的"空间谱"进行二值加权累积求"总空间谱",由"总空间谱"可得声源的波达方向.实验结果表明提出的算法是有效的,与经典的算法相比具有更高的精度.     

协方差矩阵^∑sam的收敛速度

^∑sam具有较慢的收敛速度．K=O（1）时,在范数‖·‖∑下,∑的收敛速度为n^-β/2,其中β=min（1,2-α）,而^∑sam则具有较慢的收敛速度n^-β1/2.     

关于协方差矩阵及相关系数的性质

给出了随机向量的协方差矩阵、相关系数的两个重要性质     

Comparison of Inverse Wishart and Separation-Strategy Priors for Bayesian Estimation of Covariance Parameter Matrix in Growth Curve Analysis

Growth curve modeling provides a general framework for analyzing longitudinal data from social, behavioral, and educational sciences. Bayesian methods have been used to estimate growth curve models, in which priors need to be specified for unknown parameters. For the covariance parameter matrix, the inverse Wishart prior is most commonly used due to its proper and conjugate properties. However, many researchers have pointed out that the inverse Wishart prior might not work as expected. The purpose of this study is to investigate the influence of the inverse Wishart prior and compare it with a class of separation-strategy priors on the parameter estimates of growth curve models. In this article, we illustrate the use of different types of priors with 2 real data analyses, and then conduct simulation studies to evaluate and compare these priors in estimating both linear and nonlinear growth curve models. For the linear model, the simulation study shows that both the inverse Wishart and the separation-strategy priors work well for the fixed effects parameters. For the Level 1 residual variance estimate, the separation-strategy prior performs better than the inverse Wishart prior. For the covariance matrix, the results are mixed. Overall, the inverse Wishart prior is suggested if the population correlation coefficient and at least 1 of the 2 marginal variances are large. Otherwise, the separation-strategy prior is preferred. For the nonlinear growth curve model, the separation-strategy priors work better than the inverse Wishart prior.     

基于模拟退火算法的流量矩阵估算

流量矩阵估算用以对网络中OD对间的流量分布情况进行获取,在网络优化、规划和网络异常流量监测等网络管理应用中具有重要的意义.介绍了流量矩阵估算问题的数学描述,介绍了模拟退火算法.为了克服流量矩阵估算模型的高度病态性,提出采用基于模拟退火算法的流量矩阵估算算法,该算法能有效的克服估算模型的病态性,并降低了求解的复杂性.在进行仿真试验过程中,用校园网局部网络实际数据与其做比较,结果表明,该算法能够获得较高的OD流估算精度.     

一种基于矩阵的关联规则算法的研究与应用

对Apriori算法在数据库扫描和产生的候选项集的问题进行分析,提出一种基于矩阵的关联规则算法,该算法将事务数据库转换为向量矩阵,并通过向量矩阵的运算得到较少的候选项集,提高算法的运行效率.该算法在高校教学评价的应用上取得良好效果.     

基于变换域的压缩感知快速重构算法

压缩感知是信号处理领域热门研究课题,其应用前提为原信号是稀疏或可压缩的。时域非稀疏信号可以变换为频域稀疏信号,但变换后的信号和传感矩阵表示形式为复数,增加了重构复杂度。为了降低复杂度,提高信号重构效率,提出一种基于实变换的重构算法,该算法将复数形式的稀疏信号和传感矩阵的实部和虚部分离后再参与重构。与传统重构算法相比,该算法改善了重构信号的均方误差,明显缩短了重构时间,极大提高了信号重构效率。     

基于稳健估计的混凝土抗压强度测试分析

应用基于稳健估计和基于最小二乘法的三次多项式曲线模型,分析混凝土在养护28 d期间抗压强度的变化规律,相比传统最小二乘法,稳健估计能够减小数据误差对拟合曲线的影响,从而达到与实际测量相吻合的效果,较准确地预测出混凝土在不同养护时期的抗压强度值。     

基于Matlab研究碎纸片的拼接复原

针对碎纸片自动拼接复原,分析单面纵切、单面纵横切、双面纵横切三类情况,提取图片信息,分别建立欧氏距离计算模型、矩阵相似点判别模型,使用Matlab软件编程计算,得到实现碎纸片自动拼接复原的程序算法,实现了所给碎纸片的自动拼接复原.     

基于残缺矩阵下多目标AHP的排序向量研究

对残缺矩阵下多目标AHP的排序向量,提出了可接受的残缺判断矩阵和不可接受的残缺判断矩阵的排序向量问题,通过特征根法的一致性检验的排序法和最小二乘原理的排序法的研究,解决了对残缺矩阵的AHP的排序问题。     

自适应非负矩阵分解的人脸识别方法研究

在单样本或者小样本的人脸识别系统中,常常会面临样本数量不足的问题,为解决少样本情况下的分类精度,以及利用原始特征或者目标特点重构的虚拟样本过于单一等问题,提出一种自适应非负矩阵分解（NMF）的人脸识别方法。该方法首先在矩阵分解过程中构造不同矩阵维度和迭代次数参数下的重构样本;然后利用QR分解稀疏表示方法进行人脸分类;最后,通过选取最优参数组合,调整重构样本,直至达到最佳分类效果。在ORL、Yale和AR 3个数据库上的实验结果表明,该算法在最佳参数下,尤其是单样本情况下对比基于原样本方法的准确率平均提高了约5%,最高提高了约10%～15%。