非高斯AR序列参数的最大似然估计

自同归模型参数的最小二乘估计应用于非高斯数据,有效性便不复存在,而充分利用了概率密度信息的最大似然估计却仍然是该问题的有效估计.使用混合高斯自回归模型描述该类估计问题之后,讨论了其克拉美-罗限,导出了非高斯自回归序列参数的最大似然估计,给出Newton-Raphson迭代解法,并凡探讨了如何加快这一迭代算法的收敛和如何将估计算法应用于实际数据两个细节问题.最后给出一组仿真实例,对比检验了最大似然估计和最小二乘估计的效果.     

混合高斯自回归模型参数估计方法之LS-EM

混合高斯自回归模型对有色非高斯数据的概率密度和功率谱密度进行有效的拟合，而LS—EM算法则可解决这一模型的参数估计问题．描述了混合高斯自回归模型及其参数估计问题之后，导出了具体的LS-EM算法，并给出了一组仿真实例．这是一种参数耦合估计算法，首先基于传统的最小二乘技术得到功率谱密度参数粗估计，进行预白，然后应用EM迭代得到白激励的概率密度估计，并基于此构建一加权函数，以此权函数改进最小二乘算法，进而得到模型参数的精估计．     

乘性随机误差模型的最小二乘平差与精度评定

针对乘性随机误差模型参数估计问题,在现有研究的基础上,应用最小二乘理论,讨论了普通最小二乘、加权最小二乘和偏差改正加权最小二乘3种参数平差方法;导出了这3种基于最小二乘原理的参数平差方法的精度评定公式;给出了观测值平差值与观测值改正数的精度评定公式以及大地测量各有关量间的互协方差矩阵;构造了3种最小二乘平差方法相应的单位权方差估计.数据模拟计算结果表明:偏差改正加权最小二乘适用于乘性误差模型的大地测量数据处理,具有二阶近似无偏性;根据模拟数据计算的3种方法参数估计的单位权中误差分别为1.964 8、0.999 8和0.980 7.      

基于支持向量机的线性模型鲁棒参数估计

探讨了基于支持向量机的线性系统参数估计问题,利用最小二乘支持向量机来估计自回归滑动平均模型（ARMA）的参数,并在理论上证明了在高斯噪声下比最小二乘估计方法具有更小的均方差;随后利用标准支持向量机来估计ARMA的参数,并利用它的性质从理论上分析了其对大噪声和小噪声的鲁棒性．仿真结果表明支持向量机方法能有效克服样本中的异常点和噪声对参数估计的干扰,比最小二乘估计方法具有更好的鲁棒性．     

纯方位目标运动分析的无偏最小二乘估计算法研究

纯方位目标运动分析中的最小二乘估计算法往往存在有偏问题,而卡尔曼滤波算法或辅助变量法又存在滤波初值问题,选取不当容易发散.为此提出了一种新的无偏最小二乘估计算法,它通过将状态变量扩维,利用求解矩阵对最小特征值所对应的特征向量的方法,求取目标的运动参数.仿真表明,ULSE算法能够渐进地逼近方差下限CRLB,并且其滤波精度有所增加.     

窄带干扰条件下水声OFDM系统LMMSE信道估计算法

因为正交频分复用（OFDM）系统中强窄带干扰引起水声信道估计性能退化,因此,提出了一种可实用的线性最小均方误差（LMMSE）信道估计方法.该方法结合最小二乘（LS）信道估计结果对受窄带干扰（NBJ）和加性高斯白噪声（AWGN）噪声干扰的导频子载波进行辨别,从而获得最有效信道抽头;根据导出的理论模型,给出了信道自相关、窄带干扰信号和噪声功率等参数的近似估计方法;并采用傅里叶变换以避免矩阵的求逆运算,减少了计算复杂度.仿真结果表明,在强干扰信号条件下,文中提出的方法接近理想状态的LMMSE方法.     

多核SVM对传感器动态建模的研究

针对传感器的动态特性,提出了一种基于多核最小二乘支持向量机对传感器进行动态建模的方法.通过不同核函数的线性加权组合构造新的等价核,由于构造的等价核函数兼具了全局核函数和局部核函数的优点,从而降低了建模精度对核函数及其参数的依赖性.在理论上详细介绍了多核最小二乘支持向量机回归参数和模型输出值的求解方法.通过仿真实验验证了该方法的可行性.将该方法与标准的最小二乘支持向量机方法进行比较,证明了该方法在一定噪声存在的情况下,具有良好的抗噪性和较高的建模精度.     

对流扩散方程的特征线MWLS算法

针对对流扩散方程,采用无网格法中的移动最小二乘近似方案与加权最小二乘法离散方案,结合特征线法,构造了特征加权最小二乘无网格算法(MWLS),并进行了数值试验验证.新算法克服了传统数值方法求解动态问题网格限制的缺陷,摆脱了在空间域上离散受制网格的束缚,不需要网格的初始划分或重构.试验结果显示,本算法可以达到与有限元求解几乎相同的结果,体现了不失精确度但却方便实用的优点.     

回归参数的部分有偏改进估计

就回归参数的最小二乘估计提出一种部分有偏压缩估计方法，分析和讨论了这种方法的性质和特点，结果说明了这种方法可以有效的改进估计矩阵接近奇异时影响参数精度的缺点。     

包含异常数据的居民出行稳健回归分析

采用稳健回归方法克服了最小二乘估计受异常样本点影响较大的弊病,该方法通过对不同的点施加不同的权重减少"异常点"作用,并据此建立加权的最小二乘估计,反复迭代以改进权重系数,直至权重系数之改变小于一定的允许误差,得到模型参数更加贴近实际值.案例研究表明,用稳健回归方法建立的数学模型避免了少数异常值干扰的影响,更加真实地反映了居民出行发生的变化趋势.     

考虑不同路面附着情况的整车质量估计方法研究

利用带有遗忘因子的递推最小二乘估计,实现了一种整车质量估计方法,该方法考虑了不同路面附着情况对整车质量估计过程的影响,通过引入路面特征系数,实现了算法对不同路面附着情况的适应。基于Matlab/Simulink编写辨识算法并在CarMaker中完成仿真测试,测试结果表明所实现的辨识方法对整车质量估计的精度可控制在10%之内。此外,由于递推最小二乘估计方法和卡尔曼滤波方法之间的内在联系,通过推导表明了递推最小二乘估计方法是状态转移矩阵为单位阵的卡尔曼滤波方法的特殊形式,为2种估计方法的工程应用形式及调试过程提供了更全面的信息。     

Optimal training design and placement for MIMO orthogonal frequency division multiplexing channel estimation

This paper deals with optimal training design and placement over multiple orthogonal frequency division multiplexing(OFDM) symbols for the least squares(LS) channel estimation in multiple-input multipleoutput(MIMO) OFDM systems.First,the optimal pilot sequences over multiple OFDM symbols are derived by co-cyclic Jacket matrices based on the minimum mean square error(MSE) of the LS channel estimation.Then,an enhanced channel estimation method using sliding window is proposed to improve further the performanc...     

移动最小二乘微分求积法解Helmholtz方程

用一种新型的数值方法--移动最小二乘微分求积法（MLSDQ）求解二维Helmholtz方程。MLSDQ方法是一种直接将微分方程离散的方法，它是将未知函数的各阶偏导数在离散点处的值用域内各配点的函数值加权组合来表示，权系数则直接用移动最小二乘Galerkin法中的形函数求导得到，通过MLSDQ技术将Helmholtz方程和相应的边界条件转化成为一组关于各配点位势的线性代数方程组，求解这组代数方程，便可得到各配点的位势，通过求解几个具有精确解的算例，讨论了方法的收敛性和数值精度，结果表明：该方法较适合于求解小波数的Helmholtz方程,对高波数的方程，需要设置大量的域内配点才能有较好的数值结果。     

最小一乘法与最小二乘法的差异及其实证分析

从算术平均数分析入手,探讨了算术平均数与中位数的内涵,给出了用最小一乘法估计两变数线性回归模型中的参数的计算方法。论述了最小一乘法与最小二乘法的历史及其在解的多重性、突出点对回归线影响等方面的差异。     

Constrained submap algorithm for simultaneous localization and mapping

When solving the problem of simultaneous localization and mapping (SLAM), a standard extended Kalman filter (EKF) is subject to linearization errors and causes optimistic estimation. This paper proposes a submap algorithm, which builds a weighted least squares (WLS) constraint between two adjacent submaps according to the different estimations of the common features and the relationship between the vehicle poses in the corresponding submaps. By establishing the constraint equation after loop closing, re-linearization is implemented and each submap’s reference frame tends to its equilibrium position quickly. Experimental results demonstrate that the algorithm could get a globally consistent map and linearization errors are limited in local regions.     

基于几何约束及迭代的NLOS环境定位算法

针对在非视距 （non-line-of-sight,NLOS）环境中传统最优化定位算法抗NLOS误差能力较弱、且需要一个较准确的初始估计位置以确保算法收敛这一问题,提出一种应用在双基站场景下的基于几何约束及迭代的定位算法. 通过引入最大散射半径作为几何约束条件,以线性迭代方式进行一维全局搜索,并采用最小二乘算法获得移动台（mobile station,MS）初始估计位置,然后利用设定的阈值门限对各初始位置点进行筛选,最后通过加权平均获得MS的最终估计位置. 仿真结果表明:当散射半径为200 m时,本文算法的定位误差在200 m以下的概率能达到100%;在相同环境下,本文算法计算时间开销仅是网格搜索法的0.4%.