一种改进EM算法的联合信道估计与数据检测

最近的一些研究表明,在接收机利用可用的信道估计误差的统计时,可以显著提高检测性能.对此,提出了一种基于改进期望最大化(EM)算法的数据辅助信道估计,它通过在每次迭代中提供估计误差的统计信息,减少在各自的接收器信道估计误差的影响.仿真结果表明,与传统的EM及VBEM算法相比,在不需增加接收机复杂程度的情况下,改进的EM算法在估计精度上优于其对应的传统估计方法,有效降低了信道估计误差,其误码性能接近理想信道时的性能.     

基于动态补偿的矩形广义系统模型预测控制

针对线性矩形广义系统,研究了基于动态补偿的有限时域模型预测控制问题,给出了存在合适维数的动态补偿器使得闭环系统正则、无脉冲、稳定的充要条件.在有限时域性能指标中引入一个终端有限权矩阵来保证稳定性,并利用矩阵不等式和Lyapunov方程求解优化问题,将提出的Lyapunov方程转化为双线性矩阵不等式形式(BLMI),以便采用路径算法最小化性能指标,保证了闭环系统是容许的.数值算例验证了方法的有效性.     

突发事件下的医院应急群决策模型研究*

针对突发事件下的医院应急管理问题,进行了医院应急群决策模型研究。考虑到医院应急决策者心理行为特征的偏向性,将病人应急方案的选择设计成一个以医院决策者信息与病人集结信息之间距离最小为目标的非线性规划模型。根据病人的伤重程度和应急资源使用度的损益值,获得医院应急情景下的综合价值,根据累积前景理论,通过计算区间概率,获得医院应急情景下不同应急方式的累积前景值。使用模拟植物生长算法求解,莸得病人的最优集结信息。案例分析表明,该决策过程可以使得突发事件下医院应急管理方案达到最优。     

基于EM填补和加权秩和比的电力系统黑启动决策方法

电力系统大停电后需要安全可靠的黑启动方案进行电力快速恢复,如何从众多黑启动方案中进行优选是一个重要课题。不同于以往完全信息情况下的研究,本文对电力系统黑启动方案评估问题的研究是基于不完全信息情况下进行的,提出一种EM填补和加权秩和比相结合的黑启动决策方法。首先,采用EM算法填补黑启动方案评价空值,得到完备的黑启动评价矩阵;然后,计算指标间的差异性,利用差异性权重法得到各个指标的权重;最后,采用加权秩和比法确定每个方案的评分值,实现黑启动方案的分级和完全排序。本文方法基于广东电网黑启动数据集进行实验验证,实验结果表明,本文方法可以对不完全信息情况下的黑启动方案进行优劣排序,且具有较高准确性。     

基于遗传算法和TRIZ的产品服务系统优化设计方法

针对产品服务系统方案优化设计问题,分析了系统方案设计过程中主要影响因素,基于遗传算法和TRIZ理论提 出了产品服务系统方案优化设计方法。该方法可以优化产品服务系统的方案设计,并通过理想化程度值定量判定最优 方案设计。以污水处理设备为例,应用该方法获取产品服务系统最优的方案设计,并与其它方案进行对比,验证了该方 法的有效性。实际应用证明该方法不仅可以对产品服务系统方案设计的理想化程度进行定量的判定,还可以实现对系 统方案设计的全局最优搜索。     

矩形件排样的流程和算法设计

针对人工矩形件排样效率低、耗时长,且不能保证得到板材利用率为最优方案的问题,通过研究人工矩形件排样 的过程,提出了一种下料系统流程和矩形件排样的启发式与遗传相结合的算法。研究结果表明：所设计的下料系统流程 能够充分利用原材料库和余料库,且避免生成更多的余料;通过文中设计的启发式和遗传相结合的矩形件排样算法,能 够快速搜索出近似总体最优的排样方案。该设计方案能够提高板材利用率,同时减少更多余料的产生。     

Robust Coordinate Descent Algorithm Robust Solution Path for High-dimensional Sparse Regression Modeling

The L₁-type regularization provides a useful tool for variable selection in high-dimensional regression modeling. Various algorithms have been proposed to solve optimization problems for L₁-type regularization. Especially the coordinate descent algorithm has been shown to be effective in sparse regression modeling. Although the algorithm shows a remarkable performance to solve optimization problems for L₁-type regularization, it suffers from outliers, since the procedure is based on the inner product of predictor variables and partial residuals obtained from a non-robust manner. To overcome this drawback, we propose a robust coordinate descent algorithm, especially focusing on the high-dimensional regression modeling based on the principal components space. We show that the proposed robust algorithm converges to the minimum value of its objective function. Monte Carlo experiments and real data analysis are conducted to examine the efficiency of the proposed robust algorithm. We observe that our robust coordinate descent algorithm effectively performs for the high-dimensional regression modeling even in the presence of outliers.