针对分布式多输入多输出(multi-input multi-output,MIMO)雷达测向中存在的数据信息提取不充分、运算量偏大等问题,开展了基于广义奇异值分解(generalized singular value decomposition,GSVD)的测向算法研究,以提高低信噪比条件下的角...针对分布式多输入多输出(multi-input multi-output,MIMO)雷达测向中存在的数据信息提取不充分、运算量偏大等问题,开展了基于广义奇异值分解(generalized singular value decomposition,GSVD)的测向算法研究,以提高低信噪比条件下的角度估计性能。首先,建立了分布式阵列MIMO雷达回波信号的统一化表征模型;其次,将分布式MIMO雷达系统接收阵列数据的多线程GSVD问题转换为一个联合优化问题,运用交替最小二乘(alternating least squares,ALS)技术实现阵列信号流行矩阵的拟合,并引入子空间类算法实现目标角度联合估计;最后,对优化问题增加l1范数约束,避免了每次迭代中进行的奇异值分解运算,降低了算法运算量。仿真实验从角度联合估计、均方误差、运算时间等方面验证了所提算法的有效性。展开更多
针对个性化推荐过程中高维稀疏性引起的数据震荡和推荐精度不高的问题,提出一种通过交替最小二乘算法(Alternating Least Squares,ALS)来优化的带偏置概率矩阵分解的推荐方法.首先将用户项目的偏置信息融入到改进的概率矩阵分解算法中....针对个性化推荐过程中高维稀疏性引起的数据震荡和推荐精度不高的问题,提出一种通过交替最小二乘算法(Alternating Least Squares,ALS)来优化的带偏置概率矩阵分解的推荐方法.首先将用户项目的偏置信息融入到改进的概率矩阵分解算法中.其次为了提升训练速度和推荐精度,将训练得到的用户项目潜在因子向量作为ALS的初始值,进而得到用户项目潜在因子矩阵.最后利用分解后的两个低维矩阵对原矩阵中的未知评分进行预测.在Movielens100k数据集上的实验结果表明,本文提出的推荐算法在相对于传统的带偏置概率矩阵分解来说最高提高3.41%,结果稳定且准确率高.展开更多
文摘针对分布式多输入多输出(multi-input multi-output,MIMO)雷达测向中存在的数据信息提取不充分、运算量偏大等问题,开展了基于广义奇异值分解(generalized singular value decomposition,GSVD)的测向算法研究,以提高低信噪比条件下的角度估计性能。首先,建立了分布式阵列MIMO雷达回波信号的统一化表征模型;其次,将分布式MIMO雷达系统接收阵列数据的多线程GSVD问题转换为一个联合优化问题,运用交替最小二乘(alternating least squares,ALS)技术实现阵列信号流行矩阵的拟合,并引入子空间类算法实现目标角度联合估计;最后,对优化问题增加l1范数约束,避免了每次迭代中进行的奇异值分解运算,降低了算法运算量。仿真实验从角度联合估计、均方误差、运算时间等方面验证了所提算法的有效性。
文摘针对个性化推荐过程中高维稀疏性引起的数据震荡和推荐精度不高的问题,提出一种通过交替最小二乘算法(Alternating Least Squares,ALS)来优化的带偏置概率矩阵分解的推荐方法.首先将用户项目的偏置信息融入到改进的概率矩阵分解算法中.其次为了提升训练速度和推荐精度,将训练得到的用户项目潜在因子向量作为ALS的初始值,进而得到用户项目潜在因子矩阵.最后利用分解后的两个低维矩阵对原矩阵中的未知评分进行预测.在Movielens100k数据集上的实验结果表明,本文提出的推荐算法在相对于传统的带偏置概率矩阵分解来说最高提高3.41%,结果稳定且准确率高.
文摘联合对角化方法是求解盲源分离问题的有力工具.但是现存的联合对角化算法大都只能求解实数域盲源分离问题,且对目标矩阵有诸多限制.为了求解更具一般性的复数域盲源分离问题,提出了一种基于结构特点的联合对角化(Structural Traits Based Joint Diagonalization,STBJD)算法,既取消了预白化操作解除了对目标矩阵的正定性限制,又允许目标矩阵组为复值,具有极广的适用性.首先,引入矩阵变换,将待联合对角化的复数域目标矩阵组转化为新的具有鲜明结构特点的实对称目标矩阵组.随后,构建联合对角化最小二乘代价函数,引入交替最小二乘迭代算法求解代价函数,并在优化过程中充分挖掘所涉参量的结构特点加以利用.最终,求得混迭矩阵的估计并据此恢复源信号.仿真实验证明与现存的有代表性的对目标矩阵无特殊限制的复数域联合对角化算法FAJD算法及CVFFDIAG算法相比,STBJD算法具有更高的收敛精度,能有效地解决盲源分离问题.
