基于混沌序列构造测量矩阵优化算法

针对混沌序列具有良好伪随机性的特点来构造测量矩阵,提出了两种基于调整混沌测量矩阵列向量顺序的优化算法。第一种具体方法是通过对信号稀疏向量中系数的分析,针对恢复信号贡献值最大的系数,设计选用混沌自适应测量矩阵最优的向量去采样。另外提出一种对稀疏向量通过不均匀进行采样的方法。实验结果表明：采用混沌测量矩阵通过理论证明可行性和实验仿真结果证明恢复效果比随机测量矩阵更好,并且两种优化算法在相同的压缩比下能显著地提高信号恢复的效果。     

Hammerstein系统递推辨识的自适应算法

采用最小二乘支持向量回归对Hammerstein系统进行辨识缺乏稀疏性,且模型不易递推.提出一种基于输出预报误差的Hammerstein模型自适应稀疏递推辨识算法.根据分块矩阵对模型进行递推运算,基于系统输出预报误差的结果,自适应调整算法的辨识步骤,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性.仿真结果表明,与常规的递推算法相比,该自适应算法能够在保证辨识精度的情况下,有效稀疏和简化模型,提高算法的鲁棒性和辨识效率,更加符合系统在线辨识的需要.     

基于相似度检测的欠定混合矩阵盲估计

针对现有欠定盲分离混合矩阵估计方法中存在的估计精度低以及时间复杂度高等缺点,提出一种基于相似度检测的欠定混合矩阵估计方法.该方法能够在没有任何先验信息的条件下自适应地估计出源信号数目以及混合矩阵,而且不需要进行迭代,时间复杂度低.仿真结果表明,与现有的一些混合矩阵估计方法,如改进K-均值聚类法和拉普拉斯势函数法相比,所提出的方法在源信号数目估计准确率、混合矩阵估计精度以及时间复杂度等方面都具有明显优势.     

自适应局部稀疏线性嵌入降维算法

针对局部线性嵌入近邻选取和权重矩阵奇异的问题,提出一种自适应局部稀疏线性嵌入降维算法。采用稀疏度自适应匹配追踪求解权重矩阵,利用匹配追踪的残差迭代出近邻点的权重,避免权重矩阵求解过程中引起的奇异问题。通过样本重构的残差大小,自适应地选取合适的近邻点个数,对邻域进行二次选择,保留更多的样本结构信息。实验结果表明,该算法的分类正确率均高于其他降维算法,同时也缩短了运行时间。     

基于压缩传感的高精度同步相量测量方法

为了消除或减小采用GPS定时的同步相量测量中非精确同步采样所造成的测量误差,提出一种基于压缩传感理论修正离散傅里叶变换估计结果的高精度同步相量测量算法。该算法利用离散傅里叶变换对测量信号进行稀疏化,并采用狄利克雷矩阵为观测矩阵,通过压缩传感重构算法重构测量信号。仿真结果表明:与传统离散傅里叶变换方法相比,该算法在不需要延长测量时间的条件下能够有效消除或减小频谱泄露等误差,并在很大程度上提高了信号的相量测量精度。     

压缩感知OMP算法与IRLS算法在计算鬼成像中的对比分析

将压缩感知技术和鬼成像系统相结合,能够大幅度地降低成像所需的测量次数,并能有效地提高重构图像的峰值信噪比。本文将离散余弦变换（DCT）矩阵作为图像稀疏化矩阵,采用正交匹配追踪算法（OMP）和迭代加权最小二乘算法（IRLS）两种压缩感知算法作为压缩感知鬼成像系统图像重构的算法。通过对两种算法在改变稀疏度和测量次数时重构结果的峰值信噪比变化的比较,探究了这两个变量对峰值信噪比的影响。发现IRLS算法重构精度更高,图像质量更好,而OMP算法迭代速度比IRLS更快,重构图像所需的时间较少。     

低秩和稀疏分解的立体影像匹配错误点检测

提出一种基于低秩和稀疏分解的立体影像匹配错误点检测方法.以正确匹配点的运动结构相似性和错误匹配点的稀疏性为约束条件,考虑局部最近邻匹配点间的运动低秩特征,引入图拉普拉斯约束项来表达这种局部低秩性,在此基础上构建影像间匹配点的低秩和稀疏优化模型.采用自适应惩罚的线性化交替方向法推导并完成模型的低秩和稀疏分解.统计稀疏矩阵奇异值特征,以此为判断条件进行正确与错误匹配点的检测.实验选择具有高度纹理重复特征的立体像对,分别对比和分析不同转角下影像错误匹配点的检测精度.结果表明:在高纹理重复特征、高重叠度下,提出的方法较经典方法能更好的区分正确与错误匹配点,在正确率、召回率、精度和F值(F-measure)指标评价方面表现占优.     

采用压缩感知的阵列失效单元诊断方法

针对现有阵列单元故障诊断方法随阵元数目增多而存在的采样数量大、诊断时间长、计算复杂度高等缺陷,提出了一种采用压缩感知理论的故障诊断方法．该方法基于故障单元数目固有的稀疏性,利用完好阵列和实际阵列激励的差值构造稀疏信号．根据目标方位信息设计测量矩阵的网格划分准则,并通过测量矩阵以随机欠采样方式获取少量测量数据．结合平行坐标下降算法对该稀疏信号进行精确重构,从而实现故障单元的准确诊断．理论分析和仿真实验表明,文中提出的方法不仅明显减少了采样数量,有效缩短了诊断时间,大幅降低了计算复杂度,而且进一步提高了故障信息的重构精度．     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

融合项目属性特征的SVD协同过滤推荐算法研究

针对协同过滤方法中用户-项目评分矩阵的极端稀疏性问题,提出了一种基于层次的混合推荐方法.首先利用TF-IDF提取项目属性特征,并利用余弦相似度对评分矩阵的缺失值进行填充;然后通过对填充的矩阵做SVD,寻找隐性特征,建立隐语义模型;最后将本文的算法分别与众数填充和无填充模型进行对比实验,结果表明本文提出的方法有效提高了推荐的精度.     

改进型双频相关的整周模糊度单历元解算算法

双频相关法根据双频载波相位测量值之间的相关特性,通过构造模糊度误差带实现了对整周模糊度的快速解算．但由于该算法需要提前设定伪距测量精度,易导致模糊度真值漏搜或者误差带筛选效率下降．基于此,提出了一种改进算法：首先利用基线长度与观测向量信息构造双差几何相关模型,从而定量解算整周模糊度搜索范围;随后分析了模糊度搜索空间稀疏性与载波相位波长、误差带带长、误差带带宽之间的相互关系;最后采用宽巷整周模糊度作为误差带坐标系的横轴,以进一步增强搜索空间稀疏性．多次试验结果表明,在单历元情形下,改进算法的单维模糊度平均筛选效率提高85.71%,平均解算耗时缩短至原先的0.46%,成功率由95.28%提高至99.78%,有效地提高了模糊度解算的快速性与可靠性．     

基于时空分析的复杂交通流数据挖掘算法

为了建立一种易于计算机实现的线性算法来进行交通流数据挖掘,同时建立更加精确的路段交通流模型,通过分析复杂交通数据所特有的流特征和时空特征提出了一种新的交通流数据挖掘算法。首先采用时空滑动窗口数据模型降低了算法的时空复杂度,并实现了动态挖掘;通过对数据流进行聚类分析发现彼此间相似的数据流,并按时段分簇;对每一簇通过主成分分析法剔除非关键变量,最后使用分时段多元线性回归方程构建兴趣模式的表达式,该算法为动态算法,交通实测数据实验证明模型的拟合精度较高,拟合值与真值的平均绝对误差值控制在9秒以内,平均相对误差值控制在5%以内,综合各个时段来看,预测的准确度都在90%以上。     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于DBN-Kalman-EC算法的 短期风电功率组合预测

提出一种基于深度置信网络(DBN)和卡尔曼算法(Kalman),结合误差修正算法(EC)的短期风电功率组合预测模型。运用经验模态算法(EMD)将原始风速序列分解,提取其主要特征,降低风速序列突变性;然后利用DBN法,通过构造两种不同的输入输出矩阵,得到pro_1和pro_2两种预测功率、bias_1和bias_2两种预测误差;接着将pro_1作为测量值、bias_1作为测量误差,将pro_2作为观测值、bias_2作为过程误差引入Kalman模型,得到预测结果 pro和预测误差bias;最后利用EC算法对pro和bias进行修正。仿真结果表明,DBN-Kalman-EC模型能有效中和bias_1和bias_2两种误差,降低了预测误差,修正预测值,有效地提高了短期风电功率预测的精度。     

基于信道模糊关联识别的NLOS测距误差补偿算法

针对NLOS测距存在误差的问题,提出一种基于信道模糊关联识别的NLOS测距误差补偿算法.根据先验信道特征参数分布信息构造信道特征参数模糊隶属矩阵,并利用灰色关联分析方法计算归一化权值矩阵,进而获得模糊综合评价矩阵来对信道环境进行识别.在此基础上,根据信道识别结果构建Huber代价函数,通过Huber线性回归方法对原始测距结果进行迭代重构,将重构结果作为Kalman滤波的测量值进行滤波.仿真结果表明,所提算法可以有效提高NLOS环境下的测距精度,在信噪比大于-2 dB时可以达到厘米级测距精度.     

自适应权重更新的两步定位算法

在室内环境中,影响定位精度的测量误差包括接收设备自身引起的误差以及信号非视距传播和多径效应所引起的测量正偏差.针对室内环境中测量数据包含测量误差服从正均值高斯分布的特性,提出了一种自适应权重更新的两步定位算法.该算法使用卡尔曼滤波和自适应权重更新的加权最小二乘算法进行两步定位,通过对每个测量距离分配不同的权重,克服了固定权重分配需在特定环境下方能获得良好定位精度的缺点.仿真结果表明,该算法定位精度优于两步定位算法和EKF算法,且对环境适应性更强.     

Improved sample filtering method for measuring end-to-end path capacity

By analyzing the effect of cross traffic （CT） enforced on packet delay, an improved path capacity measurement method, pcapminp algorithm, was proposed. With this method, path capacity was measured by filtering probe samples based on measured minimum packet-pair delay. The measurability of minimum packet-pair delay was also analyzed by simulation. The results show that, when comparing with pathrate, if the CT load is light, both pcapminp and pathrate have similar accuracy; but in the case of heavy CT load, pcapminp is more accurate than Pathrate. When CT load reaches 90%, pcapminp algorithm has only 5% measurement error, which is 10% lower than that of pathrate algorithm. At any CT load levels, the probe cost of pcapminp algorithm is two magnitudes smaller than that ofpathrate, and the measurement duration is one magnitude shorter than that ofpathrate algorithm.     

误差修正的声源目标混合定位算法

针对定位系统因非视距传播、多路径效应等因素所导致定位精度降低的问题,提出了一种基于到达时差的误差修正声源目标混合定位算法。首先,该算法在传统加权最小二乘法中引入动态权值修正技术获得泰勒级数迭代法初值,减少了迭代次数;其次,提出了后项时延选择算法,并结合标准残差函数剔除了误差较大的时差对定位性能的影响,选择最优的时差组合方式进行目标位置解算;最后,通过标准残差加权的方式修正混合定位算法误差,得到声源目标位置。 实验结果显示,新提出的误差修正混合定位算法性能优于参考算法,且对非视距误差具有显著的抑制作用,有效地提高了定位精度。