基于属性相关性的无线传感网络缺失值估计方法

针对无线传感器网络(WSN)中感知数据易缺失问题,提出了一种基于感知数据属性相关性的缺失值估计方法。该方法采用多元线性回归模型,对属性相关的感知数据的缺失值进行估计;同时,为提高算法估计的鲁棒性,提出了基于感知数据属性的数据交织传送策略。仿真结果表明,所提出的估计方法能有效估计无线传感器网络中的缺失值,相比基于时空相关性的线性插值模型(LM)算法和传统的最近邻插值(NNI)算法具有更高的精度和稳定性。     

基于聚类分析的航班油耗组合估计

针对碳排放报告中燃油消耗数据存在单个不连续缺失和连续缺失2类数据,使用单一方法估计误差大的问题,提出一种基于聚类分析的组合估计方法。该方法首先采用K-medoids聚类算法将数据归类为单个不连续缺失数据以及连续缺失数据,然后使用NB方法对单个不连续数据进行估计填充,使用DTW方法对连续缺失数据估计填充,最后分别在1%、2%以及3%均方根误差时进行估计结果评价。实验结果表明：基于聚类分析的NB-DTW组合方法能有效降低估计误差,在1%、2%以及3%均方根误差时比NB方法分别降低了9.3%、12.1%、12.96%,比DTW方法分别降低了35.46%、43.62%、55.04%。     

传感器网络中一种基于多元回归模型的缺失值估计算法

在无线传感器网络中,感知数据的缺失问题不可避免,并且给无线传感器网络的各种应用带来了巨大困难.解决该问题的最好办法是对缺失数据进行准确估计.提出了一种基于多元回归模型的缺失值估计算法.该算法首先依感知数据的时间相关性和空间相关性分别采用多元线性回归模型对缺失数据进行估计,然后根据回归模型的拟合优度对基于时间维和空间维求出的两个估计值分别赋予相应的权值系数,并将其加权平均值作为缺失数据的最后估计值.由于该算法在对缺失值进行估计时,同时考察多个邻居节点并联合地用其感知数据来共同估计缺失值,因此该算法具有可靠、稳定的估计性能.在两个真实的数据集合上对该算法进行了测试,实验结果表明提出的缺失值估计算法能够有效估计无线传感器网络中的缺失数据.     

无线传感器网络中缺失数据估计算法

为了提高无线传感器网络(WSN)中缺失数据估计值的精度,提出了一种自决策插值算法。该算法能够根据数据集的空间相关性以及缺失数据的连续性选择不同的缺失数据估计策略,并将自回归滑动平均(ARMA)模型引入到对缺失数据插值的研究中。与传统缺失值估计算法相比,该算法不仅考虑到无线传感器网络的特性,而且考虑到数据集本身的特性。在真实数据集上测试结果表明,该算法提高了对缺失值估计的精度。     

传感器网络中一种基于时-空相关性的缺失值估计算法

在无线传感器网络中,感知数据的缺失问题不可避免,并且给无线传感器网络的各种应用带来了巨大困难.解决该问题的最好办法是对缺失数据进行准确估计.文中首先提出了一种基于感知数据时间相关性的缺失值估计算法,该算法采用线性插值模型,能够对较短时间内平稳变化的感知数据的缺失值进行较好估计;其次,文中提出了一种基于感知数据空间相关性的缺失值估计算法,该算法采用多元回归模型,同时考察多个邻居节点并联合地用其感知数据来共同估计缺失值.该算法不仅能够对非平稳变化的感知数据的缺失值取得较好估计效果,而且在给出缺失数据估计值的同时,还能够对用户给定的置信度给出缺失值的置信区间;基于上述两种算法,文中最后给出了一种自适应的基于感知数据时-空相关性的缺失值估计算法.该算法无论对于平稳变化还是非平稳变化的感知数据的缺失值均能取得较好的估计效果.作者在真实的数据集合上对文中提出的算法进行了测试,实验结果证明文中提出的基于感知数据时-空相关性的缺失值估计算法能够有效估计无线传感器网络中的缺失数据,具有可靠、稳定的估计性能.     

基于时序向量相似性的空间目标群匹配技术研究

分析了空间低轨目标群的运行特点,提出了基于时序向量相似性的空间目标群匹配算法,提高了对低轨巨型星座的识别管理能力。首先,介绍了时序向量的降维方法,将目标群高维观测时序向量简化为空间构型序列;而后,提出了基于动态时间规整(Dynamic Time Warping, DTW)的目标群空间构型序列相似性判别算法;最后,利用星链卫星目标群仿真和实测数据对算法的匹配能力进行验证。结果表明该算法可实现空间目标群监测数据快速匹配,仿真数据匹配过程中,在群内目标缺失30%的条件下匹配成功率可达100%,在低缺失条件下(缺失率5%以内)群内目标识别成功率平均超过75%;实测数据匹配成功率可达100%。     

基于路网相似性的路段行程时间估计

虽然浮动车GPS数据量很大,但是在某些时段,仍然有一些路段缺少实时浮动车数据,从而难以对行程时间进行估计。针对实时浮动车实时数据在估计路段行程时间时存在数据缺失的问题,本文提出了利用路网间属性和空间结构的相似性,从浮动车历史大数据中提取相似路段之间的时空关联特征,以目标路段与相似路段间的时空关联关系为输入,目标路段行程时间为输出,利用构建的三层神经网络模型进行数据缺失路段的行程时间估计。实验结果表明,路段行程时间估计值的平均绝对百分比误差可达到30%,与Naive Model相比具有较好的估计精度,验证了从路网相似角度解决实时数据缺失的可行性。     

一种无线传感器网络缺失数值估计算法

无线传感器网络（WSNs）工作环境复杂,不可避免会出现感知数值缺失问题。提出一种基于BP神经网络模型的缺失数值估计算法,利用同节点多参数间相关性特点,以强相关参数集为输入进行缺失数值输出估计。为了提高数值估计准确性和稳定性,提出将上述算法与线性回归算法结合,对二种缺失数值估计量进行加权平均,针对变化规律复杂的缺失数值进行有效的估计。基于实际采样数值进行仿真分析,结果表明：算法能够有效地完成缺失数值估计,同时对WSNs拓扑结构和节点覆盖率依赖性较弱,实用性较好。     

时序基因表达缺失值的加权双向回归估计算法

由于受实验条件等客观因素制约,实验所得到的基因表达谱数据存在数据缺失的现象,不利于数据的后续使用.如何在不丢失数据信息、不影响数据整体使用的情况下,对实验数据进行估计、填充已成为目前生物信息学研究的热点.本文通过利用核加权函数提取与缺失值所在的行列具有最大相似性的行列信息,提出了基于双向核加权回归估计的算法.在回归过程中同时考虑基因表达的空间相关性和时问相关性信息,使回归算法使用的信息更加充分.通过与其他缺失值估计算法相比较,加权双向回归算法的估计结果较好.     

虚拟阵列Khatri-Rao积与子空间联合稀疏表示的DOA估计方法

利用目标信号在空域分布的稀疏性,该文提出了一种基于虚拟阵列Khatri-Rao(KR)积与信号子空间联合稀疏表示的单快拍DOA估计方法;该方法利用单次快拍的采样数据,构造出双向虚拟阵列数据,并对虚拟阵列数据的协方差矩阵进行KR积变换处理,然后对向量化后的数据进行顺序重构,利用重构矩阵的大奇异值对应的左奇异向量为估计信号子空间;最后,利用凸优化工具箱对稀疏模型进行二阶凸规划的优化求解,得到高精度的DOA估计值;仿真实验验证了算法的有效性,在低信噪比下比传统MUSIC和OMP算法具有更高的估计精度。     

基于DBSCAN算法和多源数据的缺失公交到站数据修补

针对缺失公交到站信息修补方法考虑因素较少、准确度低、鲁棒性差的现状,提出了基于DBSCAN算法和多源数据的缺失公交到站数据修补方法。该方法使用公交全球定位系统（GPS）、公交集成电路卡（IC）等多源数据进行缺失到站信息的修补。对于缺失的到站名称、到站经纬度数据,用已有完整到站数据和静态线路信息关联分析进行修补。对于缺失的到站时刻数据,则按以下步骤进行修补：首先,对每一个缺失数据站点与其最近的未缺失数据站点,将这两站点间历史完整到站数据的行程时间和班次时序进行基于DBSCAN算法的聚类;其次,判断研究班次的两个相邻的数据完整的班次所属簇是否为同一个簇,若为同一个簇则不作改变,否则将两个簇合并;最后,将簇中点对应最大行程时间作为缺失行程时间判断是否有乘客在该站点上车刷卡,若有则由乘客开始刷卡时刻推算到站时刻,若无则将簇中点对应最大、最小行程时间的均值作为缺失行程时间推算到站时刻。以厦门市公交到站数据为例,在缺失到站名称、经纬度修补中,基于GPS数据聚类的方法、基于极大概率估计的方法和所提方法皆可进行100%的修补;在缺失到站时刻修补中,所提方法的平均相对误差比两种对比方法分别低0.0301%和0.0004%,相关系数比对比方法分别高0.005和0.0075。实验结果表明,所提算法在缺失公交到站数据修补中能有效提高修补的准确度,降低缺失站点个数变化对于准确度的影响。     

结合神经网络和数据融合技术的城市路段速度估计*

大部分基于浮动车GPS数据的速度估计模型仅适用于GPS数据采样时间间隔小、样本量空间分布密集的理想情况,无法准确计算样本量不足情况下的实时速度.根据浮动车GPS数据点在空间上的分布情况,提出组合三种速度估计模型,以最大限度地提高GPS数据利用率;考虑到GPS数据点在时间上分布不均,在GPS数据不足的情况下,结合神经网络预测和数据融合的技术,根据误差方差融合速度估计模型的测量值和神经网络拟合的预测值,以减少实时估计误差.选择广州市东风路作为测试实例,在高峰和平峰两种交通场景下比较了融合值、测量值和预测值的误差,结果表明结合神经网络和数据融合技术的城市路段速度估计精度和稳定性均优于速度估计模型.     

基于稀疏表示的电力负荷数据补全

数据缺失在电力负荷数据采集过程中经常发生,对提高算法的预测精确度带来了不利影响。现有的缺失数据补全算法只适用于缺失数据量较少的情况,而对于缺失数据较多的情况表现不佳。面对严重数据缺失的挑战,文中提出了一种基于稀疏表示的电力负荷缺失数据补全方法。首先以数据随机缺失为前提,将训练数据中假定缺失后的数据与完整的训练数据上下拼接构成训练矩阵;其次,利用离散余弦变换(Discrete Cosine Transform,DCT)生成一个过完备字典,并根据训练矩阵对其进行学习,旨在通过调优得到一个合适的字典,能对训练矩阵中的样本进行最好的稀疏表示。最后,在测试阶段,先利用学习后字典的上半部分获得测试集缺失数据的稀疏表示,然后利用稀疏表示和学习后字典的下半部分重构出无缺失的完整数据。实验结果表明,使用该方法对电力负荷数据缺失值进行补全,可以获得比传统插值方法、基于相关性的KNN算法、时空压缩感知估计算法以及时序压缩感知预测算法更高的精度。即使数据缺失率高达95%,该方法依然可以有效地补全缺失数据。     

基于声传感器线性阵列的气流速度估计算法

研究了一种基于声传感器线性阵列的新型气流速度测量方法.通过引入大气声学中的有效声速概念,建立了稳定气流作用下各阵元的接收模型,由此建立了声传感器线性阵列的近场输出模型.根据子空间正交原理,提出了一种基于多重信号分类(MUSIC)的气流速度估计(MUSIC-AVE)算法,此算法可实现对气流速度的高精度估计.为了降低计算复杂度,进一步提出了一种快速的气流速度估计(FAVE)算法,此算法虽然在估计精度上不如MUSIC-AVE算法,但无需谱搜索,具有更强的实时性.推导了气流速度估计的克拉美-罗界(CRB)表达式.仿真实验验证了提出算法的有效性.     

基于车牌自动识别数据的车辆OD轨迹还原

交通信息采集设备捕获的车牌数据是研究车辆出行轨迹的天然载体, 可用于追踪、还原车辆在路网的完整出行轨迹. 但是, 受技术与设备覆盖等限制, 采集的时序车牌数据总是呈现出稀疏不完整的性质. 为充分利用车牌数据, 研究并提出一种基于稀疏车牌数据的OD轨迹还原算法. 该算法首先以间隔时间阈值分离车辆的OD出行链. 然后基于K则最短路径算法(KSP)生成多个近似的候选轨迹. 最后, 采用变分自编码器(VAE)选择决策最优估计轨迹, 以获取车辆完整出行轨迹. 该方法已在杭州市萧山区实际交通小区进行实施验证. 结果显示, 所提出的还原算法在测试小区可达95%的综合准确率. 此外, 在节点缺失率高、摄像点位覆盖率低的情况下, 重构算法依然具备良好的性能(高于50%).     

基于迭代网格划分和熵估计的稀疏轨迹预测

针对移动对象轨迹预测所面临的"数据稀疏"问题,即有效的历史轨迹空间不能覆盖所有可能的查询轨迹,提出了一种基于迭代网格划分和熵估计的稀疏轨迹预测算法(TPDS-IGP&EE).首先,对轨迹区域进行迭代网格划分并生成轨迹序列;然后,引入L-Z熵估计计算轨迹序列的熵值,在轨迹熵值的基础上进行轨迹综合形成新的轨迹空间;最后,结合子轨迹综合算法,进行稀疏轨迹预测.实验结果表明,当轨迹完整度达到90%以上,Baseline算法的查询覆盖率只有25%左右;而TPDS-IGP&EE算法几乎不受查询轨迹长度的影响,可以预测几乎100%的查询轨迹;并且TPDS-IGP&EE算法的预测准确率普遍高于Baseline算法4%左右;同时Baseline算法的预测时间非常长,达到100 ms,而TPDS-IGP&EE算法的预测时间(10 μs)几乎可以忽略不计.TPDS-IGP&EE算法能够有效地进行稀疏环境下的轨迹预测,具有更广的预测范围、更快的预测速度和较高的预测准确率.     

基于遗传算法的宽带目标波束空间DOA估计

提出一种基于遗传算法的宽带目标到达方位(DOA)估计新方法,该方法首先通过傅立叶变换方法设计频域恒定束宽转换矩阵,并使用该矩阵将阵元空间的数据转换到波束空间,同时,利用宽带波束空间遗传算法进行DOA估计。计算机仿真表明:在低信噪比条件下该算法相比于CSS类子空间算法、CSS类最大似然算法和阵元空间遗传算法有更高的分辨概率,更小的均方误差。     

面向矩阵秩函数准确估计的自表示子空间聚类方法

传统子空间聚类方法通常使用矩阵核范数代替矩阵秩函数进行低秩矩阵恢复,然而在目标优化过程中主要关注低秩矩阵大奇异值的影响,容易导致矩阵秩估计不准确的问题。为此,在分析矩阵奇异值长尾分布特点基础上,提出使用基于截断Schatten-p范数的低秩子空间聚类模型。该模型充分考虑小奇异值对低秩矩阵恢复过程的贡献,利用小奇异值信息拟合矩阵奇异值的长尾分布,通过对矩阵秩函数进行准确估计以提升子空间聚类性能。实验结果表明,与现有加权核范数子空间聚类WNNM-LRR和近邻约束子空间聚类BDR算法相比,在Extended Yale B数据集上的聚类准确性分别提升了11%和8%,所提方法能够更好地拟合数据奇异值分布以及生成准确的相似度矩阵。     

基于多孔卷积神经网络的图像深度估计模型

针对在传统机器学习方法下单幅图像深度估计效果差、深度值获取不准确的问题，提出了一种基于多孔卷积神经网络（ACNN）的深度估计模型。首先，利用卷积神经网络（CNN）逐层提取原始图像的特征图；其次，利用多孔卷积结构，将原始图像中的空间信息与提取到的底层图像特征相互融合，得到初始深度图；最后，将初始深度图送入条件随机场（CRF），联合图像的像素空间位置、灰度及其梯度信息对所得深度图进行优化处理，得到最终深度图。在客观数据集上完成了模型可用性验证及误差估计，实验结果表明，该算法获得了更低的误差值和更高的准确率，均方根误差（RMSE）比基于机器学习的算法平均降低了30.86%，而准确率比基于深度学习的算法提高了14.5%，所提算法在误差数据和视觉效果方面都有较大提升，表明该模型能够在图像深度估计中获得更好的效果。     

基于AF-SVR的城市快速路多源交通信息融合研究

针对单一检测器所得到的交通数据不能够全面准确地反映实际的交通状态,提出一种基于AF-SVR模型的城市快速路多源交通信息融合的方法。首先通过将相同路段中不同检测器的速度数据作为学习样本输入到支持向量机回归模型(Support Vector Regression,SVR)中进行训练。然后利用鱼群算法(Artificial Fish,AF)对支持向量机回归模型中的参数进行优化,获得最优的信息融合模型,用于多源交通信息的融合,输出为能准确反映真实交通状态的速度数据,并用人工采集的速度数据作为真值进行验证。最后将此方法应用于成都市三环快速路路段上的多源交通信息融合,取得了令人满意的结果。