基于二层SVM多分类器的桩基缺陷诊断

 为了研究桩基缺陷的快速和准确的分类方法,依据支持向量机(SVM)理论,采用多层分类的方法,改进了一对一SVM多分类器结构,构建了二层一对一SVM多分类器模型,提出了二层多分类计算方法.与BP神经网络相比,二层SVM分类器的学习训练快捷,分类处理的实时性能好,对小样本测试环境的适应能力强,并且具有较好的分类准确率.该方法适合于分析训练样本数量少、分类精度要求高和分类输入输出变量较多的桩基缺陷诊断等多分类问题,对桩基多处缺陷识别的研究也具有重要支持.     

基于支持向量机的不平衡数据集分类方法研究

研究表明支持向量机分类方法在样本集分布不均衡情况下,对少类样本分类准确率急剧下降.针对该问题,本文提出了一种基于模糊样本集修剪技术和指导型欠采样技术的支持向量机分类算法,并对算法中新引入的参数进行了深入讨论.算法分析和仿真结果表明,文中提出的方法在不增加计算复杂度的前提下,有效地提高了算法整体分类准确率.     

基于重复子向量的测试数据压缩算法

随着微电子技术的快速发展,系统芯片SoC的集成度越来越高,所需的测试数据量成几何级数增长.针对这一问题,本文提出了一种有效的测试数据压缩算法--基于重复子向量的测试数据压缩算法.该算法适用于多扫描链设计的IP芯核,应用过程中不需要芯核内部结构信息.该方法针对测试集中大量存在的重复子向量进行压缩,能够有效提高压缩效率.理论分析和实验数据表明,基于重复子向量的测试数据压缩算法相对于同类压缩方法能够大幅度提高压缩效率、降低测试成本.     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

基于区间数聚类的无线传感器网络定位方法

在基于接收信号强度指示(Received signal strength indicator, RSSI) 测距的无线传感器网络(Wireless sensor network, WSN)定位方法应用过程中, 信号强度与对应通信距离的对数成线性关系的假设在实际无线通信环境下几乎不能满足, 从而导致定位误差较大. 针对此问题, 本文首先利用区间数表示方法结合实际定位环境中RSSI数据的统计信息表示RSSI的分布区域, 并采用区间数聚类方法实现距离估计, 以减小由于RSSI值不确定性引起的距离估计误差, 然后利用这些距离估计值实现基于测距的WSN定位方法. 采用三种实际通信环境下RSSI测量数据完成的定位实验结果表明, 本文提出的基于区间数聚类RSSI-通信距离(RSSI-D)估计的定位方法可有效地提高定位精度.     

基于IP核的SpaceWire-PCI通信卡设计

作为一种面向航天应用的通信技术,SpaceWire具有广阔的应用前景。以IP核技术为基础,设计实现了以PCI总线为集成平台的两通道SpaceWire接口通信卡。在对板卡硬件组成进行综述的基础上,详细描述了PCI接口IP核、SpaceWire节点IP核以及驱动程序的设计方法,最后通过软件定时方法对本板卡的转换效率进行了测试。本文设计的通信卡具有尺寸小、布线简单、成本低、功耗低等特点,可以满足航天测控领域需求。     

深度神经网络的自适应联合压缩方法

现有模式单一且固定的深度神经网络压缩方法受限于精度损失,而难以对模型进行充分压缩,致使压缩后模型在实际部署时仍需消耗大量成本高昂且容量有限的存储资源,对其在边缘端的实际应用造成严峻挑战。针对该问题,本文提出一种可同时对模型连接结构和权重位宽进行自适应联合优化的压缩方法。与已有组合式压缩不同,本文充分融合稀疏化和量化方法进行联合压缩训练,从而全面降低模型规模;采用层级自适应的稀疏度和数据表征位宽,缓解因固定压缩比导致的精度次优化问题。通过使用本文提出方法对VGG、ResNet和MobileNet在CIFAR-10数据集上的实验表明,精度损失分别为1.3%、2.4%和0.9%时,参数压缩率达到了143.0×、151.6×和19.7×;与12种典型压缩方法相比,模型存储资源的消耗降低了15.3×～148.5×。此外,在自建的遥感图像数据集上,该方法仍能在达到最高284.2×压缩率的同时保证精度损失不超过1.2%。     

一种解线性最小二乘问题的FPGA计算方法

针对基于FPGA实现解线性最小二乘问题存在的计算并行性差和计算延迟大的问题,提出基于改进Cholseky分解解线性最小二乘问题的FPGA计算方法。该方法将最小二乘问题转换为矩阵分解和三角阵求解两部分实现,在每个部分通过最大化PE单元数量提高运算的并行性。在矩阵分解部分采用改进的Cholesky分解方法规避开方运算,并将除法运算转换为乘法,减小计算延迟。同时,在三角阵求解部分通过计算结构复用实现正三角和倒三角线性方程组的求解,提高资源利用率。在Xinlinx Virtex XC5VFX130T平台上的实验结果表明,在单精度条件下,相对于PC平台,该方法能够实现8倍以上的效率提升。     

群智能理论及应用

作为一种新兴演化计算技术，群智能已成为新的研究热点，它与人工生命，特别是进化策略和遗传算法有着极为特殊的联系，已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法．更为重要的是，群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证．本文介绍了群智能理论的产生和发展过程，并着力阐述了两种典型算法；微粒群算法和蚁群算法的基本原理以及研究现状．     

基于扩展卡尔曼滤波的回声状态网络在线训练算法

针对在线应用中回声状态网络(echo state network,ESN)的储备池适应性和训练算法效率问题,文中提出一种基于扩展卡尔曼滤波(extended kalman filter,EKF)的ESN在线训练算法。该算法以ESN的储备池参数以及输出连接权矩阵为目标参数,利用EKF对其进行联合训练提高储备池适应性,并能够有效地克服交叉验证参数选择导致的ESN训练效率下降问题。Lorenz混沌时间序列以及移动通信话务量时间序列预测实验证明,新方法可显著提升ESN算法的总体计算效率。