基于现场监控终端的线路故障定位优化矩阵算法

从解决双电源及多电源并列供电系统等复杂配网的故障定位问题及提高定位算法的计算效率入手 ,提出了基于现场监控终端的故障定位统一算法——优化矩阵算法。该算法以矩阵分析为基础 ,既能实现普通树状网及开环运行的环网的故障定位 ,又能满足闭环运行的环网故障定位需求 ,对配电网运行工况的变化有较强的适应能力。与优化前矩阵算法相比 ,不仅扩大了算法的适应范围 ,而且由于采用了分线路存储技术并以矩阵间有效元素的直接运算代替矩阵计算 ,改善了系统的存储效率和算法的工作量 ,计算速度快。

基于目标优化矩阵的教师教学质量综合评价体系的构建——以三明学院为例

教师教学质量评价是高校教学质量保障体系中的重要环节,在了解高校教师教学质量评价现状的基础上,运用目标优化矩阵和模糊综合评价法构建教师教学质量评价体系,科学评价教师教学质量,对提高教师教学水平、提升教育质量具有重要价值.

基于VOSA模型的用电营商环境多维优化矩阵研究——以海南电网为例

近年来,我国营商环境明显改善,但仍存在一些短板和薄弱环节。海南作为中国特色自由贸易港,当前正在加快推进法治化、国际化、便利化营商环境建设,确保营商环境到2025年达到国内一流水平。为此,海南亟须进一步聚焦市场主体,既立足当前又着眼长远,破解企业生产经营中的堵点、痛点。本文以海南电网为例,基于VOSA模型,从用户视角出发,以用户价值为核心,充分分析用电营商环境建设中存在的各种问题,并结合相关管理工具,构建针对性、实用性较强的多维优化矩阵,旨在推动用电营商环境的优化升级。

基于矩阵优化分解的测绘图像三维重建系统

由于测绘图像细节信息特征独立性显著,三维重建波段的选取易出现偏差,影响测绘图像三维重建效果。为此,本文设计基于矩阵优化分解的测绘图像三维重建系统。设计测绘图像导入主从设备接口,实现测绘图像数据导入处理。3D引擎图像渲染模块和多通道三维显示模块可以实现多台计算机对同一场景的渲染。采用矩阵优化分解方法选择图像三维重建波段,将波段上任意点到对应极线距离作为重建目标,连接所有坐标形成曲面,计算各点三维笛卡尔坐标值,并恢复测绘图像被遮挡部分,修正波段值,实现三维重建。测试结果表明:该系统重建的三维图像像素均匀,无异常凸起部分。重建误差平均为0.06,具有精准三维重建效果。

鲁棒性观测矩阵优化设计及其在机械故障诊断中的应用

在机械设备故障诊断系统中应用压缩感知(CS)可以有效缓解故障诊断系统数据的传输和存储压力。将观测矩阵的优化设计方法引入机械设备故障诊断系统中。结合机械信号信噪比(SNR)较低的特点,在分析不同观测矩阵优化框架抗噪性能的基础上,得出适用于机械信号的鲁棒性观测矩阵优化框架。基于该优化框架,推导出一种比现有求解方法计算复杂度更低的解析解,提高了优化观测矩阵的求解速度。数值仿真和实验结果表明,所提方法得到的优化观测矩阵具有良好的鲁棒性和更高的计算效率,相比现有的优化观测矩阵和常用的随机矩阵,所提方法可以在更低的信噪比和压缩比下有效地重构机械故障信号。

基于基矩阵排列优化算法的非规则准循环低密度奇偶校验码构造

为了提升非规则准循环低密度奇偶校验(QC-LDPC)码的误码率性能、降低构造算法的复杂度,该文提出一种基于基矩阵排列优化算法的非规则QC-LDPC码构造方法。首先,利用基于外部信息传递(EXIT)图的阈值分析算法得到满足码率和列重要求的非规则QC-LDPC码的最优度分布,然后将围长和短环数量作为新的约束条件对具有最优度分布的码集进行分析,得到具有最优度分布和最少短环数量的最优基矩阵排列结构,最后,根据得到的基矩阵对规则指数矩阵进行置零操作得到目标非规则QC-LDPC码。该构造方法相对于随机构造方法具有更低的实现复杂度,同时可以通过改变算法的参数值实现码长和码率的灵活设计。仿真结果表明,与现有的一些构造方法相比,所提方法构造的非规则QC-LDPC码在加性高斯白噪声(AWGN)信道上具有更好的误码率性能。

用于并行压缩感知成像系统的观测矩阵优化算法

压缩感知理论为遥感空间超分辨技术提供了一种新的实现方式。其中观测矩阵决定着压缩感知的采样规则,设计和优化观测矩阵对于保证信号的重构品质具有重要意义。文章在并行压缩感知成像系统的基础上,提出了一种基于列独立性和互相关性的观测矩阵优化算法。算法通过正交三角分解增强观测矩阵的列向量独立性,再通过特征值分解和等角紧框架约束来降低观测矩阵与稀疏矩阵之间的互相关性。同时,文章还提出了一种基于阈值分割的优化方法,将观测矩阵转化为便于硬件实现的二值矩阵,在降低了硬件加工难度的同时,进一步增强了观测矩阵的效果,提高了优化算法的实用性。仿真实验证明,文章提出的优化算法相较于传统优化算法在峰值信噪比方面提升1~2 dB,具有更好地优化效果。

压缩感知中高斯矩阵的优化研究

为了优化高斯矩阵,对部分哈达玛矩阵与高斯矩阵的统计学参数作了对比分析,确定了导致部分哈达玛矩阵信号重构能力好的主要因素,并提出了高斯矩阵优化算法。验证了优化算法对不同规模高斯矩阵的通用性和有效性,确定了优化矩阵对各种稀疏信号重构算法的适用性。最后对优化矩阵的性能作了初步的理论和实验分析,优化矩阵的信号重构能力可达到、甚至超过哈达玛矩阵。研究成果为测量矩阵的分析、设计和优化提供了新的思路和方法。

多项正则化约束的伪标签传播优化脑电信号聚类

作为一种非侵入式分析载体,脑电信号目前被广泛应用于脑-机接口、医疗辅助诊断及康复领域,但这些应用通常依赖需要完整标签的有监督分析技术,如分类.随着无标签脑电信号的与日俱增,现有的有监督方法不能有效解决无标签脑电信号分析问题,也在一定程度上限制了无标签脑电信号这类新型数据的应用拓展.为了解决无标签脑电信号的无监督分析问题,提出了一种基于多项正则化约束的伪标签传播优化聚类模型.该模型通过同时优化学习伪标签传播矩阵、脑电信号相似度邻接矩阵、标签分类器的方式实现聚类.将提出的脑电信号聚类模型转化为一个多目标优化问题,并提出了一种基于梯度下降策略的聚类算法EEGapc(electroencephalogram clustering with pseudo label propagation).该算法不仅充分考虑了脑电信号之间的相关性及脑电信号间的信息传递,还能快速收敛到局部最优.在14个真实脑电信号数据集上的实验结果表明,提出的EEGapc脑电信号聚类算法比现有的8种聚类算法性能更好,且在平均NMI(normalized mutual information),ARI(adjusted rand index),F-score,kappa这4个指标上,EEGapc与现有的8种聚类算法相比,分别至少提升了86.88%,58.01%,6.29%,61.17%.

基于协方差矩阵优化重构的稳健波束形成算法

针对一般自适应波束形成器在模型失配误差存在时性能下降严重的问题,提出一种基于干扰加噪声协方差矩阵优化重构的稳健波束形成算法。该算法通过稀疏重构的方法剔除样本协方差矩阵中的期望信号分量;利用子空间扩展知识建立导向矢量不确定集约束,优化干扰加噪声协方差矩阵;基于最大化阵列输出功率准则建立导向矢量误差优化模型,通过循环迭代的方法得出最优加权矢量;理论分析及仿真实验结果表明:该算法在目标来波方向误差和阵元位置误差存在时具有稳健性。

基于多目标优化策略的曲线钢轨非对称打磨设计

铁路曲线钢轨打磨一直是养护维修工作的重点之一,虽然钢轨的磨损不可避免,但适当打磨型面能有效减缓磨损。为了降低打磨去除量,改善轮轨接触性能,提高铁路系统的安全性和经济性,提出一种基于多目标协方差矩阵自适应优化策略(MO-CMA-ES)的曲线段打磨型面设计方法。首先,通过主成分分析方法(PCA),从钢轨磨耗型面中选取代表性的磨耗型面作为初始种群。接着,采用NURBS曲线拟合算法对这些型面进行曲线拟合,以建立参数化模型。随后,使用MOCMA-ES算法进行多目标优化,其中目标函数包括降低打磨去除量、轮重减载率和轮轴横向力。根据每个型面在不同目标函数下的适应度值,进行种群的进化与连续迭代,直到满足终止条件,即适应度函数值不再显著变化。最后,从最终的种群中选取目标适应度值最小的子代个体作为最优解。优化结果显示,优化型面降低了45.3%的打磨去除量,同时内外轨轨顶的打磨下降高度分别降低了0.84 mm和0.23 mm。静态轮轨接触方面,优化后的轮轨接触点分布更加均匀,且轨距角过渡区域的跳跃现象得到改善。动力学性能方面,优化型面降低了列车车体的横向加速度和轮轨横向力。此外,有效减小了轮对的横向位移,并微幅降低了轮轨最大接触应力。研究结果为曲线钢轨打磨提供了一种智能化的设计方法与参考。

不同稀疏基对单像素相机矩阵性能的影响

针对不同稀疏基与单像素相机矩阵构成的重构矩阵研究较少的问题。首先将DCT矩阵和DWT矩阵这两种稀疏基分别与单像素相机矩阵组合成不同的重构矩阵,将得到的重构矩阵进行优化,分析优化过程中重构矩阵与优化矩阵性质的改变,再用重构矩阵与优化矩阵对信号进行重构实验。实验结果表明,基于DWT矩阵得到的重构矩阵和优化矩阵对信号的重构效果更好。基于DWT矩阵的重构矩阵和优化矩阵比基于DCT矩阵的重构矩阵和优化矩阵展现出了更好的重构性能。

基于Hadamard优化矩阵的多分辨显微关联成像研究

为满足显微成像领域的多样化需求,解决实际应用中成像质量与成像时间之间的矛盾,提出一种基于数字微镜器件的多分辨显微关联成像方法。该方法利用LED光源作为背景照射光源,对科研级荧光正置显微镜原光路改装设计为关联成像光路,采用多分辨Hadamard优化矩阵作为数字微镜器件的预置图样,实现了生物组织样品的连续多分辨成像。实验结果表明,多分辨显微关联成像系统的分辨率可达218 nm,单组测量后可同时输出8组不同分辨率图像,能够根据实际应用中不同图像质量需求选择不同的分辨率,减少成像时间和存储空间,极大地提高了显微成像的灵活性。这种新型多分辨显微关联成像方法可以扩展至细胞筛选、细胞实时成像等领域,对推动关联成像在细胞和生物组织显微成像领域的应用具有重要意义。

基于多重解析字典学习和观测矩阵优化的压缩感知

文中提出了一种基于子空间解析字典学习和观测矩阵优化的图像压缩感知算法.该算法根据图像的局部方向特征,将整个图像空间分成多个子空间,并且采用几何共轭梯度算法分别在各个子空间学习解析字典,以实现对不同子空间图像块的最优稀疏表示.在图像重构过程中,首先在所有的子空间对每个图像块分别进行估计,然后根据稀疏表示最小误差准则获得每个图像块的最优估计.为了进一步提高图像重构质量,文中通过对不同子空间的图像块进行线性判别分析获得优化观测矩阵.实验表明文中算法可以实现高质量的压缩感知图像重构.

一种基于拟牛顿法的CS投影矩阵优化算法

压缩感知(Compressed Sensing,CS)理论中,投影矩阵优化是一类通过提高观测数据信息量而改善性能的方法.由于投影矩阵与稀疏字典内积构造的Gram矩阵必定奇异,基于广义逆矩阵求解方法存在计算精度的问题.本文提出了一种利用拟牛顿法的CS投影矩阵优化算法.该算法分为两步:一是利用阈值函数约束Gram矩阵非对角线元素,使投影矩阵与稀疏字典的互相关系数逼近Welch界;二是采用秩2校正得到Hessian阵逆近似去修正梯度搜索方向.两个步骤交替执行,直到解出符合优化要求的投影矩阵.该算法始终保持下降性,具有超线性收敛速度,避免了矩阵函数二阶导数复杂的计算,计算量较小.实验结果表明,当信号稀疏度或观测数据相同时,本文算法的重构结果优于其他算法.

稀疏线性调频步进信号ISAR成像观测矩阵自适应优化方法

基于压缩感知(CS)理论的稀疏线性调频步进信号(SFCS)逆合成孔径雷达(ISAR)成像技术能够从少量观测数据中高概率重构出目标像,其中,观测矩阵的优化设计是提高成像质量和减少观测数据量的有效途径。然而,现有的观测矩阵优化设计研究通常没有考虑目标特征信息的有效利用,对目标的自适应能力不足。因此,该文在充分利用目标特征信息的基础上,结合稀疏SFCS信号的实际物理观测过程,提出一种ISAR成像观测矩阵自适应优化方法。该方法首先建立参数化稀疏表征成像模型以解决稀疏SFCS信号多普勒敏感问题,在此基础上,以在达到成像质量要求条件下使用最少观测数据量获得最优成像结果为目标对观测矩阵进行自适应优化设计,最终能够利用最少的数据量获得满意的目标成像结果。仿真实验验证了该算法的有效性。

稀疏信号结构性噪声干扰下的感知矩阵优化

针对具有结构性噪声干扰的稀疏信号处理问题,该文提出一种基于贝叶斯理论的感知矩阵优化设计方法。结合具有加性干扰的稀疏信号模型,通过对感知矩阵进行能量约束,最小化信号的后验协方差矩阵的迹,实现感知矩阵的优化设计。仿真不同信号稀疏度和重构算法时,感知矩阵优化对信号重构误差和重构时间的影响;分析信号先验信息存在偏差时,感知矩阵优化对重构效果的影响。仿真结果表明,优化后的感知矩阵能够更好地获取稀疏信号中的重要信息,信号重构精度的均方误差减小约15～25 dB,重构时间减少约40%。

基于单像素相机重构矩阵优化的影像采集和重构方法

传统的重构矩阵优化算法可以事前确定稀疏变换基,却无法事前确定测量矩阵,尽管能够提高可压缩信号的重构效果,但不利于测量矩阵的硬件实现。针对这些问题,基于事前确定的稀疏变换基和单像素相机测量矩阵,提出了无需把二维影像转化成一维信号的基于线阵推扫和重构矩阵优化的单像素相机影像采集和重构方法。该方法实现了以事前确定的单像素相机测量矩阵采集数据,以事后优化的重构矩阵重构信号。初步解决了针对影像的测量矩阵硬件实现难题,改善提高了影像重构效果。同时回避了"测量矩阵和稀疏变换基不相关性好"的测量矩阵设计原则。实验表明无需把二维影像转化成一维信号的基于线阵推扫和重构矩阵优化的单像素相机影像采集和重构方法是可行的。

基于观测矩阵优化的自适应压缩宽带频谱感知

压缩采样(CS,又称压缩感知)技术的出现为频谱感知在更宽的频谱范围探测稀疏信号带来了革命性的契机。这里将观测矩阵优化与压缩采样自适应过程相结合,提出了一种优化的自适应压缩宽带频谱感知算法。此外,还引入交叉验证理论,从而保证了信号采样阶段的自动终止,以防止浪费硬件资源。理论分析和实验仿真表明,相比于传统自适应压缩感知方法,所提算法能够在较低信号采样率的情况下获得满意的信号恢复精度。

ND-GSM模型的采样矩阵方向优化及SAR图像去噪

将非下采样Directionlet变换(Nonsubsampled Directionlet,ND)和高斯混合尺度(GSM)模型相结合,提出了基于ND-GSM模型的采样矩阵方向优化算法并将其应用于SAR图像去噪。首先,将SAR图像的分割子图进行二进小波变换,从而确定SAR图像的方向优化采样矩阵,然后在各个子图中将GSM模型引入采样矩阵方向优化的非下采样Directionlet变换域中,构造了采样矩阵方向优化的非下采样Directionlet域分解系数的邻域模型(ND-GSM),最后利用Bayes最小均方估计进行子图变换域的局部去噪,并合成去噪后的分割子图,得到去噪后的SAR图像。该方法解决了当非下采样Directionlet基函数的方向与图像中各向异性目标不一致时图像的逼近效果差的问题。仿真实验结果表明,该方法能充分体现邻域间系数的相关性,同时在图像边缘等细节特征保持方面具有明显优势,明显改善了图像视觉效果,取得了比空域滤波及小波方法更优的去噪性能。