WSDM中卷积混合模型下的一种时域快速分离算法

无线信道统计复用(Wireless Statistic Division Multiplexing,以下简称WSDM)是一种允许在无线信道上同时同频传输多路信号的复用技术。针对卷积混合模型下的WSDM技术运用,提出了一种时域快速分离算法。算法首先利用时域盲解卷积算法,将带噪声的卷积混合模型转化为无噪声的线性瞬时混合模型,然后根据得到的线性瞬时混合模型,采用一种基于峭度差值变化的变步长等变自适应分解(EASI)算法分离混合信号。仿真结果表明,与传统的固定步长算法和变步长算法相比,所提算法在卷积混合模型下拥有更快的收敛速度和更准确的信号分离效果。

基于卷积高斯混合模型的统计压缩感知

高斯混合模型被广泛应用于统计压缩感知中信号先验概率分布的建模.利用高斯混合模型对图像的概率分布进行建模时,通常需要先对图像分块,再对图像块的概率分布进行建模.本文提出卷积高斯混合模型对整幅图像的概率分布进行建模.通过期望极大化算法求解极大边缘似然估计,实现模型中未知参数的估计.此外,考虑到在整幅图像上计算的复杂度较高,本文在卷积高斯混合模型和压缩测量模型中引入循环卷积,所有的训练和恢复过程都可以利用二维快速傅里叶变换实现快速运算.仿真实验表明,本文所提的MMLEconvGMM算法的恢复性能要优于传统的压缩感知算法的恢复性能.

基于EMD-CNN-LSTM混合模型的短期电力负荷预测

为了更有效地提取电力负荷数据中的潜藏特征与隐藏信息,提高电力负荷预测精度,针对负荷具有较强非线性、非平稳性和时序性特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)、卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long-term and short-term memory network,LSTM)的混合模型短期电力负荷预测方法,将海量过往负荷数据、温度和历史电价信息以滑动窗口方式构造串联特征向量作为输入,先利用EMD将数据重构成多个分量,将高、中和低频分量各自叠加组合,再运用CNN提取高、中分量的潜藏特征,减少权值数量,并以特征向量的方式输入LSTM网络进行负荷预测,最后叠加各分量预测结果得到最终负荷预测值。实验结果表明,相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine,SVM)、LSTM模型和EMD-LSTM模型,此模型具有更高的负荷预测精度。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。

基于ResNet-ACmix融合特征的ECO目标跟踪算法改进

为了结合卷积和自注意力的优势,并提高相关滤波目标跟踪算法的跟踪能力,提出了一种应用自注意力卷积融合残差网络(ResNet-ACmix)改进的ECO目标跟踪算法.该算法在特征提取方面,采用一种轻量级的网络ResNet-ACmix代替原ECO算法中ResNet特征提取网络,以此来提高ECO目标跟踪算法的时间性能.在VOT2016数据集以及OTB50数据集上测试的结果表明,上述所提算法对比传统ECO算法,在保证较高跟踪准确率的同时,卷积提取过程的参数量和计算量更少,跟踪速度更快.

机械设备振动噪声故障特征声信号分析

机械故障噪声信号可反映机械的故障特征,因此对机械故障噪声信号中的故障信号进行提取、分析及处理至关重要。基于卷积混合模型对机械故障噪声进行去噪和分离可知,当机械故障的噪声情况较为复杂时,可采用改进小波-卡尔曼两步降噪算法对噪声信号进行降噪处理;当机械故障噪声较为简单时,传统阈值法的降噪效果较好。当噪声环境较为单一时,可采用经验指纹图像比较算法(Empirical Fingerprint Image Comparator Algorithm,EFICA)和盲解卷积算法(Efficient FastICA-Second Order Blind Identify,EFICA-SOBI)对机械噪声信号进行分离;当噪声环境较为复杂时,可采用二阶盲辨识(Second Order Blind Identification,SOBI)算法对机械噪声进行分离。