基于边缘最大相关性的快速图像插值算法

处理视频、网络信号要求有较好的视觉质量和较低的算法复杂度、运算量。传统的图像插值算法会产生细节模糊和边缘锯齿化,为此,提出了一种基于图像边缘多方向最大相关性的快速数字图像插值算法。为了得到高分辨率图像相关信息,根据图像空间域内多个方向邻近像素点的相关特性,利用与待内插值点相邻6个降采样像素值。实验证明,该算法降低了运算复杂度,有效地保持了边缘信息,得到了视觉质量较好的插值图像。

基于邻域互信息最大相关性最小冗余度的特征选择

特征选择是一种重要的数据预处理步骤,其中互信息是一类重要的信息度量方法.本文针对互信息不能很好地处理数值型的特征,介绍了邻域信息熵与邻域互信息.其次,设计了基于邻域互信息的最大相关性最小冗余度的特征排序算法.最后,用此算法选择前若干特征进行分类并与其它算法比较分类精度.实验结果表明本文提出算法在分类精度方面且优于或相当于其它流行特征选择算法.

具有最大相关性的线性预测模型

具有最大相关性的线性预测模型王明亮“凡事预则立，不预则废”，预测是决策的前提和依据。人们进行生产管理的过程，实际上也是预测与决策的过程。在预测过程中，选择适当的预测方法是至关重要的。概括统计，目前预测方法有３００种之多，这些预测方法难简各异、精度不同...

最小相关性和最大-最小相关性MWC重构算法

针对调制宽带转换器(Modulated Wideband Converter,MWC)现有重构算法高概率恢复所需的通道数高的问题,提出了MinCor(Minimum Correlation)算法和Max-MinCor(Maximum-Minimum Correlation)算法。MinCor算法利用噪声子空间与感知矩阵的最小相关性求支撑集。Max-MinCor算法联合利用信号子空间与感知矩阵的最大相关性和噪声子空间与感知矩阵的最小相关性求支撑集。实验结果表明,MinCor和Max-MinCor算法在理论条件下,重构所需的通道数均已接近理论极限值。MinCor算法可实现低通道数下的快速重构,但在信噪比小于10 d B时,该算法的恢复性能下降; Max-MinCor算法在MinCor算法的基础上提高了抗噪性,但其重构速率低于MinCor算法。以上两种算法均可用于节约硬件成本、减少系统体积。

基于经验模态分解与特征相关分析的短期负荷预测方法

提出了一种基于经验模态分解与特征相关分析的短期负荷预测新方法。该方法从分解负荷序列入手,采用经验模态分解将原始负荷时间序列分解成不同频率的本征模函数(IMF)分量和残差分量,以弱化复杂影响因素环境下原始序列的波动性,获取更具规律性的分量。然后运用最小冗余度最大相关性标准(mRMR)技术分析各IMF分量和日类型、天气、电价等特征信息之间的相关性,获得最佳特征集。最后采用基于智能算法的最小二乘支持向量机(LSSVM)负荷预测模型对各经验模态分量进行预测,并将各分量预测结果叠加得到最终负荷预测值。以某电网实际数据进行算例分析,结果表明所提出的组合模型能够更准确地对外部因素敏感的短期负荷进行预测。

一种语义信息网中构建最大相关本体图的新算法

表示和管理海量语义信息中所隐含领域知识的方法是制约数据挖掘技术发展和信息系统研发的核心问题。通过分析本体图语义项特征和语义项之间的相关性对知识表示的影响,提出一种评价语义项重要度的新标准,建立一套度量语义项之间相关性的新策略,进而提出从语义信息网中构建最大相关本体图的新算法,运用此算法生成的本体图能够更加准确地表示领域知识,并且最小化本体生成过程中的人为交互。

最大相关最小冗余限定性贝叶斯网络分类器学习算法

朴素贝叶斯分类器(nave bayes)是一种简单而有效的基于贝叶斯思想的分类方法,但它的属性条件独立性假设并不符合实际,影响了它的分类性能。BAN(bayesian network augmented nave bayes)分类器扩展了朴素贝叶斯分类器,使其表示属性之间依赖关系的能力增强,但是其学习算法需要大量的高维计算,在小采样数据集上,影响BAN分类器的分类性能。基于改进的最大相关最小冗余特征选择技术,提出限定性贝叶斯网络分类器学习算法(k-BAN)。本算法使用改进的最大相关最小冗余特征选择技术,通过选择属性结点的连接关系集合建立属性之间的依赖性关系。将该分类方法与NB,TAN和BAN分类器进行实验比较。实验结果表明,在小采样数据集上,本算法获得的限定性贝叶斯网络分类器具有更高的分类准确性。

耦合时序特征分解筛选的大坝变形分析模型

高精度的变形预测对大坝安全运行和长期维护具有重要意义。针对当下方法预测精度低、数据信息挖掘不充分的问题,通过将变形序列进行变分模态分解,构建大坝变形影响因子与分量之间的关系,进而搭建不同结构参数的长短期记忆神经网络,最终提出了一种大坝变形分析模型。该模型综合灰狼算法、最小能量误差标准、最小冗余最大相关性方法等策略,从前端分解、信息提取和时序预测三方面对模型进行了改进,实现了最优化建模。实例分析表明,相较于常规监控模型,所提出的变形分析模型能够准确模拟坝体形变过程,具有较高的预测精度和泛化性能,可以为大坝变形安全分析提供参考。

基于量测体系的区域配电网拓扑识别方法研究

目前的配电网拓扑识别需要依靠人工现场识别,准确性不高。为此提出一种基于量测体系的区域配电网拓扑识别方法。利用μPMU电压采集系统,采用最大相关和最小冗余算法消除特征变量的冗余,获得准确的线-线识别结果,再采用改进的灰色关联度算法对各变压器和电压采集点之间的连接关系进行判别,从而得到区域配电网的拓扑。仿真结果表明了方法的正确性和有效性,并在实际应用中有显著的效果。

小波局部适应插值的图像超分辨率重建

针对单帧低分辨率图像的超分辨率重建问题,提出一种改进的小波局部适应插值的超分辨率重建方法,该方法能够弥补重建图像边缘不平滑的缺陷。结合小波变换与可分离高低频信息的特性,提出一种综合两者优点的单帧图像超分辨率重建算法。实验结果表明,采用该算法得到的重建图像不仅能较好地保留原始图像的细节信息,提高图像的空间分辨率,并能提高图像的峰值信噪比,更适合人眼视觉系统。

一种实时视频分辨率提升算法及其VLSI设计与实现

提出了一 种适合硬件 实现的实时视 频分辨率提 升算法并给 出该算法的 ＶＬＳＩ硬件 实现结构。本 文根据图像空域内邻近 像素多个方 向的内容相关 性并结合改 进的中值滤 波方法，得到 一种基 于图 像最大 相关 性的自 适应 优化插值算法，有效改 善了视频分 辨率提升过 程中所出现 的图像细节 模糊和边缘锯 齿化等问题 。算法已经在Ｘｉｌｉｎｘ ＦＰＧＡ 平台上通过验 证，实现了对视 频信号的实 时分辨率提 升，结果表明该 算法能有效 提高图像清 晰度和视觉 效果。

基于互信息PSO-LSSVM的SO_(2)浓度预测

针对火电厂SO_(2)污染物排放问题,提出了一种基于互信息的粒子群寻优(PSO)最小二乘支持向量机(LSSVM)模型预测方法,通过筛选出与SO_(2)实测入口浓度相关性较高的辅助变量,将其作为模型的输入,实现对主导变量SO_(2)浓度的预测。利用互信息筛选出的辅助变量相比于机理分析、皮尔逊相关性筛选出的辅助变量具有更高的相关性。利用互信息筛选出的辅助变量作为LSSVM模型的输入以及粒子群法确定LSSVM的参数,不仅缩短了计算时间,还提高了预测精度。将该方法应用到某火电厂的SO_(2)浓度软测量中,利用现场数据进行仿真,结果表明预测精度较高,相对误差较低,预测趋势更贴近实际值,减小了实际值与预测值的误差(均方根误差为2.485,平均相对误差为0.2603%),为现场的SO_(2)浓度提前控制提供了软件技术支持。

基于互信息的组合特征选择算法

对候选特征进行降维在机器学习领域,如分类、聚类问题中占有很重要的地位.现有的方法大多数是基于单一特征对目标T的依赖性或特征与特征之间对Y影响的关联性,互补性和冗余性进行特征选择.然而这些方法几乎都没有考虑到组合特征,如属性A,B仅包含Y中的极少量信息,甚至与Y完全独立,但A&B能提供关于Y的大量信息,甚至完全决定Y.基于此,提出了一种能够从特征集合中挖掘到组合特征与单一特征的特征选择算法,首先对不显著特征进行组合并按照条件概率分布表生成新的候选特征;然后,对单一特征和组合特征利用基于最大相关性和最小冗余度的准则进行选择.最后分别在虚拟和真实数据集上进行实验,实验结果表明该特征选择算法能够较好的挖掘数据集的组合特征信息,一定程度上提高了相应的机器学习算法的准确率.

基于MC-XGBoost模型的航空发动机振动特性预测

为探索航空发动机高压转子组件的装配参数对整机振动响应的影响,通过不平衡响应振动方程描述了装配阶段几何偏差和不平衡偏差与振型的机理关系,提出一种基于最大相关性(maximum correlation,MC)系数与极端梯度提升(XGBoost)的改进模型,MC-XGBoost预测模型。通过MC系数筛选影响振动性能的关键参数,即最相关的几何/不平衡装配参数;代入XGBoost模型进行振动特性预测。利用试验数据对预测模型进行验证,结果表明所提出的MC-XGBoost预测模型相比于RF、GBDT算法模型,具有更高的预测精度,能够为航空发动机面向装配质量的振动特性评估提供一种有效的评价方法。

基于优化的VMD-mRMR-LSTM模型的短期负荷预测

随着智能电网技术的发展和电力市场的推进,用电模式的复杂性逐渐凸显,对短期负荷预测的精度和稳定性提出了更高的要求。针对传统负荷预测方法缺少对时序数据相关性、特征值的全面考虑等问题,提出一种基于优化的变分模态分解、最小冗余最大相关性与长短期记忆神经网络的组合预测模型。首先,将波动性高的负荷序列分解为一组相对平稳的模态分量,其中利用麻雀智能算法优化VMD的关键参量。其次,利用m RMR方法分析各模态分量与预测模型输入特征元素间的相关性,获取各预测模型的最优输入特征集,并在分析负荷影响因子中考虑实时电价。最后,采用不同结构参数的LSTM方法对各分量分别预测,将预测结果叠加得到最终的预测值。以澳大利亚的实际运行数据做算例分析,与常规负荷预测方法进行对比,验证了该方法的有效性。

基于MRMR和双重注意力机制的城市能源多元负荷短期预测

为支撑城市能源系统的经济调度和优化运行,将最小冗余最大相关性(MRMR)分析方法与基于双重注意力机制和序列到序列(Seq2Seq)的神经网络相结合,提出一种新型城市能源系统多元负荷短期预测方法。首先,确定目标预测负荷,以MRMR为标准筛选特征序列集,既保持了低冗余度,又保证了输入序列信息的完整性;然后,在Seq2Seq模型基础上,将双重注意力机制融入长短期记忆网络,增强了算法对特征序列时空特征的学习能力;最后,以美国亚利桑那州立大学城市能源系统的实测负荷数据为例进行分析。实验结果表明,所提方法相比现有预测方法具有更高的预测精度和充足的鲁棒性,在4个季节和不同气象误差下都具有良好的表现,可以为城市能源系统的调度运行提供有力的决策依据。

软件化雷达自适应旁瓣相消算法与实现

在复杂形式干扰背景下,传统自适应旁瓣相消(ASLC)性能将会变差。为了解决该问题,提出了基于最大相关性准则的样本选择算法,并针对多径和通道幅相不一致特性,分析了延迟节对ASLC性能改善的影响。实测数据处理结果表明,提出算法平均对消比可以达到20dB以上,优于传统ASLC算法。在此基础上,进一步构建基于通用计算机的软件化雷达信号处理平台,并给出所提算法在多核CPU上的工程实现。与传统基于单片TS201型DSP实现方式相比,基于多核CPU实现运算速度提升约15倍,满足常规地面情报雷达的实时性要求。

基于包簇映射架构的包漂移策略研究

数据中心资源分配问题一直以来都是国内外研究的热点问题。鉴于此,在包簇框架下提出一种包漂移策略。该策略首先利用“包簇”模型的分层思想降解虚拟机与服务器之间的映射复杂度,根据簇上资源负载,采用模糊C均值聚类方法(FCM)对其进行分区;然后根据最大相关性算法选择包加入待漂移队列,并设置该队列中包的处理优先级;最后依据漂移成本和资源匹配度构建概率模型为待漂移包挑选最佳的目标簇。在CloudSim仿真平台对文中包漂移策略进行实验仿真,结果表明该方案能有效提高数据中心服务质量和资源利用率,同时在降低能耗方面也有不错的表现。

基于纳米颗粒图像的背景分割方法探究

在TEM纳米颗粒图像的颗粒识别中,颗粒与背景的分割是整个识别过程的基础和难点,本文通过对多种背景分割方法进行优缺点对比,结合TEM纳米颗粒图像的特点,采用最大相关性准则方法将颗粒与背景进行分割,并结合可以设定半径范围的中值滤波方法,不仅能够去除误分割进来的背景还能够去除不想要的较小的颗粒,其效果满意.

基于模糊聚类与互信息的电网运营指标类间筛选策略

针对电网运营评价指标多而繁杂,难以对指标类别与指标间的相关性定性定量分析等问题,本文提出了一种基于模糊聚类与互信息的电网运营指标筛选方法。首先,利用系统运行效率、可靠性、经济性基本原则对国内外现有对电网运营评价的相关指标进行初步筛选,然后建立中心指标利用模糊聚类分析法计算其他指标对中心指标的模糊隶属度,通过指标隶属度的判别完成对指标类别进行定性化分类,其次,选择指标特征并利用最大相关性筛选最优特征子集,利用互信息理论计算最优特征子集的最大群相关性熵,同时采用最小冗余系数做约束保持最优特征子互信息冗余在最小值对,完成相关次级指标类间最优关联度筛选。最后对某典型区域电网进行运营评价对比验证,结果表明:本文所提的指标筛选方法能够简单有效的评价智能电网的运营水平。