基于粒子群-稀疏贝叶斯混合算法的光伏功率预测方法

提出一种包含天气预报信息的了粒子群-稀疏贝叶斯混合算法的发电预测理论,结合历史发电量数据和气象因素分析影响光伏发电量的主要因素,采用基于辐照度、光伏发电量及环境温度等建立的预测模型。最后用国网风光储示范工程的数据进行测试,预测结果证明了方法的有效性。

基于稀疏贝叶斯-RNAMBO算法的低剂量CT盲复原方法

本文提出了一种基于稀疏贝叶斯智能优化(SBL-RNAMBO)算法的低剂量医学CT图像的盲复原重建方法.首先,利用群智能算法的全局搜索能力,同时引入稀疏贝叶斯方法进行训练,将大量全剂量CT图像作为先验信息,改善图像重建过程中的欠定问题.其次,加入二次惩罚项约束解空间,构造了参数未知的后验概率目标函数,采用RNAMBO算法优化稀疏贝叶斯超参数,建立优化后的稀疏贝叶斯模型.最后,用SBL-RNAMBO方法对所有盲复原未知量进行估计并求解后验概率目标函数.将SBL-RNAMBO算法与其他5种对比算法进行Shepp-Logan体膜、临床盆腔CT、临床脑部CT的定性及定量实验,实验结果表明,在定性实验中该方法可以获得良好的CT重建图像,保留清晰的纹理细节和结构特征;在145/20 mA及90/20 mA定量实验中峰值信噪比(PSNR)、通用图像质量指数(UIQI)、结构相似性指数(SSIM)、误差方差和(SSDE)指标均优于对比算法,算法复杂度最大减少854.6 s,通过不同初始值PSNR实验,验证了该算法的稳定性及有效性.

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑。采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能。所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路。

基于稀疏贝叶斯方法的脉间捷变频ISAR成像技术研究

传统捷变频成像方法具有高旁瓣、低分辨率的缺点。鉴于捷变频ISAR回波信号的稀疏性,该文基于原始数据的2维压缩感知方案,在贝叶斯原理框架下,用稀疏贝叶斯算法方差成分扩张压缩方法(Ex Co V)实现捷变频ISAR像的重建。贝叶斯框架下的稀疏重构算法考虑了稀疏信号的先验信息以及测量过程中的加性噪声,因而能够更好地重建目标系数。作为一种新的稀疏贝叶斯算法,Ex Co V不同于稀疏贝叶斯学习(SBL)算法中赋予所有的信号元素各自的方差分量参数,Ex Co V方法仅仅赋予有重要意义的信号元素不同的方差分量,并拥有比SBL方法更少的参数,克服了SBL算法参数多时效性差的缺点。仿真结果表明,该方法能克服传统捷变频成像缺点,并能够实现低信噪比条件下的2维高精度成像。

时间相关块贝叶斯算法下的大规模MIMO信道估计

因具有高的阵列增益和高的频谱效率,大规模MIMO已成为5G通信系统物理层关键技术,但在频分双工系统基站侧获取大规模MIMO信道准确状态信息的过程中,存在导频开销占用大量频谱资源问题。为此,针对时间相关信道和信道稀疏度未知的情况,提出一种基于时间相关和多测量矢量模型的块贝叶斯压缩感知(TMBB-CS)信道估计方法。因基站端天线发射信号时间相关,所以大规模MIMO系统的时域信道脉冲响应呈块稀疏结构,利用该特性对下行链路中的多用户信道矩阵进行测量估计,可较大幅度减少导频开销,提升性能。实验仿真结果表明,与其他块贝叶斯算法相比,所提出的TMBB-CS算法信道估计性能更好。

基于块稀疏贝叶斯学习的跳频通信梳状干扰抑制

梳状干扰是对跳频(FHSS)通信的一种有效干扰样式,抑制梳状干扰对于确保FHSS通信的有效性至关重要。现有基于奈奎斯特采样定理的梳状干扰抑制方法存在应用中受限于采样率较高的问题。将压缩感知(CS)应用于FHSS通信梳状干扰的抑制,利用FHSS信号与梳状干扰的不同压缩域特性以及梳状干扰在频域表现出的块稀疏特性,建立了基于块稀疏贝叶斯学习(BSBL)框架的FHSS通信梳状干扰抑制模型。利用期望最大化(EM)算法,设计了基于BSBL_EM的FHSS通信梳状干扰抑制算法。该算法利用BSBL_EM算法从压缩采样数据中重构出梳状干扰,进而在时域对消干扰。仿真结果表明:所提方法能够有效地抑制FHSS通信中的梳状干扰,与传统方法相比具有显著优势,干扰抑制效果受干扰强度、干扰梳齿带宽和压缩率变化的影响;相同干扰强度条件下,梳齿带宽越窄,压缩率越大,干扰抑制效果越好。

基于单快拍稀疏重构的阵列雷达前视成像

针对阵列雷达前视高分辨成像问题,文中提出了一种基于单快拍数据稀疏重构的成像算法。在对各阵元回波信号进行脉冲压缩及运动校正后,以波束指向角为中心在主瓣范围内构建信号矢量及对应观测矩阵,利用稀疏贝叶斯学习算法对当前指向角多个阵元的单快拍数据进行稀疏重构,得到散射系数分布;进一步对不同指向角重构所得散射系数进行幅度积累,得到最终的前视图像。仿真结果表明,该算法能在低角度采样率条件下获得有效的前视超分辨图像。

一种有效的宽带航空数据链脉冲干扰抑制方法

为了消除脉冲干扰信号对未来宽带航空数据链系统接收的影响,提出一种脉冲干扰抑制方法。该方法基于压缩感知理论,利用脉冲干扰信号的块稀疏特性以及航空数据链OFDM系统空子载波不传输调制符号的特性,获取观测信号矢量,采用块稀疏贝叶斯学习算法和最大期望估计法,给出稀疏脉冲信号统计参数的学习规则,最后重构出脉冲干扰信号并消除。仿真实验表明,该方法可有效地估计出脉冲干扰信号位置与幅度,干扰消除后系统的误比特性能得到显著改善。

基于ArboLiDAR的大野口林区森林参数估测

以甘肃省张掖市大野口林区为研究区,首次引入芬兰软件ArboLiDAR,基于LiDAR数据,提取林分水平上的主要森林参数并与实测数据做了对比。结果表明,由ArboLiDAR软件提取的参数中,林分平均高的估测精度最高,R^2为0.807,平均估测精度达到90%;平均胸径仅次于平均高;林分胸高断面积的估测精度受林龄结构及林分密度的影响较大,平均估测精度都为80%;对林分密度的估测精度最低,R^2为0.585,平均估测精度为74%。同时,本研究也根据提取出来的森林参数制作了研究区各森林参数区域分布图,为更加直观地了解研究区情况以及后续研究作基础。

基于稀疏贝叶斯学习的单视图增强型切伦科夫发光断层成像

为了增强切伦科夫荧光的强度,促进切伦科夫发光成像(CLI)技术的临床转化,在前期研究中提出了一种基于辐射发光颗粒(RLMPs)的增强型切伦科夫发光成像(ECLI)技术,并取得了显著的增强效果;为了将ECLI技术扩展到三维成像领域,提出一种新型单视图增强型切伦科夫发光断层成像(ECLT)重建方法;该方法仅使用一个角度的测量数据,采用结合可行区域迭代收缩策略的稀疏贝叶斯学习(SBL)重建算法求解逆问题;设计了非匀质圆柱仿真和物理仿体实验,以验证该方法的准确性和稳定性。结果表明,所提方法可以提高光源目标重建的精度和速率,具有良好的稳定性,能够有效缓解逆问题的不适定性。

基于块稀疏贝叶斯的生物发光断层重建

生物发光断层成像(BLT)是一种非侵入、高灵敏度的光学分子影像技术,可以通过探测生物体表面的光信号重建出生物体内部光源的三维分布情况。由于光在组织中传播时,散射占据主导作用,导致BLT重建问题的病态性,给光源重建带来巨大的挑战。在BLT重建中,基于光源稀疏分布的特征,稀疏正则化方法相比于传统的L2范数正则化取得了显著进展。更进一步,由于生物发光光源的分布具有的空间聚集特征,利用该特征将有助于进一步提高BLT重建的准确性。相比于传统的针对求解域中所有未知量进行稀疏重建的算法,探索了利用块稀疏进行生物发光断层成像重建的可行性,首先通过对系统矩阵进行相关系数分析将求解域划分成一系列数据块,然后利用块稀疏贝叶斯算法对生物发光光源的分布进行三维重建。通过仿真实验与小鼠活体实验,并与传统稀疏重建算法L1-LS进行了比较,结果表明该方法可以有效缓解BLT重建问题的病态性,抑制噪声,并且可提高重建结果的准确性。