基于改进平滑L0范数的图像重构算法

针对图像重构问题,文章提出一种基于改进平滑L0范数(SL0)稀疏信号重构算法。首先,选用负指数函数作为平滑函数趋近L0范数,将图像稀疏重构问题转化为平滑函数的优化求解。通过调整控制参数,使得负指数函数趋近L0范数。再通过循环迭代与梯度投影方法,求出最优解。实验结果表明,该算法较其他传统算法对图像重构具有优势。

基于压缩感知的贪婪类重构算法原子识别策略综述

在压缩感知(CS)重构算法中,贪婪类算法因其硬件实现的简易性与良好的恢复精度得到了广泛研究,但算法多样化的同时出现了算法选择困难的问题。原子识别策略作为贪婪类算法的核心,其差异往往决定了算法重构性能的优劣。该文以贪婪类算法最关键的一环原子识别作为研究对象,对贪婪类重构算法的原子识别策略进行了提取与分类。根据不同策略的适用阶段和特点归纳提炼出3种一步式原子识别策略、8种进阶式原子识别策略以及3种稀疏度自适应原子识别策略。最后对原子识别策略所对应原始算法的重构性能进行了分类仿真对比。整理后的策略方便于实际应用中对算法的选择,同时为贪婪类重构算法的进一步优化提供了参考。

城市交通轨道车辆管控虚拟重构方法设计

为确保自动驾驶车辆在道路交通环境中的安全性,并实现对其整体化和精准化组织调度,文章引入了虚拟车辆管控理论,深入研究了城市交通轨道车辆的虚拟管控重构方法。该方法采用多目标排序方式,对交通轨道上的车辆进行虚拟重构,设计了一种多目标虚拟线路交通轨道重构策略。此外,构建了轨道交通车辆的虚拟调度重构模型,并通过动态交互处理方式实现了虚拟调度的计算。经过测试验证,在不同路段的时间控制下,该方法表现出良好的实时请求接受和处理能力,实时请求接受率超过1.2%,证明了其高性能和高效率。同时,虚拟重构的车辆平均行驶速度误差控制在3.2%以内,体现了其高精准性。

基于回溯原子支撑集的广义正交匹配追踪算法研究

为解决广义正交匹配追踪算法(gOMP)在迭代过程中无法删除匹配错误原子问题,提出了一种新的算法:基于回溯原子支撑集的广义正交匹配追踪算法(BgOMP)。该算法在每次迭代选择原子前,首先检验支撑集中是否存在由先前迭代错误选择的原子,并据此更新原子支撑集。这一改进策略允许算法在每次迭代中回溯并纠正先前的错误。通过仿真实验,使用一维信号的成功重构概率和二维信号的峰值信噪比作为评价指标来验证BgOMP算法的性能,实验结果表明:与原始的gOMP算法相比,BgOMP算法显著提高了信号的重构性能。

基于PSO-DBN-ELM的管道流型辨识算法研究

电容层析成像技术(Electrical Capacitance Tomography,ECT)是一种基于电容敏感场的过程层析成像技术,该技术通过传感器测量所需电容数据,实现充填管道流型检测,从而满足管道流型可控性。传统ECT流型辨识方法识别速率较低、运算较为复杂,成像结果也存在误差。为了改善传统方法存在的问题,提出一种基于粒子群优化算法(Particle Swarm Optimization,PSO)优化深度置信网络—极限学习机(Deep Belief Networks-Extreme Learning Machine,DBN-ELM)的流型识别算法,电容数据采集模块采集电容数据并制作相应数据集,经过DBN网络提取电容数据特征,在DBN网络顶层添加ELM完成对抽象电容流型数据的辨识;DBN隐含层神经元个数影响着整个模型的学习能力和信息处理能力,因此引入PSO优化算法首先计算出每层玻尔兹曼机(Restricted Boltzmann Machine,RBM)的最优神经元个数。与其他流型辨识算法相比,所需时间短,成像效果较好,对加快工业智能化发展有着重要的意义。

基于气象特征自适应重构算法与机器学习的超短期发电功率预测方法

风力发电与光伏发电的技术已经较为成熟,因可实现性强的特征使其得到可广泛应用,但由于风电和光伏发电具体波动性和不可控性,当其接入电力系统进行调度时,也对电力系统的安全运行造成了严峻挑战。对风电场和光伏系统的超短期发电功率预测具有重要意义,只有对超短期发电功率实现准确预测,才能保证电力系统的发电稳定性,研究研究基于气象特征自适应重构算法与机器学习的超短期发电功率预测方法。气象特征自适应重构算法定量功率与特征相关性;长短期记忆网络确定超短期发电功率预测函数;基于机器学习对偶转化函数预测超短期发电功率,完成方法设计。实验以风电场并入电力系统作为测试对象,将连续4日的发电功率数据作为测试样本,新方法能够实现精准预测,无论在突变时刻还是正常时刻,其预测值均与实际发电功率的曲线变化保持一致,具有应用价值。

基于贝叶斯框架的OFDM稀疏信道估计算法

为了提高正交频分复用OFDM(Orthogonal Frequency Division Multiplexing,OFDM)稀疏信道估计的性能,实现了一种基于3-L分层先验模型的变分贝叶斯VMP(Variational Message Passing)消息传递算法。该算法对待估计向量的辅助函数分组并且加入贝塞尔函数,通过消息传递原则更新估计值参数,最后估计出频率响应采样值。仿真显示相较于传统的CosaMP、EM算法,提出的变分贝叶斯VMP算法可以获取更好的重构性能。在中高信噪比下,所提出的算法比传统CosaMP、EM算法的误比特率提高了2-3db,均方误差提高了3-4db。

海量传感数据分类可视化重构算法设计

由于海量传感数据多维属性和空间维度的存在,传统的可视化重构算法可能无法展示所有的特征信息,因此,研究一种能够有效展示多维属性和空间维度的可视化重构算法。根据海量传感数据的不同属性进行特征提取后,再从空间维度的角度对传感数据进行转换,并将每个传感数据时间序列转换为时间序列图的形式。接着,使用扩张卷积神经网络(DCNN)对转换后的时间序列图进行分类任务。基于学习分类矩阵和微图池化方法对分类后的序列图进行可视化重构,将重构后得到的输出值映射到一组簇中,并计算节点得分。最后,将节点得分排名靠前的节点作为重构的基点,实现传感数据的重构。测试结果表明,所设计的算法能够以较高的灵敏度实现对数据的准确分类处理。

基于改进差分进化算法的跨平台武器目标分配方法

现代战争中,跨平台武器单元的协同利用,是合同编队体系的重要内容,作战方式也正由平台级协同向着能力要素级协同转变,这对武器目标分配问题的解决提出了更大挑战。本文将武器单元的最小划分单位细化到能力要素级,以毁伤概率与成本消耗为优化目标,面向多种来袭目标的编队防空场景,提出了跨平台武器目标分配算法。同时,基于混沌映射提出了混沌种群重构(chaotic population reconstruction,CPR)机制,并结合带存档的自适应差分进化(adaptive differential evolution with optional external archive,JADE)算法提出了CPR-JADE算法,利用CPR机制可以帮助算法在解决高维复杂约束问题时跳出局部最优。再将其运用到武器目标分配模型上,实现了对模型的高效求解。最后,通过在多种数据规模下与其他进化优化算法的仿真对比试验分析,验证了所提方法的正确性与有效性。

基于似然BP算法的区域供电能效差异变化趋势预测方法

采用目前方法预测区域供电能效差异变化趋势时,存在误差率高、预测值与实际值差距大及预测模型复杂程度高的问题。提出基于似然BP算法的区域供电能效差异变化趋势预测方法。利用RAMP重构具有稀疏噪声的电能数据,并将处理后的无干扰电能原始数据投入到神经网络中,利用似然BP算法对数据样本进行编码、选择、交叉和变异,最终构建预测模型,并运用预测模型完成区域供电能效差异变化趋势的预测。实验结果表明,所提方法误差率低、预测值与实际值差距小、预测模型复杂程度低。

基于贝叶斯分层模型的低复杂度无线传感器网络定位算法

文章对基于压缩感知的无线传感器网络定位算法进行了研究,存在重构算法计算量大、定位误差较大等问题,为降低计算复杂度和定位误差,文章提出基于贝叶斯分层模型的低复杂度无线传感器网络定位算法。首先,将稀疏贝叶斯分层先验模型引入到无线传感器网络的定位中;其次,通过运用稀疏贝叶斯理论推理出估计目标的后验概率分布;最后,结合变分消息传递(VMP)算法,使用辅助函数对未知变量的联合后验概率密度函数进行等效,得到目标位置向量的估计结果。仿真结果表明,相较于传统的重构算法,文章提出的方法具有更好的恢复效果,计算复杂度更低。

压缩感知重构算法综述

现代社会信息量的激增带来了信号采样、传输和存储的巨大压力,而近年来出现的压缩感知理论(Compressed Sensing,CS)为解决该问题提供了契机。该理论指出:对于稀疏或可压缩的信号,能够以远低于奈奎斯特频率对其进行采样,并通过设计重构算法来精确的恢复该信号。介绍了压缩感知理论的基本框架并讨论了该理论关于信号压缩的采样过程;综述了压缩感知理论的重构算法,其中着重介绍了最优化算法和贪婪算法并比较了各种算法之间的优劣,最后探讨了压缩感知理论重构算法未来的研究重点。通过对压缩感知理论重构算法较为系统的介绍和比较,为压缩感知重构算法的改进和应用提供了理论依据。

配电网故障恢复重构算法研究

首先给出了一个综合考虑开关操作次数最少和网损最小的故障恢复重构的混合整数规划模型。 Tabu搜索技术是一种高效的启发式搜索技术 ,适合于解决整数规划和混合整数规划问题。文中将 Tabu搜索技术应用于所建立的故障恢复模型 ,并较详细地介绍了其求解过程。最后运用算例验证了 Tabu搜索法能有效地求解所给出的故障恢复问题。

基于差分的稀疏度自适应重构算法

针对压缩感知贪婪迭代重构算法要求给定信号稀疏度或迭代阈值的缺点,提出一种基于差分的稀疏度自适应重构算法.该算法在信号稀疏度未知的情况下,利用测量矩阵Φ与残差的相关系数的变化的不均衡特性,来选择重构信号的支撑集,以此逼近原始信号的稀疏度,达到重构的效果.仿真结果表明,在相同采样率下,文中算法可以获得较好的重构效果,尤其在采样率较低(采样率≤0.5)的情况下,这种优势更加明显.

压缩感知信号盲稀疏度重构算法

研究压缩感知信号重构算法,提出了一种不需要精确知道信号稀疏度的先验知识,就能重构出目标信号的盲稀疏度迭代贪婪跟踪重构新算法.采用分段的方法来逐段估计、扩充目标信号的真实支撑域,并应用后向追踪思想,自适应地调整候选序列,以便每一次迭代时更加精确地估计真正的支撑域.理论分析与实验证明,算法性能超过了现有的迭代贪婪跟踪重构算法性能;给出了迭代贪婪跟踪信号重构的统一框架,正交匹配跟踪和子空间跟踪算法可以看成它的特例;在计算复杂度和重构算法性能之间做出了最佳折衷;有更强的实用性.

基于真实细观尺度的沥青混合料三维重构算法

利用X-ray CT扫描沥青混合料试样,获取混合料内部真实细观结构的CT图像。重点对沥青混合料的三维重构算法进行研究,提出实现三维重构的关键:像素单元体与节点匹配技术。通过构建像素单元体和节点的三维空间维度以及相互逻辑匹配关系,建立初步的三维数值模型,在此基础上,采用指针扫描对数值模型中的混合料单元体进行提取,同时按照空间实际分布形态准确分割出混合料中的集料、砂胶和空隙。

基于Tabu搜索的配电网络重构算法

配电网络重构是一个非常复杂的、大规模的组合优化问题。该文提出了一种非常有效的、鲁棒性很好的算法来求解正常运行条件下配电网络的重构问题,以减少网络中的能量损失费用。该算法基于Tabu搜索方法(TS)。作为现代启发式方法家族中的重要一员,Tabu搜索方法是近几年来发展起来的用于求解组合最优问题的一种通用算法。文中详细阐述了用于配电网络重构问题时Tabu搜索方法中各成员的设计。为了证明该文方法的可行性和有效性,还研究了3个不同规模的IEEE测试网络的重构问题。结果表明,该文提出的方法是一种非常有效的方法。

基于模极大值小波域的局部放电信号重构算法

局部放电信号是奇异信号,利用模极大值原理,可 以对局部放电信号去噪。然而,对于单个的局部放电脉冲 信号,如何由保留下来的少数模极大值点重构局部放电信 号是一个重要课题。为此,该文提出一种基于模极大值小 波域的局部放电信号重构算法。该算祛先根据模极大值小 波域的定义求出局部放电信号的模极大值小波域,从而得 到局部放电信号的小波系数,然后逆变换得到局部放电信 号。实例分析表明,该算法程序简单,易实现,速度快, 能满足局部放电在线监测的需要。

小波重构算法在配电网接地选线中的应用

当配电网单相接地故障发生在相电压过零点附近时,故障线路零序电流中含有大量的暂态感应电流直流分量。文章提出了利用小波的分频特性和重构算法,分别求取各线路零序电流中直流分量和基频分量的重构信号,根据故障线路和非故障线路零序电流中二者的能量比的不同,来确定故障线路的方法。应用电磁暂态程序(ATP)仿真也表明,用该方法实现配电网相电压过零点附近发生故障的故障选线,具有较高的灵敏度和可靠性。

配电网故障恢复及负荷平衡的重构算法研究

配电网故障后的供电恢复是一带约束的多目标优化问题。文中描述了在配电网实时运行环境中2个用以恢复供电和平衡负荷的重构算法。但当可行方案不存在时,它们就无法提供一个能尽量减少负荷失电的最佳方案。为此,文中提出了将启发式规则和模糊逻辑相结合的算法。测试结果验证了该算法的有效性和鲁棒性。