SVD加速的线性Bregman算法

设计了求解稀疏优化模型的加速线性Bregman算法,该稀疏优化模型可以理解成基追踪模型的一个近似。设计的加速算法主要基于Lagrange对偶和SVD预条件方法两个技术。由Lagrange对偶理论可知,线性Bregman算法等价于梯度法极小化对偶问题的目标函数,由此可以推导出线性Bregman算法的收敛速度与矩阵A的条件数有关。据此,通过使用SVD预条件方法改善了A的条件数从而加快了线性Bregman算法,还考虑了Ax=b不相容的情况,通过等价变换和SVD技术极大地降低了对偶问题的规模,从而设计出有效的加速算法。最后模拟了两个数值实验,验证了算法在速度上的优势。

基于改进线性Bregman算法的ECT图像重建算法

针对电容层析成像(ECT)逆问题求解的欠定性,将分别利用奇异值分解(SVD)和二阶迭代思想改进后的线性Bregman算法应用到ECT图像重建过程中。仿真实验结果表明,它们比SVD、Landweber、CG和线性Bregman算法的成像分辨率更高,速度也更快;在2种改进算法中,基于奇异值分解改进的图像重建伪影更少,而基于二阶迭代改进的速度明显提升。

局部线性下的函数型主成分聚类算法

函数型聚类分析在统计学领域被广泛关注,其分析过程通常在降维目标实现后进行。为了有效解决函数型主成分聚类问题,文章结合局部线性嵌入算法(Locally Linear Embedding,LLE)在非线性空间下的适用性,提出了一种局部线性下的函数型主成分分析模型(LLE Function Principle Component Analysis,LFPCA)。首先,采用函数型主成分分析法作为降维目标方法,改进了FPCA的算法模型,通过将LLE算法的权重系数矩阵与函数型主成分定义相结合,构建出一个适用于非线性空间下的聚类算法;其次,在求解算法的过程中定义了函数型主成分得分,并结合EM算法构建出GMM模型来近似函数型算法的概率密度函数,使模型更高效且适用性更强;最后,通过随机模拟实验及应用分析验证了LFPCA算法模型在真实数据集上具有良好的聚类效能。

基于分区个体排名的非线性种群缩减的人工蜂群算法

针对人工蜂群算法(ABC)探索性强而开发性弱,从而导致收敛速度慢的问题,提出了一种基于分区个体排名的非线性种群缩减策略(UPSR-CIR)。首先,该策略设计长尾非线性种群规模缩减函数,在前期保持大种群充分探索,中期快速缩减使得后期保持小种群加强开发,同时为后期分配相对较多计算资源以加速收敛;其次,为确保种群多样性,采用K-means聚类通过间隔一定代数对种群进行动态分区,并以分区为单位进行种群缩减;同时,种群按分区缩减时,按照分区内最优个体在整个种群排名确定删除个体数量,为排名高的潜能分区保留相对较多的计算资源来进一步加强开发。采用22个基准测试函数在ABC及其变体上对UPSR-CIR进行实验对比分析,结果表明UPSR-CIR表现出更高的求解精度、稳定性和收敛速度,同时对于ABC变体具有普适性。最后采用12个经典旅行商问题(TSP)案例进一步验证UPSR-CIR在实际应用问题上的实用性和优越性。

线性分组码的GRAND算法研究

随着5G通信技术的发展与应用,高可靠低时延通信场景下的短包信道编译码技术受到了广泛关注。GRAND是一种通用的最大似然译码算法,与传统译码算法不同,GRAND算法通过噪声猜测和码本查询来确定发送码字,具有高效的硬件实现结构。介绍了GRAND及其改进算法的基本原理,通过仿真分析了不同GRAND算法的误码率性能;针对5G NR的LDPC短码以及PAC短码给出了GRAND算法的设计方案,为未来移动通信的短码设计提供参考。

基于非线性搜索策略的改进灰狼优化算法及其应用

灰狼算法(GWO)在大工业复杂的优化问题求解中存在许多不足之处,如容易陷入局部最优解、收敛速度慢、最优解精度低等缺点,由此提出一种改进的灰狼优化算法.在灰狼算法的基础上,通过引入非线性参数和新的位置迭代更新方程,构建一种基于非线性策略的灰狼优化算法,并通过软件实现算法.通过8个标准测试函数在多维度下的数值对比实验和一个工程设计优化问题求解,分析验证算法的稳定性和优越性,并证明其性能均优于原有的GWO系列算法,是一种具有潜力的元启发式算法.

单调线性权互补问题的新全牛顿步可行内点算法

提出求解单调线性权互补问题(WLCP)的全牛顿步可行内点算法。基于线性优化的连续可微函数,给出中心方程的新等价形式,接着运用牛顿法求解定义中心路径的等价方程组,从而得到单调WLCP的新搜索方向。沿该搜索方向使用全牛顿步,无需进行线搜索。通过适当选取参数,分析了全牛顿步的严格可行性,证得算法是二次收敛的且具有多项式时间迭代复杂度。最后数值实验结果表明算法有效。

多策略融合改进的沙猫优化算法及其在非线性马斯京根模型参数估计中的应用

针对广义非线性马斯京根模型在河道洪水演进中参数估计精度低及易陷入局部最优解的问题,文章提出一种多策略融合改进的沙猫优化算法(MSCSO),以提高洪水演算的精准程度。首先,利用Logistic混沌映射等策略提升原算法寻优能力;其次,通过与沙猫优化算法(SCSO)、灰狼优化算法(GWO)及正余弦优化算法(SCA)对比,验证MSCSO在寻优性能上的优势;最后,将其应用于广义非线性马斯京根模型参数优化。实验结果表明:MSCSO算法有效提升模型精度,具有广泛的应用前景。

基于FA-PID算法的电动舵机多非线性系统研究

针对制导炮弹电动舵机常规建模时常将各部分视为线性环节,且采用传统三闭环PID算法无法解决复杂非线性系统的高频响、低超调等问题。本研究充分考虑了舵机系统内部的电机、死区齿隙与LuGre摩擦等非线性环节,搭建了电动舵机的多非线性控制系统,根据舵偏角运动方向的非单一性,设计了电机的正反转逻辑换相判别模块,并在电动舵机的位置环中引入了模糊自适应PID(FA-PID)智能算法。结果表明:采用FA-PID算法相比于传统PID控制对小角度位置响应的延迟时间下降了约0.49%,上升时间下降了约6.91%,峰值时间下降了约39.94%,稳态误差下降了约94.44%,且进一步通过小角度方波/正弦位置跟踪研究同样可以得出该算法的快速性与鲁棒性。

含分布电源配电网多时段线性化二阶锥松弛算法研究

针对分布式电源接入配电网影响系统电压分布和潮流分析、造成系统电能质量下降的问题,建立系统优化模型,对系统电压、潮流进行分析与优化,提出含分布式电源的配电网多时段线性化二阶锥松弛优化算法。对分布式电源接入的配电网进行潮流分析,建立分布式配电网最优潮流优化模型;对分布式配电网潮流优化模型进行简化处理,针对潮流分析中非凸非线性,提出多时段二阶锥松弛优化算法;针对电容器组、有载调压变压器的非凸非线性问题,进行分段线性化处理。仿真结果表明,提出的算法能合理调度有载调压变压器、电容器组和分布电源的出力,有效降低网损,减小电网电压偏差。

基于自适应邻域参数的局部线性嵌入算法的脑力负荷分类

近年来,随着人工智能领域技术的不断发展,人机交互领域吸引了更多学者的关注。研究表明由脑电图(electroencephalogram,EEG)提取的特征功率谱密度对于脑力负荷的变化比较敏感,但由于其维数过高,容易造成数据灾难。局部线性嵌入(locally linear embedding,LLE)是常用的非线性降维算法,该算法弥补了传统线性降维算法无法发现数据中非线性结构关系的不足。由于不同数据集中样本分布的稀疏程度和扭曲程度不同,在使用LLE对不同数据集进行降维时的最佳邻域参数也不同。利用样本点之间的欧氏距离和测地距离的关系量化了数据集的扭曲程度,自适应邻域参数的局部线性嵌入算法(variable k-locally linear embedding,VK-LLE)动态地调整每一个数据集的最佳邻域参数,解决了样本分布扭曲程度不同对降维效果造成的干扰。实验结果表明,经过VK-LLE降维后的数据使用支持向量机(support vector machine,SVM)分类精度普遍高于经过传统LLE的降维后再使用SVM分类的精度,对复杂数据集有更强的适应能力。

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。

基于非线性互补算法的太阳能电池储能系统设计与网络建模

太阳能是一种环保型能源,利用储能系统,将太阳能转化为电能并用于驱动其他设备元件,有助于实现能源的高效利用。针对上述背景,研究基于非线性互补算法的太阳能电池储能系统设计与网络建模方法。分析太阳能储能系统的研究现状及发展趋势,结合等价非线性互补原则,确定储能部件的能量转化收敛性,实现基于非线性互补算法的电池储能收敛性研究。选用合适的电池储能元件,并在此基础上,完善动态储能模型,完成太阳能电池储能系统的网络建模与设计。

融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法

针对哈里斯鹰优化算法(Harris Hawks optimization,HHO)易早熟收敛、寻优精度低、收敛速度慢等问题,提出一种融合非线性收敛因子与变异准反射学习的哈里斯鹰优化算法(improved Harris Hawks optimization,IHHO)。首先,初始化阶段引入Circle混沌映射,提高初始化种群多样性和种群位置质量;其次,引入Sigmoid非线性收敛因子,平衡全局探索和局部开发能力;最后,针对HHO算法易陷入局部最优问题,提出变异准反射学习(quasi-reflection-based learning,QRBL)策略,提高种群活力,进一步提高算法局部收敛能力。仿真实验采用13个标准测试函数和1个经典工程问题对改进算法进行测试,结果表明改进算法收敛精度、收敛速度均有较大提高,适用于解决实际问题。

面向光纤光栅传感线性拟合度的PSO-GPR算法

【目的】为了提高光纤布拉格光栅(FBG)传感系统中反射光谱中心波长与外部环境变量之间的线性拟合度,文章提出了使用粒子群优化的高斯过程回归模型应用于FBG应力传感领域。【方法】针对FBG的反射光谱特性,文章研究了对于FBG传感系统在光谱拟合中线性拟合度的影响,通过粒子群算法去寻找高斯过程回归模型中的最优超参数以提升对反射光谱中心波长的预测性能。文章搭建了FBG应力传感实验平台,将FBG铺设在强度梁上,在等强度梁一端施加不同重量的砝码对FBG产生轴向应变,通过光谱仪采集反射光谱数据并使用文章所提模型进行线性拟合分析处理,将未优化的高斯过程回归模型、最大值法、高斯拟合法和质心法得到的结果作为对照组。【结果】结果表明,在掺铒光纤放大器输出功率为10 dBm、传输光纤距离为50 m、光谱仪采样点个数为501的条件下,反射光谱中心波长与砝码重量之间的线性拟合度均优于对照组,文章所提模型的线性拟合度最高能达到0.9519,相较于对照组均有所提升。在501、251、167和126点的光谱采样点条件下,文章所提模型能将系统的线性拟合度提升到0.9900,相较于最大值法最大提升了0.2587。【结论】分析结果表明,使用粒子群优化的高斯过程回归模型能够有效提高FBG应力传感系统的线性拟合度。

一种基于非线性电流跟踪算法的STATCOM相间电容电压平衡控制策略

针对基于级联H桥拓扑结构的静止同步补偿器在传统控制框架下所产生的相间电容电压不平衡问题,采用一种新型混合调制方法并提出了一种全新的非线性分相电流控制策略。首先,基于六模块十三电平级联H桥拓扑结构,阐明新型混合调制的调制原理,并阐述适用于新型混合调制的相内电容电压均衡策略。其次,推导了静止同步补偿器在两相同步旋转坐标系下的控制模型,并分析指出采用dq解耦控制存在的相间电容电压不平衡问题。针对相间电容电压不平衡问题,提出基于三相静止坐标系下的电流分相控制策略,通过Lyapunov稳定性判据第二法推导并设计实现对交流指令电流无差跟踪的非线性电流控制器。最后,在Matlab/Simulink环境下搭建仿真模型。仿真结果表明,所提控制策略在不同条件下均能保持相间电容电压一致和稳定,且具有良好的动态响应特性。

Camellia算法更精确的差分和线性安全界

Camellia算法的线性扩散层是8阶字节级(0,1)-矩阵。由于该矩阵的分组较宽且异或项数较多,因此难以建立精确的字节级自动化分析评估模型。目前,仅利用线性扩散矩阵分支数为5的性质评估出的算法得到的差分和线性活跃S盒偏少。针对以上问题,提出了一种基于混合整数线性规划(Mixed Integer Linear Programming,MILP)来建立复杂(0,1)-线性扩散矩阵字节级评估模型的通用方法。该方法利用线性扩散矩阵的内部性质快速且较精确地搜索出Camellia算法的差分和线性活跃S盒,从而能够得到Camellia算法更紧致的差分和线性安全界。该方法对基于(0,1)-线性扩散矩阵设计的密码算法有一定的指导意义,能够更清楚地评估出算法的安全界。

基于非线性自适应比例因子的雪豹优化算法

针对雪豹优化算法在求解复杂优化问题时,存在全局勘探能力不足、寻优精度低等问题,提出一种改进的雪豹优化算法。首先,基于分段Logistic混沌映射初始化从而提高初始种群多样性;其次,引入非线性比例因子用于平衡算法的全局勘探能力和局部开发能力;然后,提出了一种差分变异策略,在第一次种群更新位置后,使用5个随机个体提高全局搜索能力和算法收敛能力,在第二次种群更新位置后,使用3个随机个体保证在求解过程的中后期也具有一定的全局勘探能力,尽可能避免陷入局部最优。通过在IEEE CEC2022基准函数测试集上测试,并与其他算法进行比较,结果表明所提出的算法在种群质量、求解精度以及算法稳定性上均有较大提升。最后将所提出的算法应用于工程优化,计算结果进一步证实了算法的强优化能力。

关于非线性鞍点问题的一个新的非线性不精确Uzawa算法

本文针对非线性鞍点问题,借助于一个非线性映射,构造了一个新的非线性不精确Uzawa算法,该算法避免了传统Uzawa方法所必需的求逆运算.并通过精细分析得到了该算法在能量范数意义下收敛的充分条件,最后给出的数值实验验证了该方法的有效性.

基于多尺度线性全局注意力的运动员检测算法

运动员在比赛过程中的快速移动且频繁遮挡,使得对视频中运动员检测容易出现漏检、多检、检测精度下降等问题。现有的主流方法对于移动和遮挡情况下的运动员检测表现不佳。当运动员受到遮挡后,检测目标框的尺度变化增大。引入cutout作为数据增强的方法来模拟遮挡情况,提出基于多尺度线性全局注意力Efficient ViT模块的运动员检测算法。使用线性全局注意力模块减少计算量,并辅以卷积模块来增强其局部的特征提取能力,通过轻量级小卷积聚合不同注意力头部的token获得多尺度信息,增强其全局特征提取能力。针对损失函数部分,选择EIo U作为边界框损失,加入检测框与目标框的宽高距离,使得检测框和真实目标框在尺度上更为贴近。在Sports MOT数据集中4个公开的篮球比赛视频数据集上的实验结果表明,该算法取得了98.0%准确率和98.2%的平均精度均值,相较于YOLOv5算法,其精度提升了4%,高置信度的平均精度均值提升了8.7%。