基于对抗自编码填补网络的MIMO雷达故障阵元缺失数据重构

多输入多输出(Multiple In Multiple Out,MIMO)雷达的阵元故障会导致其协方差矩阵出现整行整列数据缺失,从而降低其角度估计性能。为此,提出一种对抗自编码填补网络(Adversarial Autoencoder Imputation Network,AAEIN)来重构故障阵元的缺失数据。该网络由负责重构缺失数据的自动编码(Autoencoder,AE)网络和负责分辨数据来源的鉴别器组成。在二者的对抗训练中,AE网络的重构能力和鉴别器的分辨能力不断得到提升,直至两者收敛。为避免网络训练过程中参数量大和计算复杂度高的问题,文中结合MIMO雷达协方差矩阵的Hermitian特性,使用协方差矩阵上三角部分构建数据集用于网络训练。仿真结果表明,文中方法可以有效地重构故障阵元的缺失数据且具有较高的重构精度。

基于压缩感知的中频感应加热设备边缘用电数据缺失重构方法

为解决因用电数据缺失造成的电量失衡问题,确保重构后的中频感应加热设备能够保持相对稳定的运行状态,设计基于压缩感知的中频感应加热设备边缘用电数据缺失重构方法。对用电数据样本进行两次转化处理,得到电信号稀疏变换结果,通过构建压缩矩阵的方式,描述中频感应加热设备边缘用电数据的失稳现象,求解基于压缩感知的中频感应加热设备边缘用电数据脆弱性函数。设置电网网格结构,按照缺失数据的自编码形式,计算连续重构阈值指标的取值范围,完成压缩感知下中频感应加热设备边缘用电数据缺失重构方法的设计。实验结果表明,数据缺失区域内的最大电压数值只能达到30.0 V,电网主机可以根据实时电压的不同,确定缺失数据所处区间,对于解决电量失衡问题、增强重构后电网的运行稳定性可以起到促进性影响作用。

基于互质阵列的协方差矩阵重构算法

针对基于互质阵列波达方向(direction of arrival, DOA)估计方法对连续虚拟阵元得到的样本协方差矩阵信息利用率不高的问题,提出一种基于互质阵列的协方差矩阵重构算法。该算法利用最大连续虚拟均匀线阵协方差矩阵的每一行元素进行Toeplitz矩阵重构,再对这些矩阵加权求和获得新的满秩协方差矩阵,提高对接收数据的利用率并消除噪声贡献对DOA估计结果的影响。理论分析和仿真结果表明,该算法能实现欠定DOA估计,在低信噪比、小快拍数、入射角度间隔小条件下有良好的角度估计精度。

基于PCA-MC的土壤湿度数据重构算法

土壤湿度在气象、气候等学科中起着重要作用,然而目前观测的土壤湿度数据缺少高精度、高空间分辨率,其适用性受到很大的限制。矩阵填充(Matrix Completion,MC)是压缩感知在矩阵上的应用,它针对部分缺失、污染、损毁的大规模数据,旨在将一个低秩不完整的矩阵,利用其元素间的相关性,恢复出矩阵的全部数据,适用于土壤湿度这类时空相关性高但缺失值多的数据。但其要求矩阵秩是相关或近似相关的,而土壤湿度的秩不稳定。对此,通过预设矩阵的秩,引入主成分分析方法(Principal Component Analysis,PCA),在降低矩阵维度的同时保留大部分信息,并在此基础上对具有缺失值的土壤湿度数据进行矩阵填充。实验选取了ERA-Interim 2022年部分地区的卫星土壤湿度数据,结果显示,相较于传统的MC算法,引入主成分分析的PCA-MC(Low Rank Matrix Completion)的实验结果的偏差减小了28.6%,均方根误差减小了5.78%,最大误差减小了14.8%,同时缩短了重构时间,这表明,PCA-MC方法相比MC方法可以有效地重构有缺失值的大规模矩阵。

基于Toeplitz矩阵重构的相干信源波达方向估计研究

波达方向估计(DOA估计)是实现目标精确定位的重要内容。针对相干信号源的波达方向角估计问题,提出了一种能有效解相干的互相关矢量Toeplitz矩阵重构算法。该算法利用了阵列接收数据互相关矢量的内在关系,实现了相干源的完全解相干。该算法不损失阵列孔径,无需阵列平滑。仿真结果表明了该算法的有效性。

基于数据矩阵重构的相干源波达方向共轭ESPRIT(C-SPRIT)估计方法

本文提出了一种相干源波达方向估计算法.该方法利用C-SPRIT思想,通过构造数据矩阵,使得无论是否存在相干信号,均能很好估计信号波达方向(DOA).传统的空间平滑技术通过子阵平滑来解决相干源DOA估计问题,但信号之间并没有完全解相干,孔径损失也很大,且最多只能估计2N/3个相干源(N为阵元数目).本文方法也采用空间平滑去相干的思想,但无孔径损失,信号之间完全解相关,提高了相干源DOA估计精度,并且能估计N-1个相干源,该方法利用ESPRIT数值求解进行角度估计,无需角度搜索,运算量小,计算机仿真验证了该方法的有效性和优越性.

基于伪数据相关矩阵二次重构的DOA估计新算法

针对传统波达方向估计算法在强信号邻近时弱信号难以估计和信源相干情况下算法性能失效的问题,通过对传统波达方向估计算法的理论推导和研究分析,变换阵元的数据接收矩阵来重构协方差矩阵,再对新的协方差矩阵对应信号的较大特征值进行重新排序,构造出伪数据相关矩阵,并结合MUSIC谱进行谱峰搜索完成对强弱邻近相干信源的波达方向估计.通过仿真比较,结果表明新算法消除了信号的相干性,不造成阵列孔径损失,并能对强弱邻近信号作出准确估计.

海洋遥感数据的矩阵重构优化行程——哈夫曼编码无损压缩

在经典的行程编码压缩算法基础上,根据海洋遥感数据取值范围以及空间上相邻其值更易趋同的特点,提出了矩阵重构优化行程编码算法,并与哈夫曼编码算法相结合,实现了海洋遥感数据的高效压缩。经大量的海洋水色、水温遥感数据测试表明,该算法较常规的三元组、行程编码、LZW、单纯的哈夫曼编码压缩算法以及流行工具WinRAR相比,均具有更高的压缩效率和优势,可极大地节约海洋遥感数据的存储与共享空间,提高相关数据的网络传输发布效率及安全可靠性。

基于Toeplitz矩阵重构的宽带相干信号方位估计

根据天线阵列接收到的数据,提出了一种基于Toeplitz矩阵重构的宽带相干源方位估计算法。该算法先由Toeplitz阵列接收到的数据得到包含波达方向信息的协方差矩阵,再对该协方差矩阵进行聚焦处理,得到同一频率的阵列协方差矩阵,最后由高分辨子空间处理方法得到宽带相干信号的波达方向估计。仿真实验证明了该方法的有效性。

航空电磁响应数据的矩阵束法重构

时间域航空电磁探测研究中得到的海量电磁响应数据呈现出"衰减指数和"的变化趋势。针对该变化特点,采用了矩阵束法从响应数据中提取极点等特征量,并完成了数据的降秩、重构处理。算法分析和实测结果表明:无噪声干扰时,该算法表现出了较好的重构精度;加噪后,在较大信噪比变化范围内,重构精度呈现了较小的波动,体现了该算法较高的抗噪性和稳定性。因此,该算法适合应用于航空电磁响应数据分析中。

循环矩阵下压缩感知在瓦斯检测数据重构中的应用研究

针对瓦斯监控预警系统中的传感器节点能量有限及传输带宽有限,为减少信息传输量和布置节点的数据量,采用基于零空间调整的重构方法对瓦斯数据进行重构。瓦斯传感器对应的观测矩阵是瓦斯传感器的脉冲响应函数循环而构成的循环矩阵,应用高斯函数序列构造的循环矩阵来模拟。选用不同煤矿的多组瓦斯监测数据作为实验数据,对瓦斯数据进行快速傅里叶变换,观测矩阵分别使用循环矩阵和随机矩阵。重构实验结果表明,模拟脉冲响应函数的循环矩阵对瓦斯检测信号重构效果较好,当采样率一定范围减少时,循环矩阵下重构的平均误差约5%。因此,实际工程中可由降低50%采样率的数据来重构原始数据,显著减少数据采样点数,节省工程检测成本。一定范围内可用低分辨率的瓦斯传感器代替高分辨率的瓦斯传感器,以降低构建瓦斯监控物联网的成本。

应用非负矩阵分解的数据重构

借鉴非负矩阵分解的重构思想,提出基于非负矩阵分解的数据重构。该方法主要通过非负矩阵分解得到重构数据集,其与原始数据集之间存在不同,从而可以降低高维数据多噪声的影响。两个人脸图像数据集的识别结果表明,该方法可以提高识别准确率。

基于LDPC矩阵采样方法的三维地震数据重构

按照以往的测量矩阵进行实际勘察无法较好地实现地震数据的重构,大多数矩阵设计复杂且元素多样,不符合实际标准。笔者将LDPC矩阵应用到地震勘探采样中,用较少的地震数据来重构完整的地震记录。采用K-SVD字典对数据进行稀疏变换,FISTA算法进行重构。对比以往的随机采样、离散均匀采样和jitter采样,LDPC矩阵更适合三维环境且恢复重构效果更好。对比重构数据的信噪比,三维模拟数据和实际数据都证实了LDPC矩阵信噪比值最高,重构出的数据效果最好。

基于数据协方差矩阵重构的MIMO声纳DOA估计

实际多输入多输出(MIMO)声纳系统由于环境或人为因素,可能出现部分阵元失效,从而导致阵列自由度减少、方位估计精度下降。本文提出了一种数据协方差矩阵重构方法,该方法基于差分阵列性质,利用正常工作阵元的协方差矩阵元素来恢复失效阵元的矩阵元素,获得满秩的数据协方差矩阵,从而恢复到全阵元MIMO声纳的阵列自由度。与已有方法相比,降低了计算复杂度。仿真及海试实验数据处理结果表明,本文所提的数据协方差矩阵重构方法能够恢复因部分阵元失效而丢失的阵列自由度,应用于方位估计中,所能分辨的最大目标数与全阵元相同。

基于Toeplitz矩阵重构的嵌套阵DOA估计算法

针对DOA估计中可测信源数目不足的问题,提出了一种基于Toeplitz矩阵重构的嵌套阵DOA估计算法。首先设计二级嵌套阵,通过对阵列接受信号进行积处理,将阵列扩展为虚拟均匀线阵,然后利用处理后的信号重构Toeplitz矩阵,通过特征值分解,结合MUSIC算法在阵元数目小于信源数目条件下实现了高精度DOA估计。算法增加了阵列孔径,提高了阵列自由度。而且在低信噪比和小快拍下情况下也具有较好的性能。仿真结果证明了算法的有效性。

一种基于Toeplitz矩阵重构的波达方向估计新算法

为了提高空间谱中信号与噪声的区分度以及改善传统Toeplitz矩阵重构算法在进行波达方向(direction of arrival,DOA)估计时的精度,本文提出一种新的基于Toeplitz矩阵重构的DOA估计算法。首先将观测数据估计的自相关矩阵预处理得到数据向量,并基于数据向量进行Toeplitz矩阵重构;再对重构后的矩阵进行奇异值分解,得到信号子空间和噪声子空间;最后同时利用信号子空间和噪声子空间进行空间谱估计。结果表明:无论是相干源还是非相干源的DOA估计,该算法估计精度均优于传统Toeplitz算法,在非相干源的DOA估计精度性能与多重信号分类(multiple signal classification,MUSIC)算法一致,并在处理相干信源个数能力与传统Toeplitz算法相同。

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Toeplitz矩阵重构的无人机相干信号DOA估计算法

针对实时监管无人机的需求设计了基于Toeplitz矩阵重构的二维相干DOA估计算法,建立了虚拟线阵模型来接收无人机相干信号,通过对协方差矩阵进行矩阵重构来实现信号解相干,构建了Toeplitz矩阵,通过计算空间谱实现对无人机信号的二维DOA估计,仿真分析表明本文方法的DOA估计准确率较高,性能较好。

智能制造技术下异常数据信息化分析方法

为了解决现有技术中电能异常数据信息化分析方法计算效率低、检测精度差等问题,设计了一种新型的电能异常数据分析系统,该系统基于局部矩阵重构(Local Matrix Reconstruction,LMR)实现异常电能数据检测,通过使用5个日负荷特征代替高维日负荷曲线来表征功耗模式。结合主成分分析(Principal Component Analysis,PCA)计算局部范围内的加权重构误差,最后将每个样本的重构误差与其相邻样本进行比较,以计算局部异常值分数。实验结果表明,该系统处理异常电能数据精度高,2 TB测试数据时误差率仅有4.2%。该研究的方法大大提高了异常数据信息化分析能力。

基于压缩感知理论的缺失地震数据重构方法

压缩感知是一种新的理论,它打破常规尼奎斯特-香农采样定理的制约,利用信号的稀疏特性或可压缩特性,用较少的数据即可重构恢复完整的信号。建立了基于压缩感知理论的缺失地震数据重构模型。首先在与稀疏变换不相关的测量矩阵基础上引入一种约束矩阵,使地震数据的缺失满足或接近高斯随机分布;随机缺失的地震数据变换到稀疏域会产生很多与有效信号不相干的随机噪声,接着通过一种新的自适应阈值迭代算法可以很好地消除稀疏系数中的随机噪声干扰,经过逆稀疏变换即得到重构后的地震数据。Marmousi 2模型测试及实际地震资料处理均验证了该方法的可行性和有效性。重构缺失地震数据取得了较好的效果。