基于改进双曲正切函数的变步长最小平均p范数算法

在信号处理领域,传统的自适应滤波算法采用的固定步长会导致稳态误差和收敛速度无法同时兼顾。针对这个问题,对最小平均p范数(Least Mean p-norm,LMP)算法进行改进,提出了一种基于改进双曲正切(tanh)函数的变步长最小平均p范数算法。该算法利用改进的tanh函数来调节步长,采用移动加权平均法构造变步长函数;同时引入了一个调节函数以进一步提升算法的性能。通过在海洋脉冲噪声干扰下进行仿真,实验表明,与已有的固定步长和变步长算法相比,改进的变步长LMP算法较好地兼顾系统的收敛速度和稳态误差;引入调节函数后的新算法在保证原有算法收敛速度的同时进一步降低了算法的稳态误差,从而兼顾了算法的收敛性和稳定性,具有较好的可行性。

基于鲁棒均值–方差优化的发电自调度算法及鲁棒代价分析

解除管制电力市场背景下,发电厂商作为价格的接受者,需向电力交易中心提供发电交易策略来最大化自身的收益,从而形成发电自调度的优化模型。然而,当考虑电价不确定性时,发电商一方面希望最大化收益,另一方面需要最小化不确定性带来的风险。为此,该文建立了一种鲁棒均值方差优化模型,以收益最大化和风险最小化为多目标,进而获得多目标优化的Pareto前沿。通过等价转化发现,鲁棒均值方差模型与非鲁棒均值方差模型具有相同的数学形式,均为一个二阶锥优化。进一步分析了鲁棒模型对收益、风险以及Pareto前沿的代价。最后采用30节点系统对鲁棒均值方差优化的发电厂自调度模型以及鲁棒代价进行详细的分析和对比,结果证明提出方法和分析的正确性。

一种变步长最小平均p范数自适应滤波算法

在α稳定分布脉冲噪声背景下,为解决固定步长最小平均p范数(LMP)不能同时满足快收敛速度和低稳态误差的问题,该文提出一种对脉冲噪声具有鲁棒性的变步长最小平均p范数(VSS-LMP)自适应滤波算法。该算法利用改进的变形高斯函数来调节步长,采用移动平均法构造变步长函数,克服了定步长算法稳态误差高及抗噪性能差的问题。VSS-LMP算法在系统受到脉冲噪声干扰时,能维持步长稳定;当系统逐渐稳定时,能产生小步长以降低稳态误差。系统辨识仿真结果表明,在α稳定分布脉冲噪声下,VSS-LMP算法与固定步长和已有变步长算法相比,具有更快的收敛速度和更强的系统跟踪能力。

局部均匀模式描述和双加权融合的人脸识别

目的针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。