基于MCS-SBL算法的配电网故障定位方法

配电网拓扑结构复杂,传统方法往往需要大量测点信息且难以实现快速有效的故障定位,本文提出基于少量测点信息的故障定位方法。首先,利用等效原理建立一个欠定的故障节点电压方程;其次,利用多重测量向量模型的贝叶斯压缩感知算法求解方程,根据重构稀疏电流矩阵的非零元素位置求解故障区域,实现故障定位;最后,在IEEE33节点配电系统上进行仿真实验,结果表明,所提方法仅需要少量测点的故障前后正序电压分量便可有效定位故障,计算速度较快,并且基本不受故障类型、过渡电阻的影响,同时适用于单故障和多重故障的场景,具有较强的抗噪能力。

压缩感知的多重测量向量模型与算法分析

压缩感知(Compressed Sensing:CS)技术是信号处理领域中数据获取和重构的新方法,其在理论上保证了只要源信号在时域或某种变换域中具有稀疏性,可以以远低于Shannon/Nyquist采样定理的采样率对信号进行采样而不至于引起信息丢失,同时,还可以以高概率重构源信号。CS现有算法大都从单重测量信号中恢复稀疏信号源,即为单重测量向量(SMV)模型。而在实际应用中,存在大量的多重测量向量情形,从多重测量向量中恢复未知的具有相同稀疏结构的联合稀疏信号源的模型称为CS的多重测量向量(MMV)模型。本文首先对CS-SMV和CS-MMV模型的基本数学原理进行了详细介绍,讨论了两种情况下稀疏源信号恢复的存在性与唯一性,然后在此基础上重点对近年来出现的各种联合稀疏信号的恢复算法进行了综述,分析了各种算法的性能,较全面的讨论了MMV模型的应用前景。最后对CS-MMV模型的发展趋势进行了总结和展望。

用于宽带频谱感知的全盲亚奈奎斯特采样方法

亚奈奎斯特采样方法是缓解宽带频谱感知技术中采样率过高压力的有效途径。该文针对现有亚奈奎斯特采样方法所需测量矩阵维数过大且重构阶段需要确切稀疏度的问题,提出了将测量矩阵较小的调制宽带转换器(MWC)应用于宽带频谱感知的方法。在重新定义频谱稀疏信号模型的基础上,提出了一个改进的盲谱重构充分条件,消除了构建MWC系统对最大频带宽度的依赖;在重构阶段,将稀疏度自适应匹配追踪(SAMP)算法引入到多测量向量(MMV)问题的求解中。最终实现了既不需要预知最大频带宽度也不需要确切频带数量的全盲低速采样,实验结果验证了该方法的有效性。

采用信号子空间稀疏表示的DOA估计方法

利用目标辐射源空间分布的稀疏性,提出了一种基于稀疏表示的多快拍联合波达方向(direction of arrival,DOA)估计方法。该方法首先利用采样数据矩阵大奇异值对应的左奇异向量估计信号子空间,然后采用加权迭代最小方差方法对信号空间进行稀疏表示。与传统的角度高分辨估计方法不同,该方法没有利用样本的统计信息,因而对具有任意相关性的信号源能进行有效的波达方向估计,不需要进行去相关处理,且具有很高的分辨力及估计精度。实验表明在该方法能准确的对目标源方位进行估计,且极大地降低了稀疏表示的计算量。

多测量向量块稀疏信号重构ISAR成像算法

为实现有限脉冲快速逆合成孔径雷达(inverse synthetic aperture radar,ISAR)稀疏成像,利用ISAR目标块状结构特征,提出一种基于多量测向量(multiple measurement vectors,MMV)模型的块稀疏信号重构ISAR成像算法。首先,构建MMV稀疏成像模型,将ISAR成像转化为MMV块L0范数的稀疏重构问题。其次,选用负指数函数序列作为平滑函数去近似块L0范数,通过构建一个递减的参数序列,对平滑函数优化求解,采用梯度投影方法将所求解投影到可行解空间。最后,增加修正步骤,确保沿着最速下降方向对块稀疏信号优化求解。仿真结果验证了本文算法在成像时间和成像质量方面具有优势。

基于块剪枝多路径匹配追踪的多信号联合重构

针对多路径匹配追踪(multipath matching pursuit,MMP)无法利用稀疏信号的结构信息、迭代层数较高时计算复杂度较大等问题,提出了一种适用于重构块稀疏信号的块剪枝多路径匹配追踪算法。该算法以原子块作为路径扩张的节点,在一定迭代层数后引入剪枝操作,极大地降低了数据运算量。进而,针对多观测向量(multiple measurement vector,MMV)问题,提出了MMV块剪枝MMP算法,用以实现无线传感网小范围内多传感器信号的联合重构。实验表明,块剪枝MMP的重构性能优于MMP,MMV块剪枝MMP的联合重构性能优于MMV块A*正交匹配追踪、MMV子空间匹配追踪和MMV正交匹配追踪。

基于多测量向量模型的极化探地雷达成像算法

针对极化探地雷达(GPR)工作过程中目标成像空间的联合稀疏性,提出了一种基于多测量向量模型的极化探地雷达成像算法。在建立极化探地雷达回波信号模型的基础上,利用各极化通道测量数据的联合稀疏性将各个极化通道的测量数据等效成多测量向量(MMV),通过多任务贝叶斯压缩感知(MT-BCS)算法对各个极化通道的测量数据进行联合处理从而实现各个极化通道对应的探测场景反射率的重建。基于时域有限差分(FDTD)法的仿真数据处理结果表明所提成像算法在目标位置重建的准确性和背景杂波抑制能力上均优于单测量向量(SMV)模型的极化探地雷达成像算法。

多量测向量模型下基于贝叶斯检验的快速OMP算法研究

目前多量测向量(Multiple Measurement Vectors,MMV)模型的稀疏重构算法存在两个问题:计算复杂度高和当重构的支撑集存在冗余时无法有效剔除。为同时提高MMV模型的重构效率和重构精度,该文提出一种MMV模型下基于贝叶斯检验的快速正交匹配追踪(Fast Orthogonal Matching Pursuit based on Bayesian Testing,FOMP-BT)算法。首先,通过新原子组选和warm start求逆的思想来减少算法总的迭代次数以及每次迭代的运算量,以提高算法的重构效率;其次,利用贝叶斯检验的思想剔除冗余支撑集以提高重构精度;最后对所研究的算法从参数选择以及计算复杂度等方面进行了理论分析。仿真结果表明,所提算法具有重构精度高、速度快以及对噪声有较好的鲁棒性等优势。

用于Nested阵列的多测量矢量DOA估计算法

Nested阵列协方差矩阵向量化后可认为是单测量矢量(Single Measurement Vector,SMV)模型,基于追踪算法和正交匹配追踪等算法在SMV模型下估计多个信源精度不高。针对这一问题,在空间平滑算法的基础上,提出了一种用于Nested阵列的多测量矢量(Multiple Measurement Vector,MMV)DOA估计算法。将SMV模型转为MMV模型,基于奇异值分解的1范数重构算法进行测向。仿真结果表明,基于所提MMV模型的1范数重构算法能够准确估计出目标数多于阵元个数的信号的波达方向。

基于改进块贝叶斯学习的多通道心电信号重构

为提高可穿戴心电监护系统的重构精度,提出了一种结合多测向量模型的块稀疏贝叶斯学习心电信号重构算法,并在算法的求解过程中使用快速边缘似然最大化算法。对MIT-BIH心律失常数据库、MIT-BIH噪声测试数据库和PTB诊断数据库中心电信号的实验表明,相比于其他传统的压缩感知重构算法,该算法具有重构精度高、运行时间短的优势;相比于基于单测向量模型的块稀疏贝叶斯算法,该算法的重构精度提高了35%,重构速度提高至原来的8倍;在重构含噪声心电信号的情况下,该算法获得比其他重构算法更好的重构效果。因此,本文算法在可穿戴心电监护系统中具有良好的应用前景。

基于多观测向量块稀疏的MIMO雷达非理想正交波形成像

基于稀疏恢复的多输入多输出(multiple input multiple output,MIMO)雷达波形分离方法,能够代替匹配滤波,提高MIMO雷达非理想正交波形分离效果,对目标高分辨成像。但由于目标像稀疏性较弱,多观测向量(multiple measurement vector,MMV)稀疏恢复算法的效果有限。通过调整感知矩阵发掘目标像的块稀疏性,提出了一种基于块稀疏的MMV稀疏重构算法来提高成像质量。首先采用改进的复合三角函数(improved composite trigonometric function,ICTF)作为平滑函数近似l 0范数,然后将其扩展到基于块稀疏的MMV模型,最后通过自适应调整正则化参数提升算法稳健性。通过实验验证了该算法在不同稀疏度、不同信噪比下的重构性能,仿真分析了其应用于MIMO雷达对多散射点目标模型的成像效果。仿真结果表明,所提算法能够更好地提高成像质量。

基于差值映射的压缩感知MUSIC算法

多快拍(MMV)问题旨在恢复具有相同稀疏结构的多列信号。在传统阵列信号处理中MMV问题的求解通常采用多重信号分类(MUSIC)等确定性方法实现,但当快拍数不足或存在相干源时该类方法失效;而在压缩感知(CS)的概率求解模型下,即使信源相干也能得到恢复结果,但现有算法普遍性能不足。近期Kim等人的研究表明,将CS与MUSIC相结合可得到比二者更加优秀的性能和更为宽泛的使用条件,该方法被称作压缩感知MUSIC或CS-MUSIC算法。作为一种投影型非凸优化算法,差值映射(DM)最早用于解决X射线晶体学中的相位恢复问题,并逐渐在其他非凸及压缩感知问题的求解中展示出优良性能。该文提出一种基于差值映射的CS-MUSIC算法,仿真结果表明该算法在MMV问题求解中十分有效,相比经典CS-MUSIC具有更高的恢复成功率。

基于改进多重测量向量模型的SAR成像算法

近年来,基于压缩感知(Compressed Sensing,CS)理论的稀疏场景SAR成像成为研究热点。在CS理论中,对于具有相同稀疏结构的联合稀疏目标信号源,多重测量向量(Multiple Measurement Vectors,MMV)模型可以获得优于单重测量矢量(Single Measurement Vector,SMV)模型的重构性能。然而,在距离徙动(Range Migration)不可忽略的应用场景,SAR各脉冲回波1维距离像具有不完全相同的稀疏结构,这使得无法在SAR应用中直接引入MMV模型。该文针对MMV模型与SAR距离徙动的矛盾,提出一种改进的MMV模型。在该模型下,各方位向位置对应的1维距离像的稀疏结构不要求完全相同,而是符合距离徙动特性。论文所提出的RM-OMP算法根据符合距离徙动特性的稀疏结构搜索稀疏信号支撑集,可以准确地重建稀疏信号源。论文采用仿真数据和实测数据实验验证了所提模型和算法的有效性。

基于多观测向量序列降采样恢复的稀疏矩阵重构

二维稀疏信号的重构可以通过解多观测向量的稀疏表示问题来实现。然而,当各向量的稀疏结构不同时,将稀疏恢复算法拓展到多观测向量模型的方法将不再有效。提出了一种序列降采样重构的方法用于实现稀疏矩阵的重构。该方法通过构造降采样矩阵,大幅降低稀疏矩阵信号的稀疏度,再通过多观测向量序列观测和恢复,完成对稀疏矩阵的重构。理论分析表明,所提方法能够实现对高稀疏度矩阵的高概率重构。实验表明,所提算法能够有效地实现二维稀疏信号和图像重构。

应用AR模型的多参数与多测点信息融合的故障分类

为了找到针对齿轮传动系统多类故障分类的有效方法,对行星齿轮传动系统进行故障实验,获取振动信号。采用EMD方法对该振动信号进行预处理,得到若干个IMF分量之和,对前4个有效的IMF分量分别建立AR模型,得到对应的自回归参数序列ф,进而对其分别计算关联维数、最大Lyapunov指数、样本熵这3个混沌特征参数,并将其作为辨识特征量。将不同测点对应的ф的不同混沌特征参数信息融合作为支持向量机的输入向量,建立6种不同故障状态的训练集,实现对故障类型进行分类。结果表明:对实验获取的振动信号进行EMD和AR模型处理后,能在很大程度上提高故障分类准确率。

多测量向量模型下的修正MUSIC算法

压缩感知多测量向量(MMV)模型用于解决具有相同稀疏结构的多快拍问题,在传统阵列信号处理应用中多重信号分类(MUSIC)方法是一种常见的方法,但当快拍数不足(低于稀疏度)时其性能将急剧恶化。Kim等人(2012)推导出一种修正的MUSIC谱,并将压缩重构方法和MUSIC算法结合提出压缩感知MUSIC算法(CS-MUSIC),能够有效克服快拍数不足的问题。该文将Kim等人的结论扩展到一般情形,并基于传统的MUSIC谱和CSMUSIC谱提出一种修正的MUSIC算法(MMUSIC)。仿真结果表明所提算法能够有效克服快拍数不足的问题,并且具有比CS-MUSIC算法和压缩感知贪婪算法更高的重构概率。

基于乘法观测模型的多视线矢量定位误差修正方法

针对相对定位估计系统,详细分析了因视线矢量的加法观测模型中观测矢量不是单位矢量,而导致定位计算中观测矢量内积期望值与实际值不符,造成了计算误差.基于乘法观测模型得到了带有修正项的内积期望计算式,数值仿真表明其精度远高于原有期望计算值.提出了对定位计算中多视线矢量观测误差的矢量旋转修正方法.通过仿真算例验证了修正算法的有效性,视线矢量间夹角与误差均方差比值越小,定位精度提高程度越大.

基于贝叶斯压缩感知的毫米波MIMO信道估计

毫米波多输入多输出(MIMO)通信系统中,获取完整的信道状态信息可使系统达到最大通信容量。利用毫米波信道的角度域稀疏特性,提出一种基于MMV模型的稀疏贝叶斯学习的(CTSBL)信道估计方法。运用信道虚实分量具有相同的稀疏结构,引入块稀疏压缩感知框架,再结合多测量信道间的时域相关性,以及超参数迭代更新算法,使毫米波信道估计性能得到了提升。算法理论分析和实验仿真结果表明,提出的CTSBL毫米波MIMO信道估计方法比传统的贪婪算法块正交匹配追踪(BOMP)信道估计方法具有更高的估计精度。

一种卷积神经网络集成的多样性度量方法

分类器模型之间的多样性是分类器集成的一个重要性能指标。目前大多数多样性度量方法都是基于基分类器模型的0/1输出结果(即Oracle输出)进行计算,针对卷积神经网络的概率向量输出结果,仍需要将其转化为Oracle输出方式进行度量,这种方式未能充分利用卷积神经网络输出的概率向量所包含的丰富信息。针对此问题,利用多分类卷积神经网络模型的输出特性,提出了一种基于卷积神经网络的概率向量输出方式的集成多样性度量方法,建立多个不同结构的卷积神经网络基模型并在CIFAR-10和CIFAR-100数据集上进行实验。实验结果表明,与双错度量、不一致性度量和Q统计多样性度量方法相比,所提出的方法能够更好地体现模型之间的多样性,为模型选择集成提供更好的指导。

基于块稀疏贝叶斯学习的多目标动态荧光分子重建

针对基于范数优化的多目标动态荧光分子重建稀疏性不足、定位精度低的问题,本研究提出了基于块稀疏贝叶斯学习的重建方法。该方法利用多观测动态荧光信号共享相同稀疏结构的特点,充分挖掘了信号的时空相关性信息和分块稀疏特性,将多观测模型联合稀疏重构问题转化为块稀疏贝叶斯学习问题,通过稀疏贝叶斯框架下的相关向量机稀疏学习模型获取稀疏解。实验结果表明,本研究算法相较于传统压缩感知算法具有更高的稀疏度和定位精度。