基于图信号处理的大口径阵面测量数据恢复

针对热载荷和器件老化等因素造成空间大口径阵列上的测量传感器失效问题,提出大口径阵面测量数据恢复方法。根据图信号模型得到测量数据的图拉普拉斯矩阵,并基于矩阵填充理论建立了数据恢复模型,采用交替迭代方法求解对应的正则化优化问题。利用阵列的图结构特性,能够在存在单元失效和非均匀误差情况下高精度恢复测量数据。仿真验证了所提方法的有效性以及在失效率较大情况下的稳健性。     

基于灰关联分析和时空偏好特征的兴趣点推荐算法

为了提高动态推荐效果, 从时间个性化和连续性的角度出发, 细化了签到用户的时间特征, 利用灰关联分析度量时间向量的相似度, 与矩阵分解算法结合, 给出了一种新的矩阵分解算法。该算法可缓解时间戳细化签到矩阵后带来的数据稀疏的影响。同时为了提高个性化推荐, 采用自适应核密度估计方法捕捉用户的空间偏好, 增强用户的个性化体验, 进而提高推荐质量。在此基础上, 设计了一种新的兴趣点推荐算法。实验结果表明, 该算法能有效地提高推荐准确率和召回率。     

基于相似度的直扩信号盲解扩方法

针对传统方法对直扩(direct sequence spread spectrum, DS-SS)信号进行盲解扩时,需要在估计出扩频序列后,才能完成信号盲解扩的问题,提出了一种基于相似度的DS SS信号盲解扩方法。该方法首先在扩频码的码片速率和周期已知的条件下,以单倍扩频码周期的窗长对接收信号进行数据分段,然后对任意两段数据求相似度函数值,构造相似度函数值的特征信息矩阵,最后通过对构造的特征信息矩阵进行特征值分解就可以实现对信息序列及扩频码序列的盲估计。理论推导和仿真实验结果表明,该方法具有精度高、稳定性好,在信噪比容限值为-22 dB的条件下也能够有效的盲估计DS-SS信号的信息序列及扩频码序列。     

基于时间窗口和自适应加权的能源互联网数据融合方法

为提高能源互联网环境下多源数据融合的精度和抗干扰能力,针对多传感器系统进行数据采集和监测时易受众多客观因素影响的问题,提出基于时间窗口和自适应加权的数据融合方法。采用支持度函数构造传感器支持度矩阵,检验测量数据之间的关联和支持程度;通过深度挖掘时间窗口中的蕴含信息,实行时间窗口蕴含值退出机制,有效剔除测量偏差较大的传感器;在此基础上,利用自适应加权因子排除前期测量差异和强干扰对系统一致性测度的影响,使测量精度和系统的稳定性进一步得到保证。案例分析结果表明,与传统的融合方法相比,该方法具有较好的融合效果,所构建的模型可为多源数据融合方法的评价机制提供一种新的视角。     

基于压缩感知的稀疏多径信道估计

提出了一种基于压缩感知理论的稀疏多径信道估计方法。利用训练序列设计了一种简化的Toeplitz结构观测矩阵,证明了观测矩阵满足限制等距特性,可以作为压缩感知的观测矩阵。根据此矩阵的近似正交性特点对正则化迭代硬阈值算法进行简化,并引入精英策略提出一种归档正则化迭代硬阈值估计算法。仿真结果表明,该估计方法相对于迭代最小二乘法具有更优的性能,且提出的归档正则化迭代硬阈值算法兼具收敛速度快和稳定性高的优点。     

面向团队结构的耦合任务群分解算法与仿真

由于难以恰当地描述多个任务两两之间的关系,耦合任务群的分解仍然是一个难题.根据研发团队的结构特点提出两种耦合任务群分解方法:基于敏感度、可变度和任务量的分解方法将布尔型DSM转化成舍有敏感度、可变度和任务量信息的矩阵,然后将该矩阵转化成相互作用强度距离矩阵,再进行聚类,使相互作用较强的任务聚在一起;基于任务属性灰度关联相似度的分解方法用灰度分析法计算各任务属性的权重,然后根据任务属性及其权重建立任务距离矩阵,再进行聚类分解,使相似的任务聚在一起.用MATLABWebServer工具开发了基于WEB的耦合任务群分解仿真模块,采用仿真比较的方法分析算法对任务分解结果的影响.     

基于多尺度相似度特征的答案选择算法

答案选择的主要任务是对问答系统中问题的候选答案排序,当前主流的方法是基于表示学习方法,通过神经网络对问题和答案进行向量表示,然后根据向量相似度对候选答案排序,该类方法忽略了问题和答案的局部关联性。针对这一问题,提出了一种基于多尺度相似度特征的深度学习模型。该模型采取传统的深度学习模型分别提取问题和答案的特征,然后计算各个尺度下的特征相似度得到问答的相似度矩阵,最后采取三种不同的相似度特征学习模型对相似度矩阵学习得到联合相似度。在公开数据集WebQA上进行实验验证,实验结果表明将相似度特征学习方法引入传统深度学习模型获得了较为明显的提升。     

基于独立成分分析的时间序列谱聚类方法

为了对时间序列数据进行聚类分析, 提出了一种基于独立成分分析的时间序列多路归一化割谱聚类方法, 并给出了利用独立成分分析对时间序列数据进行特征提取和降维的理论解释. 该方法首先利用独立成分分析对时间序列数据进行特征提取, 然后利用多路归一化割谱聚类方法完成对时间序列特征数据的聚类分析, 从而得到了一种新的基于特征的时间序列聚类方法. 为了验证该方法的可行性和有效性, 将其应用于仿真时间序列数据和实际的股票时间序列数据聚类分析中, 取得了较好的数值结果.     

基于改进迁移学习的高速铁路短期客流时间序列预测方法

高速铁路短期客流的预测能为客票分配、开行方案制定、车站客运组织等运营层面组织工作服务,以提高运力资源配置效率和运输服务水平。针对该预测工作往往缺乏有效样本、难于处理时间序列的非稳态性等难点,本文提出一种基于改进迁移学习的高速铁路短期客流预测方法。该迁移学习算法是在经典提升(Boost)算法基础上,结合时间序列特征所提出的。首先,通过时间序列的初筛机制得到源域时间序列与目标域时间序列的距离,并获取与目标域时间序列更相似的源域时间序列。然后,通过将整体时间序列分解为线性时间序列和非线性时间序列,采用季节性差分自回归移动平均模型进行线性拟合后,获取非线性时间序列作为初始源数据集合。最后,通过对训练样本和随机森林回归模型的权重调整实现多样本的迁移,能有效降低负迁移,提升算法稳定性。并以某铁路局客票数据为例进行高速铁路客运量预测及验证,结果表明改进迁移学习都能有效提升预测精度,证明该方法能高效地运用于实际的高速铁路短期客流预测中,有利于提升运力资源配置效率和高速铁路运输服务水平。     

基于EEMD-BP组合模型的区域海平面变化多尺度预测

海平面变化具有非线性、非平稳性以及多时间尺度变化特性,传统的基于时间序列的统计预测模型对于这种变化的预测存在较大局限性,预测结果不够理想.结合集合经验模式分解(ensemble empirical mode decomposition,EEMD)与BP (back propagation)神经网络,本文提出一种改进的海平面变化多尺度预测方法——EEMD-BP组合模型.首先利用EEMD分解提取海平面变化序列中具有物理含义的信号并降低噪声影响,得到不同尺度的多个固有模式函数(intrinsic mode functions,IMFs),确定出海平面变化中隐含的周期及趋势;然后利用BP神经网络分别对不同尺度IMF分量建立预测模型分析其未来变化趋势,最后将各IMF分量的预测结果重构,得到海平面变化序列的最终预测值.结果显示:EEMD分解能有效提取海平面变化中隐含的多时间尺度信号,神经网络能较好地预测不同尺度海平面变化趋势.相对于直接利用BP神经网络进行预测(R=0.74,RMSE=37.51 mm,MAE=48.02 mm),EEMD-BP组合模型预测精度显著提高(R=0.88,RMSE=29.23 mm,MAE=37.50 mm).EEMD-BP组合模型首先对海平面变化序列进行平稳化、降噪等处理,再对分解后的不同尺度时间序列分别进行预测,能够有效提高预测精度,为区域海平面变化预测研究提供了一种新方法.     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

一种时空联合约束的多源航迹相似性度量模型

针对传统方法无法有效度量多源异步航迹时空相似性的问题,该文提出了一种适用于多源异步航迹的相似性度量模型。基于时间和空间联合约束下寻找近似时空特征匹配点的思想,通过设置时间和空间阈值上寻找符合要求的匹配点,并通过空间相似函数度量匹配点的相似性,确定最优匹配点并计算多源航迹间的航迹时空相似度。实测数据表明,该模型可以有效度量异类传感器航迹的相似性,且时间性能较优。基于该模型的航迹关联算法在仿真的复杂多目标环境中的关联准确性优于现有算法,且在对海雷达误差估计中得到了应用。     

基于多源观测的联合定轨数据融合建模及最优加权算法

针对基于双星定位系统的近地卫星联合定轨中的多源观测数据的融合处理问题,分别建立了基于测量噪声独立同分布和测量噪声相关的多源融合测量模型,提出了一种基于矩阵Cholesky分解的广义测量模型和测量噪声去相关方法。设计了多源融合测量模型的多结构非线性最优加权参数估计实现算法,并以双星定位系统的星敏感器测角与距离和测量信息为例,进行了联合定轨仿真实验。理论分析与仿真计算结果表明,相对于仅用距离和测量信息与平均加权方式,基于多源观测数据的最优加权联合定轨方法能够进一步改善卫星定轨精度。     

基于过完备字典的缺失振动数据压缩感知重构算法

针对振动数据采集过程中由于设备短路或环境变化等诸多因素导致的数据丢失问题,提出了一种基于过完备字典的缺失振动数据压缩感知重构算法。首先利用K 奇异值分解算法对大量振动数据进行字典学习得到过完备字典,然后构建缺失振动数据的采样矩阵作为压缩感知框架下的测量矩阵。最后利用正则化正交匹配追踪算法完成缺失数据的重构。通过振动数据库数据和实测航空发动机振动数据实验表明，所提算法优于传统基于离散余弦变换和离散傅里叶变换的数据修复算法,同时具有一定的鲁棒性。     

基于图的半监督目标跟踪

针对目标跟踪方法中有限的目标样本对监督分类器的影响,提出一种基于图的在线半监督跟踪方法。首先,根据前几帧的跟踪结果分别提取反映目标当前状态和长期状态的特征以及背景的特征,共同组成标记样本集,再在当前帧通过运动模型采样候选区域作为未标记样本集。然后将每个样本分割成若干部件,以所有样本对应部件构成的集合为节点构建一张图,并独立在每张图上应用基于图的半监督分类方法给出判决分数,各部件的判决结果最终被融合并给出跟踪结果。最后,用新的跟踪结果更新标记样本集。实验证明该方法对目标和背景的动态变化有很强的鲁棒性,满足实时性要求。     

基于灰色时序组合模型的产品实时寿命预测方法

针对产品性能退化数据样本个数少、退化轨迹存在非线性与随机性的特点,提出了一种灰色时序组合模型对产品的退化轨迹进行建模并实时预测个体寿命。首先,采用灰色系统GM(1,1)模型和时间序列AR(p)模型分别对同类产品退化数据中的趋势项与随机项进行预测,构造灰色时序组合预测模型来建立同类产品的退化轨迹。然后,根据K均值聚类理论计算特定个体与同类产品退化轨迹的相似度权值,通过加权同类产品的退化轨迹来获得特定个体的退化轨迹;最后,通过个体实测退化数据更新退化模型并实时预测寿命。将本文方法用于某电子产品的寿命预测中,试验结果验证了该方法的准确性与有效性。     

急诊非强占优先权下Geom/NB/1排队系统常规病人等待时间及损失率

考虑CT室具有急诊非强占优先权和常规病人有限容量的Geom/NB/1排队系统.首先构造一个二维拟生灭链,用矩阵几何解方法获得平稳分布.对同一排队系统再构造一个一维生死链,用全概率分解技术获得处于等待队列第J相位的常规病人的等待时间.然后用平稳分布获得任意一个常规病人的期望等待时间和他被拒绝进入的概率.最后以医院实际数据为基础给出数值算例.分析可变参数对常规病人队列等待时间,损失率和医疗资源利用率的影响.     

基于稀疏型支持向量回归的时间序列预测

为提高支持向量回归在时间序列预测应用中的学习速度和泛化性能,提出了稀疏型支持向量回归方法.通过牛顿优化法,直接优化支持向量回归的原始问题.然后利用Cholesky分解更新原始优化中的Hessian矩阵实现稀疏型支持向量回归算法.最后将该算法运用到Mackey-Glass,Lorenz和Logistic混沌时间序列预测,仿真结果表明本文提出的方法能够在确保预测精度的前提下,有效地降低支持向量的个数.     

四阶累积量用于最小嵌入维数估计的新方法

用能反映非线性结构的四阶累积量函数代替相关函数构造矩阵,对奇异值分解法进行改进.对比分析了用四阶累积量函数构造矩阵的多种方法,得到两种较好的构造矩阵的方法.其中当四阶累积量函数的两个变量分别在矩阵的对角线方向和偏离对角线方向取值并且第三个变量取零时,得到的矩阵的分析效果最好.并用此方法分析由Henon映射、Lorenz模型生成的混沌时间序列.实验结果表明了改进后方法的有效性及稳定性,并且改进后方法适合小数据量的情况且计算效率高.