基于核最小二乘回归子空间分割的高维小样本数据聚类

针对基于线性表示理论的子空间分割方法没有考虑高维小样本数据的非线性性质,借鉴核理论,提出核最小二乘回归子空间分割方法,使子空间分割方法适合高维小样本数据的非线性性质.经6个基因表达数据集和4个图像数据集上的实验,表明该方法是有效的.     

面向海上移动目标的空天协同连续观测模型

由于视距限制,对海上移动目标进行连续观测与定位探测难度较大.现有方法通过卫星和无人机等单平台对目标进行观测,不能解决面向海上移动目标连续观测的问题.针对当前单个平台的不足,本文构建了面向海上移动目标的空天协同连续观测模型,并提出了空天协同连续观测策略.空天协同连续观测策略抽取出卫星规划、无人机飞行计划、观测序列、区域预测以及路径规划等五个子问题,并对其进行建模求解.仿真实验表明,该方法大大降低了目标的平均观测周期,有效解决了海上移动目标连续观测问题.     

融合倾斜仪数据的盾构姿态严密解算模型

推导了倾斜仪与盾构的严密标定模型;将倾斜仪采集的双轴角度数据视为平面点云,推导了倾斜仪角度数据的稳健估计方法;在前述模型方法的基础上,利用最小二乘配置方法建立了倾斜仪与棱镜数据融合的严密联合解算模型.最后,通过试验对上述模型方法进行了分析验证.结果证明,提出的盾构姿态解算模型正确可行.     

基于移动最小二乘法的轨迹拟合切线方位角计算

基于移动最小二乘法,提出了轨迹切线方位角算法.利用实测数据验证了算法的可行性,并对算法关键参数(紧支系数与权函数)的设置进行了讨论.结果表明:该方法简单易行,适用于形状弯曲较小的轨迹;移动最小二乘法中的紧支系数应满足计算的需求,但不宜过大;权函数能提高拟合精度,但对轨迹切线方位角的精度几乎没有影响.     

货车整车质量辨识方法研究

针对货车整车质量辨识问题,分别对基于车辆纵向动力学和基于运动学的两种整车质量辨别方法进行仿真和实车试验研究。阐述了两种整车质量辨识方法的原理,在TruckSim软件平台上建立车辆模型并在多种工况下基于这两种方法进行仿真分析。根据仿真结果进行实车试验,提出了一种车速冗余计算和加速度计算的方法,利用带时变遗忘因子的递推最小二乘法（RLS）对实车质量进行估计。研究结果表明,所提出的车速冗余计算方法和加速度计算方法准确有效,同时减少换挡次数能够显著提高辨识算法的收敛速度。相比于运动学整车质量辨识算法,基于车辆纵向动力学整车质量辨识算法能够有效地估计货车整车质量,鲁棒性好,估计准确,收敛速度快,具有很好的工程应用价值。     

热冲击下粘-弹塑性材料的热空化

理论分析了粘-弹塑性材料的热空化问题.引入对数应变描述塑性区域不可压理想大变形,在粘弹性区采用了小变形理论,由此给出了含单一微孔无限大粘-弹塑性介质中微孔增长问题的数学模型,通过积分方法得到了微孔增长问题的解析解,并推导出了动界面的非线性演化方程.数值算例分析了铝合金材料的热冲击温度、升温率、粘性等因素对于动界面移动规律和微孔动态增长的影响,并且得到了热空化临界温度.      

空时自适应混合高斯模型复杂背景运动目标检测

为克服传统基于单像素建模方法存在的缺陷,解决复杂背景下的运动目标检测问题,将视频图像序列的空间信息引入背景建模过程中,研究了邻域更新、二维联合直方图信息熵判别、空时平滑等方法.采用引导滤波方法对视频图像进行预处理,以消除图像噪声,并保留图像中目标的边缘信息,给出了算法处理流程和实现步骤.在不同的评测数据库及现实捕获的视频图像上进行了定性及定量实验,结果表明,本文提出的算法在目标检测准确度和完整性等指标上优于传统的同类型算法,为复杂背景环境下的运动目标检测提供了一种新的解决方法.      

基于指数移动平均的无线层析成像算法

为提高无线层析成像（RTI）算法在多径环境下对运动目标的跟踪精度,降低多径效应对信号变化的影响,引入指数移动平均（EMA）作为无线层析成像中衡量信号变化的参量.采用长时EMA作为基准,无需事先测量待测区域的背景信息.进行了室外穿墙和室内多径环境的单运动目标跟踪实验,与SRTI和KRTI比较,结果显示基于指数移动平均的RTI算法跟踪误差小于其他算法,而算法耗时没有明显增加.      

基于闭塞时间理论的移动闭塞追踪间隔时间特性研究

移动闭塞作为一种最新的闭塞制式,可以在确保列车运行安全的前提下,使列车的追踪间隔达到最短。针对移动闭塞条件下列车追踪间隔,给出了列车对区间的时间占用带计算方法,利用时间带重叠法设计了基于闭塞时间理论（Blocking Time）的移动闭塞追踪间隔计算方法。对于影响列车追踪间隔时间的影响要素,在visual studio平台上设计了不同的仿真实验方案,利用本文给出的追踪间隔计算方法,对影响追踪间隔的要素进行定量分析,得到了各因素对列车追踪间隔的影响规律。     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.