基于压缩感知理论的线性分组码译码

将压缩感知理论应用于线性分组码的译码,提出差错图案E重构的压缩感知模型及校验矩阵H作为测量矩阵的构成形式和性质.将伴随式S作为测量信号,校验矩阵H作为测量矩阵,以(15,7)循环码为例,采用基追踪(BP)算法重构差错图案E的估值,并设计线性分组码译码的仿真实验方案.仿真实验结果表明,采用压缩感知理论与BP算法能较好完成线性分组码的译码.     

基于校验矩阵的BCH码译码方法的研究

借助无噪压缩感知理论和基追踪BP算法,提出了基于校验矩阵的BCH码译码方法.证明了校验矩阵H满足2 K阶约束等距性RIP.提出了重构差错图案E的压缩感知模型,设计了基于校验矩阵的BCH码译码仿真实验方案.以纠正2位错误的(15,7)和(31,21)BCH码和纠正3位错误的(15,5)和(31,16)BCH码为例,进行仿真实验,通过码字重构的成功率和误码率,分析比较了本文方法与Berlekamp(BM)迭代译码算法的译码效果.实验结果表明,基于校验矩阵的BCH码译码方法是可行和有效的.     

线性模型广义压缩预测的性质

考虑线性模型的参数预测问题,在设计矩阵的复共线性下,提出了广义压缩预测,并讨论了它们的性质.     

基于长短期记忆神经网络模型的空气质量预测

随着城市化和工业化的快速发展,空气污染问题日益突出,空气质量预测显得尤为重要。当前一些有代表性的研究对空气质量进行实时监测和预报,例如周广强等采用数值预报的方法对中国东部地区的空气质量进行分析,但其实验结果表明该方法难以预测非常重的污染;SANKAR等使用多元线性回归对空气质量进行预测,但其实验结果表明线性模型预测精度低、效率慢;PéREZ等使用统计方法对空气质量进行预测,实验结果证明统计方法的预测精度比较低;WANG等采用改进的BP神经网络建立了空气质量指数的预测模型,其实验验证了BP神经网络收敛速度慢、容易陷入局部最优解的问题;YANG等利用相邻网格的空气质量浓度效应,建立了基于随机森林的PM_(2.5)浓度预测模型,通过实验过程证明网格划分程序削弱了后续空气质量分析的质量和效率。这些方法都难以从时间角度建模,其中预测精度低是比较重要的问题。因为预测精度低可能会导致空气质量预测结果出现较大的误差。针对空气质量研究中预测精度低的问题,提出了基于长短期记忆单元(long short-term memory,LSTM)的神经网络模型。该模型使用MAPE,RMSE,R,IA和MAE等指标来检测LSTM神经网络与对比模型的预测性能。由于Delhi和Houston是空气污染程度比较严重的城市,所以使用的实验数据集来自Delhi的Punjabi Bagh监测站2014—2016年的空气质量数据和Houston的Harris County监测站2010—2016年的空气质量数据。LSTM神经网络与多元线性回归和回归模型(SVR)的比较结果表明,LSTM神经网络适应多个变量或多输入的时间序列预测问题,LSTM神经网络具有预测精度高、速度快和较强的鲁棒性等优点。     

灰色理论和线性回归模型在印刷变形中的数据预测分析

对前期数据分析整理并剔除异常数据后,利用线性回归方法和改进的GM(1,1)方法对印刷包衬压缩变形的压缩变形量λ值进行预测.所采用的方法有效降低了数据的相对误差,提高了预测数据的精度,使得预测数据有了更高的准确性和适应性.实验及仿真结果表明,利用本文所给出的灰色预测模型对印刷包衬压缩变形的压缩变形量λ的值进行预测,得到的预测期望值远优于单纯的回归模型和GM(1,1)模型.     

基于多基因遗传规划的沈阳及其周边地区PM2.5浓度的预测

提出一种基于多基因遗传规划的空气质量预测模型.采用沈阳市及其周边地区11个监测站的空气质量数据和气象条件数据进行模型训练和预测检验.实验结果表明,提出的新模型不仅预测准确性好,而且其鲁棒性也优于经典遗传规划和传统BP神经网络.     

基于深度神经网络的空气质量预测系统

提出了使用深度栈式自编码模型进行空气质量预测.选择了PM2. 5、PM10等污染物数据作为样本.本模型基于Java平台构建,进行了训练和参数调整,建立了最优的空气预测模型.根据北京市的实验结果表明,该模型具有良好的精度.与支持向量回归(SVR)模型和线性回归模型相比,本文提出的模型具有优越的性能.     

基于径向基函数网络的宣城市空气质量预测

提出了一种应用人工神经网络进行空气质量预测的方法,即采用径向基函数神经网络进行短期的空气质量预测;并采用了主成分分析方法降低神经网络学习矩阵维数,浓缩预测信息,降维去噪.选取宣城市气象局2003年到2005年地面气象观测资料作为预测因子,宣城市环境保护监测中心提供的PM10、SO2浓度值作为预测对象,进行训练学习和预测验证.研究结果表明:将该方法应用于空气质量预测,效果良好,具有较强的实用性和推广能力.     

约束型矩阵最小二乘估计预测

本文提出了约束型矩阵模型的最小二乘估计预测量,矩阵型MSE准则,矩阵型RT(·)准则,矩阵型MDE-准则.进一步,给出了约束型矩阵模型最小二乘估计预测关于MSE准则、RT(·)准则优于它的最佳线性无约束矩阵型最小二乘估计预测的充要条件.探究RT(·)准则与MDE-准则的相互转化关系,给出了约束型矩阵模型最小二乘估计预测优于无约束矩阵型最小二乘估计预测的充要条件.     

稀疏线性预测字典在语音压缩感知中的应用

压缩感知理论框架可以同时实现信号的采样和压缩,将压缩感知应用于语音信号处理是近年来的研究热点之一.本文根据语音信号的特点,采用K-SVD算法获得稀疏线性预测字典,作为语音信号的稀疏变换矩阵.高斯随机矩阵用于原语音信号的采样从而实现信号的压缩,最后通过正交匹配追踪算法(OMP)和采样压缩匹配追踪算法(Co Sa MP)将已采样压缩的语音信号进行信号重构.实验考察了待处理语音信号帧的长度、压缩比,稀疏变换字典以及压缩感知重构算法等因素对语音压缩感知重构性能的影响,结果表明,基于数据集训练的稀疏线性预测字典相比传统解析构造的离散余弦变换字典,对语音的重构性能具有0.6 d B左右的提升.     

基于BP神经网络的空气质量预测与分析

使用神经网络构造的算法,对秦皇岛市的空气质量进行预测。将秦皇岛市的气象监测数据与环境监测数据,按照季节关系分组,并进行相关性分析,从而确定出与空气质量呈强相关性的气象因子。并对其进行主成分分析,得出影响空气质量变化的主因子,以减少多种气象因子带来的数据处理难度。构建季节预测模型,并根据气象因子筛选结果,确定出神经网络模型需要输入的数据矩阵,从而通过气象参数变化对秦皇岛市的空气质量进行预测。并通过四个预测模型对季节空气质量的数值预测,得出了平均预测准确率,分别为81.18%,83.10%,81.72%,80.56%。结果表明,使用BP神经网络构建的秦皇岛市空气质量预测模型,可以成功预测该市四季的空气质量。     

基于涡流搜索算法的过程支持向量回归机模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理的问题, 提出了一种用于时间序列预测 的过程支持向量回归模型, 采用涡流搜索算法优化选择模型参数, 采用 UCI(University of California Irvine)数据 库的空气质量数据集和比利时 SIDC(Solar Influences Data Analysis Center)的太阳黑子数据进行仿真实验。 实验 结果表明, 该模型预测结果均优于粒子群过程支持向量回归机和支持向量回归机的预测结果, 具有较好的预测 能力。     

基于非负矩阵分解的OD矩阵预测

提出了一种非负矩阵分解-自回归模型,并用该模型对居民出行流量进行预测.该模型首先利用非负矩阵分解方法挖掘城市区域内的居民出行特征,而后在非负矩阵分解获得的特征矩阵和系数矩阵基础上对时序系数矩阵建立自回归模型,进而对起讫矩阵进行预测.以北京市出租车数据为基础,与时空权重K近邻、传统K近邻、反向神经网络、朴素贝叶斯、随机森林和C4.5决策树回归模型对比,实验结果表明,该模型的预测准确率有显著提升.     

基于社区划分的空气质量指数（AQI）预测算法

AQI(Air Quality Index)是判定空气质量好坏的重要指标,做好AQI的预测,对大气污染的治理有积极的推进作用,但目前预测AQI的算法通常没有综合考虑气象因素和周边城市对预测性能的影响.将气象因素和周边城市的污染物因素作为算法设计的基础,提出一种基于社区划分的空气质量指数预测的算法.首先根据气象特征计算城市之间的相似度,接着对各城市间的相似度矩阵进行社区划分;然后将属于同一社区的城市污染物时序信息作为预测目标城市空气质量指数的依据,并考虑目标城市的周边城市对其的影响;最后使用非线性回归的方法进行预测建模.通过对江苏省内20座城市的大气污染数据和气象数据的采集与分析,证明该算法不但预测精度有所提高,而且与传统的时间序列预测模型相比,降低了时间复杂度.     

基于压缩感知的Logistic多涡卷混沌保密通信

针对异步数字保密通信系统通信安全的问题,提出了基于压缩感知的逻辑(Logistic)多涡卷混沌保密通信方法.首先对一维Logistic映射进行改进,并引入多涡卷思想,生成两段式Logistic混沌映射,然后引入压缩感知理论,通过压缩感知方法实现伯努利(Bernoulli)分布的伪随机序列,得到基于压缩感知信号矩阵的通信模型.实验仿真结果表明,该方法优于Bernoulli随机信号矩阵,提高了重构信号峰值的信噪比,基于该方法的保密通信系统对信道噪声具有较强的抗干扰性和重构信号增益,可以完整还原数字信号,从而进一步证实了基于该重构矩阵信号的数字保密通信系统是有效的.     

表层纳米化铝合金材料的微尺度力学行为

通过对表层纳米化铝合金材料显微组织的观测, 从实验(压缩实验和纳米压痕实验)和理论两方面研究了该材料的微尺度力学行为. 在实验方面, 测量了压缩应力应变曲线和硬度-压入深度曲线; 针对压缩和压痕两种实验特征, 采用微结构构元模型和应变梯度理论, 对该材料的压缩应力应变曲线和硬度曲线进行了预测和模拟; 进而确定出相关的材料参量及模型参量.     

连续搅拌釜反应系统的预测控制算法

研究了具有强非线性、时变时滞、信号抖振等复杂特性的连续搅拌釜(CSTR)反应过程,提出了一种非线性鲁棒模型预测控制方法.首先在温度平衡点反馈线性化CSTR非线性模型,提出性能指标函数和李雅普诺夫函数进行稳定性分析.其次建立预报方程并引入松弛变量,应用线性矩阵不等式(LMI)技术处理鲁棒模型预测控制系统,在控制输入信号有界的条件下,获得了系统稳定性的充分条件,并给出了相应的系统性能指标的半定规划算法.最后,通过系统MATLAB仿真实验,说明了所提理论的正确性和算法的正确性、优越性.     

基于小波分解的DIF-RBFNN超短期风速组合预测方法

提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应叠加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他三种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.     

基于压缩感知的图像水印算法研究

提出一种基于压缩感知和非采样Contourlet变换的数字图像水印算法.首先使用NSCT变换对载体图像进行稀疏分解,对低频系数矩阵进行Arnold置乱;然后采用高斯观测矩阵对系数矩阵进行压缩感知测量,在感知域(压缩信号)中进行水印嵌入;最后使用OMP算法恢复重组的低频矩阵信号,使用NSCT逆变换重构图像.算法中,测量矩阵同时充当了密钥的作用,增强了算法的安全性,此外Arnold变换也增强了水印的不可见性和安全性.仿真实验证明,所提算法对加噪、滤波、旋转具有较高的鲁棒性.     

基于BDD的Grover算法仿真

为了解决仿真量子计算过程中复杂性随量子比特数的增加呈指数级递增的问题,采用二项决策图(BDD)表示矩阵算子仿真Grover提出的量子搜索算法.BDD利用矩阵算子在量子计算过程中呈现出的结构化特性,可以高效地压缩存储空间并实现在压缩数据结构上直接进行矩阵的各种运算.利用改进的BDD实现了仿真过程需要的各种矩阵运算,用C++编写的程序对Grover算法的实例进行仿真,最后从多个角度对违反直观的实验结果进行了分析,阐述了量子算法的内在并行性.