基于双路奇异值分解的信号降噪方法

针对常规奇异值分解对强噪声抑制效果不佳的问题,提出了一种基于双路奇异值分解的信号降噪方法。首先采用奇异熵定阶的方法对高阶噪声进行预处理,然后从双路奇异向量的相关性出发确定低阶噪声奇异向量的位置,最后将剩余的奇异值与奇异向量重构得到优化估计的降噪信号。仿真实验表明：双路SVD相比常规SVD的降噪方法在低信噪比、白噪声的环境下信噪比增益提升4.07 dB,与纯净信号波形相关系数增量提升0.11。以一段受到座舱噪声污染的语音信号为实验对象,文中方法与双通道自适应噪声抵消的降噪方法对比,信噪比增益提升4.83 dB,运算耗时缩短1.5 s。此外,文中方法不受噪声类型的限制,对于有色噪声和单频干扰甚至混合噪声同样具有良好的适应性,有广泛的应用前景。     

弱电网下模型预测并网逆变器控制策略

针对有限控制集模型预测控制系统在弱电网并网时存在电网阻抗无法忽略、电网电压突变、系统有延时、电流跟踪精度低的问题,提出了利用参考电流矢量角补偿的方法加以开关权重系数约束方式。首先搭建传统三相并网逆变器有限控制集模型预测电流控制模型;其次运用参考电流矢量角补偿方法,对预测电流参考值存在误差进行补偿来弥补因电网阻抗与系统电流波动产生的误差,并加入开关函数优化权重系数,使得系统具备两目标兼顾优化的特点,同时在电网电压发生突变时,系统符合并网要求,动态电流跟踪精度准确;最后通过Matlab/Simulink仿真验证了方法的合理性以及有效性。     

一种深度自编码器面部表情识别新方法

为解决面部表情特征维度高的问题,该文提出了一种基于深度学习自编码器的表情识别新方法,该方法利用深度自编码器在多层隐层上进行特征选择,能够在较低维度上表示高维度的面部特征.首先采用定向梯度直方图从面部表情的选定区域提取特征,然后在多个层面上使用深度自编码器,得到最优编码特征,降低特征维度,最后使用支持向量机模型对降维特征进行分类.实验表明,与其他现有特征选择和降维技术相比,该文方法提取的特征优于其他特征,并能够有效实现面部表情识别.     

基于灰度图像二维Gabor滤波的目标识别

提出了一种基于灰度图像的Gabor滤波器识别方法.该方法首先采用Gabor小波滤波器组处理灰度目标图像,并在此基础上采用主元分析法(PCA)提取图像特征,然后结合支持向量(SVM)方法将区域内图像匹配问题转化为分类问题来识别目标物体.仿真实验结果表明,该算法能使移动机器人达到92%以上的识别率,并可满足约8 fps的实时图像处理要求.     

Banach空间中集值隐函数的类Lipschitz性质及其应用

利用变分分析和广义微分的相关工具,在Banach空间中研究集值隐函数的稳定性,给出集值隐函数在给定点具有类Lipschitz性质的Clarke上导数充分条件.作为应用,讨论参数向量优化问题有效解映射的稳定性,给出有效解映射在给定点具有类Lipschitz性质的Clarke上导数充分条件.所得结果改进了相关文献中的结果.     

向量优化中广义E-Benson真有效解的代数性质

利用代数内部和代数闭包等工具,在适当的广义凸性条件下研究了集值向量优化问题广义E-Benson真有效解的一些代数性质,建立了广义E-Benson真有效解的线性标量化结果、拉格朗日乘子定理和鞍点定理.     

松弛模系矩阵分裂迭代法求解一类非线性互补问题

考虑松弛模系矩阵分裂迭代法求解一类非线性互补问题,理论分析给出了当系数矩阵为H_+-矩阵时迭代法的收敛性和松弛参数的选取方法.数值实验表明,松弛模系矩阵分裂迭代法在迭代步数和迭代时间上均优于模系矩阵分裂迭代法.     

改进的固定交通检测器缺失数据综合修复方法

基于检测器数据的时空相关性,为缺失数据修复模型动态地选择解释变量,在综合考虑检测器数据的周期性趋势和实时变化特性的基础上,提出了一种改进的缺失数据修复方法.对上海市南北高架的线圈流量数据进行数据修复精度测试.结果表明,相较于传统的支持向量回归(SVR)模型,该方法在3个测试检测器上的数据修复平均绝对误差分别减小了3.80%、3.40%、25.23%,并且在数据连续缺失1～10个时平均绝对百分比误差均低于6%.     

基于K均值和支持向量机的燃料电池在线自适应故障诊断

基于K均值(K-means)和支持向量机(support vector machine, SVM)算法,提出了一种车用燃料电池系统(fuel cell system, FCS)在线自适应故障诊断方法.该方法通过不断获取系统最新单体电压,采用K-means算法改进传统的静态SVM分类器模型,对实时获取的信息进行聚类,实现分类器的在线自适应调节.采用已发表文献中的实验数据进行了相关的验证分析,结果表明,提出的方法能有效地在线调节故障分类器,实现FCS系统特性发生改变后的故障检测.     

2类凸函数的Hermite-Hadamard-Fejér型不等式

介绍了一种已有的建立第1个Hermite-Hadamard-Fejér型不等式的方法,并以建立GA-凸函数的第1个Hermite-Hadamard型不等式为例来说明这种方法.使用该方法建立了2类凸函数的第1个Hermite-Hadamard-Fejér型不等式,作为特例,得到η-凸函数和广义几何凸函数的第1个Hermite-Hadamard-Fejér型不等式.