不确定分数阶奇异系统鲁棒控制及稳定性分析

针对不确定线性分数阶奇异系统的鲁棒稳定性问题, 将连续频率分布等价模型引入分数阶奇异系统中, 应用间接李亚普诺夫方法, 设计了一个 PD(Proportional-Derivative) 控制器, 将奇异系统正常化, 给出了阶次在 0<α<1 范围内分数阶奇异系统全新的鲁棒渐近稳定的充分条件。 利用 Matlab 的 LMI(Linear Matrix Inequalities) 工具箱及矩阵的奇异值分解(SVD: Singular Value Decomposition)求解控制器的增益, 用仿真算例及数据验证该 方法的有效性。     

基于双边迭代奇异值分解的递推子空间辨识方法

引入双边迭代奇异值分解算法，通过一系列的QR分解，用两个矩阵分别逼近奇异值分解的主要左、右奇异向量，用一个三角矩阵逐渐逼近主要的特征值，从而取代了原始MOESP子空间辨识算法中的奇异值分解步骤。通过用一系列Givens变换来实现QR分解的数据更新，实现了此类子空间方法的在线递推辨识。仿真表明，该方法可以有效地对系统的极点进行跟踪。     

一种非线性非平稳时间序列预测建模方法

提出了一种基于经验模式分解和支持向量回归的非线性、非平稳时间序列预测建模方法.首先,针对时间序列的非平稳特征,通过经验模式分解将其分解为若干个本征模式分量,使其中每个分量均成为平稳序列;其次,对每个本征模式分量,基于支持向量回归建立相应的平稳时间序列预测模型;最后,再一次利用支持向量回归对这些预测模型进行非线性组合,得到非线性、非平稳时间序列的预测模型.仿真实验和工程应用均表明,所提的预测建模方法与传统的基于支持向量回归的建模方法相比,具有较高的精度,说明该方法对于非线性、非平稳时间序列的预测是有效的.     

基于谱正则化算法的大数据矩阵完备化研究

矩阵完备化是基于部分观测数据来完成全部矩阵预测的问题.随着互联网技术的发展,大数据时代的来临,大数据矩阵中大多数据依然是空白的,需要补充,即大数据存在矩阵完备化的问题.本文利用谱正则化模型和算法来解决大数据的矩阵完备化问题,该方法将矩阵完备化问题整理成核范数最小二乘问题,再通过截断奇异值分解、软输入算法和硬输入算法给出了一系列正则化低秩解.最后基于实际的Netflix 大数据的实验结果证明了本文的方法.     

一种非负矩阵分解的快速稀疏算法

提出了一种非负矩阵分解的快速稀疏算法,该算法有利于处理高维小样本数据.在非负矩阵分解的过程中,通过代数变换,将原高维n×m阶的非负矩阵分解转化成低维m×m阶非负矩阵分解,大大提高了分解速度.在目标函数中加入了约束稀松度的项,通过控制稀松度,提高分解得到的潜在语义信息,改进文档集的话题划分,并能快速提取主题相关的语句生成文摘.     

基于经验模式分解的音频带宽扩展算法

音频带宽扩展是现代音频编解码器的重要组成模块,它可以大幅降低编码码率。现有方法大多将低频复制到高频,然后利用少量高频参数进行调整得到重建的高频信号。这种复制方法假设高低频信号间具有相关性;但是,当这种相关性变弱时,编码质量急剧下降。为解决该问题,提出一种经验模式分解的方法重建高频信号。首先对高频和低频激励信号进行经验模式分解,然后选择与高频模式分量相关度较大的低频模式分量作为高频重建中的源信号。在得到高频重建的源信号后,再利用模式分量能量进行调整;最后通过源滤波器模型合成高频信号。实验结果表明,该方法与3GPP WB+和AVS P10编码标准中的带宽扩展算法相比,编码质量得到了明显提升;与最新的3GPP EVS中的时域带宽扩展算法相比,主观音质相当,码率下降33.3%。     

行(列)对称矩阵的LDU分解与Cholesky分解

提出行(列)转置矩阵与行(列)对称矩阵的概念,研究它们的性质,获得一些新的结果.给出行(列)对称矩阵的LDU分解、Cholesky分解和三对角分解公式,可极大地减少行(列)对称矩阵的LDU分解、Cholesky分解和三对角分解的计算量与存储量,而且不会丧失数值精度.     

基于EEMD的中国地区1956—2005年日照变化的趋势分析

根据国家气象信息中心给出的逐日日照时数资料,利用集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法,得到中国地区日照时数的非线性趋势变化特征.对各气象台站日照时数的非线性变化趋势类型做了分类以及分区域和季节研究,并与线性趋势进行对比.结果表明:近50年来中国地区绝大部分气象台站(占总气象台站数的67.5%)日照时数呈现下降的趋势,尤其是在中国南部和东北地区,呈现明显的区域特征和季节特征.日照时数的年代际变化整体上在1980年前后出现气候转型,即呈现前期日照较长、后期较短的气候形态     

基于VMD改进算法的气体管道泄漏检测

为提取气体管道声波信号中的泄漏成分并进行重构,提出一种结合VMD( VMD: Variational Mode Decomposition) 和误差能量算法的特征提取方法。该方法首先利用油气管道泄漏检测系统模拟气体管道的微小泄漏,并采集泄漏声波信号; 然后利用VMD 算法将采集到的泄漏声波信号分解为一系列带宽受限的固有模态;随后,使用误差能量算法选择有效模态; 最后,利用有效模态进行信号重构。通过仿真分析发现,该改进算法可以提取有效模态,利用该方法处理气体管道微小泄漏声波信号,能有效滤除噪声并重构原始信号。     

结合FDA与NMF的高光谱数据解混方法

高光谱图像解混是遥感图像处理的重要技术之一．利用非负矩阵分解（NMF）进行高光谱图像解混是近年来发展起来的一种方法．这种解混方法假设光谱具有稳定的光谱特性;但实际上光谱经常是多变的,这个现象影响着解混的精度．为了减小这一影响,首先利用Fisher判别分析（FDA）对高光谱数据进行线性变换,而后利用变换后的高光谱数据提出了一种FDA与NMF相结合的高光谱数据解混方法．实验表明新方法能够有效地提高解混精度与效率．