基于滑窗递归广义特征分解的盲源分离方法

针对混迭矩阵发生突变的盲源分离（BSS）问题,提出一种基于二阶统计量的滑窗递归BSS方法。首先滑窗递归更新两个不同时延的自相关矩阵,然后结合幂迭代法和压缩处理在线计算矩阵束的广义特征向量以求得分离矩阵。与已有递归型盲源分离算法相比,该方法收敛速度快,追踪性能好,仿真结果验证了所提算法的有效性。     

应用预测最小二乘准则的AR模型判阶方法

本文通过多种AR模型的判阶准则的比较提出了应用最小二乘预测误差的滑窗预测最小二乘(Sliding Window Predictive Least Squares, SWPLS)判阶准则.采用这种准则的主要优点除了准确的判阶性能外,对于时变AR模型具有良好的跟踪特性,同时算法容易实现在线实时处理.文中主要对时变模型参数和时变模型阶数的多种情况进行了判阶模拟,验证了文中提出的滑窗最小二乘预测判阶准则的有效性.     

基于远场指标梯度的自学习波前控制模型

提出了基于远场指标梯度的自适应光学闭环控制模型,该模型使用递归最小二乘来稳定响应矩阵,通过远场指标的梯度信息快速自学习当前的系统状态。结果表明:该模型具有在线实时更新的特点,能够自适应H-S子孔径缺光或质心探测不理想的状态,可在一定程度上改善控制性能。     

基于混沌压缩感知的稀疏时变信号在线估计

混沌压缩感知是一种利用混沌系统实现非线性测量的压缩感知理论。针对稀疏时变信号的混沌压缩感知,该文提出稀疏时变信号的在线估计架构,构建一种递归最小二乘准则下的稀疏约束目标函数;通过利用迭代加权非线性最小二乘算法求解目标函数最小化问题,实现稀疏时变信号的参数估计。以Henon混沌系统为例仿真分析了频域时变稀疏信号的估计性能,数值模拟证明了该方法的有效性。     

基于自注意力的TCN-Transformer的电网单相故障检测方法

小电流接地系统单相故障选线问题是配电网电力系统故障中的一个重要问题.由于电力故障数据具有时间延续性,并且电力故障数据的数据长度过长,现有的研究工作不能有效区分具有时序性的单相接地故障电流的特征.针对这些问题,提出一种基于自注意力的TCN+Transformer混合神经网络模型(称为TTHNN-SA模型).由于电力故障数据的特征单一,使用小波变换分解和主成分分析(PCA)方法能增加样本数据的特征量.TTHNN-SA模型使用时间卷积网络(TCN)分别对原故障数据和对原故障数据使用小波变换分解后的数据进行卷积操作提取特征,使用Transformer对经过主成分分析方法处理后的样本数据进行特征提取.然后将三个模型提取的特征矩阵进行融合后输入到自注意力层,通过自注意力机制的矩阵计算给重要特征分配更高权重,并且能解决模型的长时依赖问题.最后将自注意力层的输出通过全局平均池化后使用softmax函数进行分类.TTHNN-SA模型能更全面的学习到不同波形故障之间的电流数据关系,TTHNN-SA模型对配电网单相故障的检测具有良好的效果.     

应用预测最小二乘准则的AR模型判阶方法

本文通过多种ＡＲ模型的判阶准则的比较提出了应用最小二乘预测误差的滑窗预测最小二乘（Ｓｌｉｄｉｎｇ Ｗｉｎｄｏｗ Ｐｒｅｄｉｃｔｉｖｅ Ｌｅａｓｔ Ｓｑｕａｒｅｓ，ＳＷＰＬＳ）判阶准则。采用这种准则的主要优点除了准确的判阶性能外，对于时变ＡＲ模型具有良好的跟踪特性，同时算法容易在线实时处理。文中主要对时变模型参数和时变模型阶数的多种情况进行了判阶模拟，验证了文中提出的滑窗最小二乘预测判阶准则的有效性     

MOADA-SVR：一种基于支持向量回归的多元在线异常检测方法

网络异常检测对于保证网络稳定高效运行极为重要。基于主成分分析的全网络异常检测方法虽然具有很好的检测性能,但无法满足在线检测的要求。为了解决此问题,引入流量矩阵模型,利用支持向量回归及其支持向量解的在线稀疏化方法建立流量的一种常态模型,提出了一种基于支持向量回归的多元在线异常检测算法MOADA-SVR。理论分析和因特网实测数据分析表明,该算法与主成分分析算法相比具有类似的检测效果,但具有更低的存储和计算开销。     

基于信道感知与监测的传感器网络传输参数自适应调整方法

针对预警系统中广域部署在偏远地区的传感器利用现有话音通信线路传输感知信息时,信道具有时变的特征,提出了一种基于信道感知与监测的传输参数自适应调整方法。该方法解决了连接线路在低信噪比下频繁掉线导致的传感器网络采集数据缺失与延时的问题。首先,在数据包传输期间,引入盲信噪比估计方法对信道质量进行感知,通过加权滑窗平均估计结果得到信道质量周期监测的观测值。然后根据卡尔曼滤波原理建立离散化的传输参数自适应调整模型,在保持链路连通状态下,根据信道质量优劣变化自适应地调整传输速率与功率。最后,实验表明,对于野外布设传感器网络的时变信道,该方法能有效保证信息传输的实时性与可靠性。      

自适应PCA稀疏基底的分布式视频压缩感知重构

为了提高分布式视频压缩感知(Distributed Video Compressive Sensing,DVCS)的率失真性能,提出利用自适应稀疏基底进行联合重构.算法利用帧间运动信息形成样本数据矩阵,再利用主成分分析(Principle Components Analysis,PCA)训练出其显著主成分构成稀疏字典,该稀疏字典不仅可根据视频时空统计特征自适应变化而且可有效地抑制噪声.仿真实验表明,该联合重构算法可有效地改善主客观视频重构质量,能够以一定的计算复杂度为代价提高DVCS系统的率失真性能.     

基于局部核RX算法的高光谱实时检测

提出了一种基于LKRX检测器的实时异常检测算法.利用局部因果滑动阵列窗,使检测系统保持因果性.根据卡尔曼滤波器的递归思想,利用Hermitian矩阵分块求逆引理和Woodbury引理,将LKRX算法中核协方差矩阵以及其逆矩阵以递归方式更新,避免了数据的重复计算和逆矩阵的求解,大大降低了算法复杂度.通过真实数据进行实验,结果表明,与LKRX算法相比,实时LKRX算法在保持相同检测精度的同时,消耗更少的计算时间;而与实时RX算法相比,实时LKRX算法能够检测到更多的异常目标.     

On-line adaptive principal component extraction algorithms using iteration approach

Two new on-line algorithms for adaptive principal component analysis (APCA) are proposed and discussed in order to solve the problem of on-line industrial process monitoring in this paper. Both the algorithms have the capability of extracting principal component eigenvectors on-line in a fixed size sliding data window with high dimensional input data. The first algorithm is based on the steepest gradient descent approach, which updates the covariance matrix with deflation transformation and on-line iteration. Based on neural networks, the second algorithm constructs the input data sequence with an on-line iteration method and trains the neural network in every data frame. The convergence of the two algorithms is then analyzed and the simulations are given to illustrate the effectiveness of the two algorithms. At last, the applications of the two algorithms are discussed.     

基于主成分分析的改进贝叶斯网络入侵检测研究

传统的贝叶斯网络入侵检测技术中,未考虑到入侵检测数据集中属性数量过多的问题,导致贝叶斯网络构造过程中计算量过大,严重影响了检测效率;传统的贝叶斯网络入侵检测技术,在检测的过程中也没有考虑到当前网络受到的攻击行为和安全状态,仅仅根据原始训练数据集生成的贝叶斯网络进行测试,对检测精度造成一定的影响。针对上述两个问题,提出结合主成分分析和滑动窗口的贝叶斯网络入侵检测技术,仿真实验表明,改进后的技术能够大大降低数据维数,提高运算效率和检测精度。     

针对滑动窗口算法的椭圆曲线密码故障分析

基于符号变换故障攻击原理,针对采用滑动窗口算法实现点乘运算的椭圆曲线密码,当故障位于倍点运算时,给出一种能够解决"零块失效"问题的改进故障分析方法,实验结果表明15次故障注入即可恢复192bit完整密钥;当故障位于加法运算时,提出一种新的故障分析方法,实验结果表明1次故障注入可将密钥搜索空间降低27~215。该方法对其他使用滑动窗口算法的密码算法故障攻击具有借鉴意义。     

基于鲁棒主成分分析的混沌穿墙成像雷达杂波抑制方法

针对混沌穿墙成像雷达的杂波抑制问题,提出一种基于鲁棒主成分分析的杂波抑制方法。该方法首先通过互相关计算得到原始数据,并利用后向投影法聚焦目标能量,提高数据的稀疏性,然后利用鲁棒主成分分析法对聚焦后的数据进行低秩稀疏矩阵分解,从而抑制杂波。实验结果表明,该方法得到的图像信杂比高达20.69 dB,能有效去除杂波干扰,并实现人体目标的精确定位。与传统方法相比,该方法能大幅度提高图像的信杂比,改善成像质量。     

基于CA-CMAC的快速传感器故障诊断方法

 针对动态系统的在线故障诊断问题,将信度分配小脑神经网络CA-CMAC(Credit Assigned Cerebellar Model Articulation Controller)应用于主元分析模型,实现多传感器在线故障检测与隔离.首先,应用传感器正常工作时测量的历史数据,由主元分析模型得到所有传感器的预测值;接着计算传感器系统的均方预期误差值SPE(Squared Prediction Error),由SPE值的变化,判定是否发生故障,根据重构单个传感器信号的SPE值来隔离故障传感器;最后应用一个多传感器故障诊断仿真实例说明了该算法的可行性,并通过与误差反传BP(Back Propagation)神经网络和常规小脑神经网络CMAC(Cerebellar Model Articulation Controller)进行比较,说明了基于CA-CMAC的主元分析模型的优越性.     

Development and application of a novel radial basis function sliding mode controller

Generally, physical systems have certain non-linear and time-varying behaviours and various uncertainties. It is difficult to establish an appropriate model for controller design. Adaptive and sliding mode control schemes have been employed to solve some of these problems under certain model-based conditions and limitations. Here a novel adaptive radial basis functions sliding mode control is proposed by combining the advantages of the adaptive, neural network and sliding mode control strategies without precise system model information. It has on-line learning ability to deal with the system time-varying and non-linear uncertainties by adjusting the control parameters. The proposed scheme is implemented on a three degree-of-freedom dynamic absorber system. Only five radial basis functions are required for this control system and their weightings can be established and updated continuously by on-line learning. The experimental results show that this intelligent control approach effectively suppresses the vibration amplitude of the main mass due to external disturbances.     

基于动态参数HMM的水声信号线谱轨迹提取方法

针对传统隐马尔可夫模型(HMM)方法提取时变线谱与多线谱的能力较弱以及动态规划过程计算量过大的问题,该文提出一种基于动态参数的1维隐马尔可夫模型(1D-HMM)的方法用于水声信号低频分析与记录(LOFAR)图中的线谱轨迹提取。该方法将时变频率状态建模为1阶马尔可夫过程,利用Viterbi算法循环提取多条线谱轨迹。在动态规划的迭代过程中,通过实时计算序列的1阶导数动态调整HMM中的状态转移概率矩阵,提升了对线谱轨迹的提取能力和多线谱的分辨能力;设计了一种基于动态滑动窗口的功率谱累积方法估计线谱的生灭,剔除虚假的线谱轨迹并判断线谱轨迹提取的结束。同时,该方法在实现过程中设计了对LOFAR图数据的块处理策略,大大减少了计算量。仿真和实际数据的处理结果表明,该方法在低信噪比条件下能够有效地检测和跟踪复杂时变频谱的频率状态,并有较好运行效率,为声呐设备的弱信号检测提供了良好的技术支持。     

基于稀疏表达的超像素跟踪算法

该文针对真实场景下视频跟踪过程中可能出现的目标形变、运动和遮挡等问题,该文分别构建了基于超像素局部信息的判别式模型和基于颜色与梯度全局信息的产生式模型,通过两者的结合提升了目标表观特征描述的可区分性和不变性;此外,提出一种基于稀疏主成分分析的更新策略,在更新特征字典的同时减少其冗余度,在判别式模型的更新阶段分别对每帧图像获得的跟踪结果进行二次判别从而避免漂移现象的发生。实验结果表明,与其它跟踪算法相比,该算法在应对目标姿态变化、背景干扰以及遮挡等复杂情况时具有更好的稳定性和鲁棒性。     

基于稀疏分量分析的振动信号源识别方法

振动传感器接收的信号往往包含不同部件的振动信号和环境噪声,为了从少量振动传感器的接收信号中识别信号源数和各频率分量,提出了一种基于稀疏分量分析的欠定盲源分离方法。该方法首先对混合信号进行时频变换,通过主成分分析提取各个时频点邻域的局部主成分,筛选出单源域特征数据。然后利用余弦距离改进聚类验证技术与模糊聚类算法,对振动源个数进行识别、对聚类参数进行更新,获得信号源数和混合矩阵估计。最后用一系列最小二乘法从混合信号对应的时频点中抽取出源信号。通过仿真实验和实测数据实验验证了本文方法的有效性和稳健性,相比经典时频比方法得到了更稳健、更精确的分离结果,这有助于对机械振动源进行识别和定量评估,以方便后续进行机械状态监测和减振降噪处理。      

A sliding window update for the basis matrix of the QRdecomposition

A method of updating the unitary basis matrix for QR decomposition by applying a sliding window to the input data is presented. The basis matrix update allows the recursive update to be applied to problems which require the tracking of a basis set, and the sliding-window feature gives this alternative update a superior nonstationary performance characteristic