基于压缩感知的贮运信息动态获取方法EI北大核心CSCD

文物、石油等高价值物质的贮运安全问题越来越突出,然而由于贮运过程复杂、监测时间长、不同阶段监测策略复杂,导致目前没有可行的贮运全程监测方法。针对这一问题,提出一种基于压缩感知的贮运全程动态获取方法。该方法充分利用贮运信号稀疏性,提出随机节点布设和随机时间采样方法,解决了贮运监测过程大数据、低功耗的难题。依据该方法研制了集贮运环境监测与物流管理于一体的"智能条形码","智能条形码"的功耗水平降至500μA以下,体积小于60×80×10 mm3。试验表明,基于压缩感知的贮运信息动态获取方法在不降低监测分辨率的情况下显著减少了布设数量,降低系统功耗,并且数据重构误差在9.2%以内。     

PDP子场数据自适应优化低功耗寻址方法

为降低等离子体显示器(PDP)的寻址功耗,在分析PDP寻址功耗和图像信息在各子场分布特征的基础上,根据人眼视觉在不同背景亮度下对图像信息感知能力不同的特点,提出了子场数据自适应优化低功耗寻址方法.该方法在图像质量变化不影响视觉感知的情况下,根据图像寻址功耗的预设目标和实际值,自适应选择寻址功耗的优化级别,通过减少低权重子场数据变化率来降低PDP寻址功耗.该方法仅需对寻址数据的算法进行优化,无需改动硬件和驱动波形,在50英寸WXGA单扫PDP模组上对IEC标准动态视频的寻址功耗进行测试,结果表明,该方法可使IEC标准动态视频的寻址功耗平均降低8.17％,最大降低25.8W.     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

基于测量不确定度分析检测过程中关键控制点

目的 为准确表征果蔬气调保鲜环境参数,提高多点多源信息的智能感知能力,实现环境精准调控。方法 设计集温度、相对湿度、氧气和二氧化碳浓度监测为一体的保鲜环境信息感知的无线透传单元,利用监测存储的历史数据,基于动态自适应预测模型修正休眠时长,延长无线透传单元的续航时间。构建基于Zigbee的无线网络,采用基于时空序列融合算法的数据融合,搭建气调保鲜环境调控试验平台,以土豆为试验物料开展保鲜试验。结果 试验表明,基于递推估计理论的温度全局融合值反馈迅速,自适应调控特性更强,能准确地表征试验厢体的温度均匀性分布。结论 以该信息感知系统表征环境参数,并作为系统输入,可实现保鲜环境参数的精准调控,降低能耗。     

基于压缩感知的高动态范围混合信号采样方法研究

为能够有效获取高动态范围混合信号的弱信号,提出一种基于压缩感知的信号采样方法。通过弱信号与预估值之间的最小均方差得到一种新的感知矩阵,该感知矩阵可以在抑制强信号的同时保留弱信号;利用相干分析法验证该矩阵满足约束等距性条件,并对噪声误差进行分析。实验结果表明:该方法可实现高动态范围混合信号的弱信号的采样与重构。     

压缩感知结合卷积网络的天然气管道泄漏孔径识别EI北大核心CSCD

针对传统天然气管道泄漏孔径检测面临的原始数据冗余性大、特征选取主观依赖性强以及复杂环境下识别准确率低等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取全部泄漏信息;然后构建深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别;还对主要参数的影响进行了深入的分析。实验结果表明,该方法能够快速、准确地实现天然气管道泄漏孔径识别,且在低信噪比环境下具有较好的鲁棒性,总体识别效果优于传统的分类方法。     

采用BP神经网络优化的振动信号压缩感知方法

无线传感网络逐渐应用于结构健康监测,但是因能耗问题难以实现长期、高频的数据采集工作。压缩感知技术可利用少量的采样点重构原始信号,有望降低无线传感网络的能耗。实测振动信号因受到噪声干扰而导致稀疏性有限,常用于压缩感知的LASSO算法难以精确求解稀疏系数,进而影响振动信号重构效果。引入BP神经网络优化LASSO算法解得的稀疏系数,BP神经网络经ADAM优化算法训练后,可有效提升振动信号重构精度。用三层框架结构的模拟加速度数据和广州塔的监测加速度数据验证方法的有效性,并探讨了正则化参数和优化迭代次数的影响。结果表明,基于BP神经网络优化的压缩感知方法的信号重构效果在不同压缩率下均优于非优化的压缩感知方法。     

无线传感网络中大数据量压缩感知编解码算法

针对无线传感网络传输数据的冗余性问题,提出了一种逐级压缩感知编解码算法。该压缩算法将原始信号按照相同或不同字典的稀疏性进行信号逐级分解,并利用伯努利观察矩阵对分解后的信号进行压缩编码,在压缩过程中生成字典掩模。压缩后的信号和掩模回传至终端。终端根据编码信息、稀疏字典、字典掩模对数据进行逐级恢复。该数据压缩方法较传统的编码压缩技术具有更强的鲁棒性,对丢包不敏感;较原压缩感知算法,节省无线网络的传输带宽,提高数据信息获取的实时性。     

基于深度压缩感知的语音增强模型

随着压缩感知的深入研究,压缩感知在语音增强方面的应用也备受关注。针对传统压缩感知语音增强算法中存在的不足,将压缩感知与深度学习结合构建名为基于深度压缩感知的语音增强模型（Speech Enhancement based on Deep Compressed Sensing,SEDCS）。基于压缩感知原理使用编解码模型代替压缩感知中语音信号稀疏过程,使用卷积神经网络代替测量矩阵实现语音信号观测降维过程,通过联合训练的方式实现语音增强。实验结果表明：该模型能够完成语音增强任务,并且与现有的压缩感知语音增强算法相比,该模型能取得较好的语音增强效果;相比利用深度学习的语音增强算法,该模型虽性能一般,但在模型泛化性能和测试阶段的增强时间效率上有一定提升。     

基于逆向工程的三维测量技术的研究

本文提出一种基于逆向工程技术的复杂曲面产品快速制造技术,主要通过3D激光扫瞄测量设备获取曲面数据,根据曲面特征对测量数据进行除噪、压缩、规则化处理,利用曲面型值点直接作成NC刀路。该方法有效避免了繁杂的曲面重构过程,提高了复杂曲面产品制造的效率。     

基于改进SL0算法的MSFA模式多光谱图像去马赛克方法

针对MSFA模式多光谱图像去马赛克算法精度较低和计算复杂等缺点,利用压缩感知理论在信号恢复方面的优势,提出一种新的光谱图像去马赛克算法。采用随机模式的多光谱滤波阵列MSFA获得马赛克图像,通过将MSFA采样值等效为压缩感知理论中的感知矩阵采样所得数据,将去马赛克问题转化为压缩感知稀疏信号恢复问题,并利用多光谱图像的谱间相关性,给出基于压缩感知框架的多光谱图像去马赛克模型,最后采用改进的光滑0范数算法求解去马赛克问题,得到重构的多光谱图像。客观评价指标显示,该算法的峰值信噪比值相较于克罗内克压缩感知和组稀疏两种算法有明显提高;主观评价结果表明,该算法能有效减少重构图像中的锯齿现象,具有更好的视觉效果。     

基于稀疏编码的振动信号特征提取算法与实验研究

针对海量冗余数据中设备状态信息特征提取问题,借鉴生物感知系统"冗余度压缩"的信息处理原则,基于神经科学研究中的稀疏编码算法,提出了连续长时间采样时振动信号有效特征提取方法。介绍了稀疏编码算法及其模型,详细研究了稀疏编码的系数求解和字典学习两大问题。基于人工轴承故障数据集进行了实验研究,实验表明:基于稀疏编码的振动信号特征提取算法不仅能有效提取设备状态特征,而且稀疏特征具有良好的可分性。该方法可用于设备故障诊断,为基于状态的设备智能维护提供有效工具。     

复杂环境下基于目标指引的RRT*路径规划算法

机器人路径规划算法需应对运动过程中遇到的各种复杂环境。针对快速扩展随机树(RRT)算法规划时间长、产生新节点随机性大、盲目性强的缺点,提出基于目标指引的RRT*路径规划算法。该算法在障碍物和目标点处分别产生虚拟势场,引入引力函数和斥力函数使得生成的随机点具有目标性,随机点朝向目标点方向产生,降低盲目性和随机性;回归策略和动态自适应步长策略减少规划时间和产生冗余点的数量。当环境复杂时,提出带有预测机制的模糊推理策略,以解决机器人在U型陷阱下易产生的局部死锁现象。在动态环境下,提出重规划策略使机器人拥有动态避障能力。最后,在树莓派智能小车上进行了实验测试,结果验证了该算法的有效性。     

时钟同步在煤矿人员定位系统中的应用

传感器网络是一项面向应用的技术科学,由于在危险、复杂的环境,传感器网络能够智能组网、传输数据,越来越受到人们的重视,其中一个典型的应用是在煤矿管理中,本文针对传感节点能量有限,采用良好的退避机制和时钟同步技术,有限降低节点功耗。该系统的核心技术有：（1）基于zigbee技术自组网络方法,（2）基于RSSI的定位系统方法;（3）通过使用退避机制及时间同步技术有效减少节点碰撞,有效降低了节点功耗,延长使用寿命。系统设备组成为有线／无线基站,人员定位设备节点。     

基于可信数据或门融合的合作压缩频谱感知算法

针对认知无线电(cognitive ratio,CR)中的频谱感知问题,提出一种基于可信数据或门融合的合作压缩频谱感知(reliable-OR rule data fusion cooperative compressed spectrum sensing,RFCSS)算法。首先,次级用户(secondary user,SU)利用压缩理论,获取低维观测数据,再利用基追踪去噪(basis pursuit denoising,BPDN)重构频谱,进而作出感知结果。然后,对SU的感知结果进行可信度估计,只有可信的感知结果的用户,才可向融合中心发送数据。融合中心依据所接收的数据,采用或门准则,作出最终的感知结果。仿真结表明,提出的算法能够降低系统复杂度以及提高感知结果的准确性。     

面向桥梁结构健康监测的压缩感知动力响应信号重构

为了解决桥梁结构健康监测中采集海量数据带来数据传输和存储成本大的问题,引入压缩感知理论,优化常规观测矩阵,以增加观测矩阵和稀疏基的不相关性,用少量的动力响应信号采样数据恢复较为准确的原始信号。用吉安大桥的现场环境振动试验数据验证了基于压缩感知的桥梁动力响应重构方法的可行性和有效性。研究结果包括：压缩感知重构信号在时域里与原始信号吻合良好,当压缩比在 20% 以上时,重构信号相对误差在 10% 以下,优化观测矩阵重构的信号精度高于初始观测矩阵重构的信号,尤其是在低压缩比情况下,有利于减少数据的采集量;观测矩阵优化后重构信号的频谱与原始信号的频谱更加吻合,频谱出现的几个峰值均能准确对应,相比之下,初始观测矩阵重构信号的频谱出现较多峰值的误判,且有些峰值未能识别;观测矩阵优化方法可以适用于随机高斯矩阵、伯努利矩阵和稀疏随机矩阵,具有较广泛的适用范围。研究结果表明基于压缩感知的桥梁结构动力响应信号重构方法是实现用少量采样数据恢复较为准确的原始信号的有效方法。     

基于多智能体的城市交通仿真研究

多智能体模型是一种研究社会、经济、生态等复杂系统的动态研究方法,交通系统是一个具有随机性、动态性和自适应性等特征的开放的复杂系统。因此以多Agent技术为手段结合交通系统的组成和复杂性特征,利用基于Agent的计算机仿真通过模拟交通系统中个体的行为,可以让一群这样的个体在计算机所营造的虚拟环境下进行相互作用并演化,自下而上的"涌现"出整体系统的复杂性行为。借助Netlogo软件平台,利用Traffic Grid模型仿真研究了有人参与的交通仿真实验,获取了随着时间变化的车辆平均速度、平均等待时间等数据,根据其变化曲线为建设低碳交通和智能交通系统(ITS)提供决策。     

基于GAN样本生成技术的智能诊断方法

基于数据驱动的设备故障智能诊断方法是监测设备健康状况的重要手段,然而实际应用中,难以获取到足量有效的故障数据训练智能诊断模型。鉴于设备健康状态数据充足和现有智能诊断方法故障机理利用不足,提出基于生成对抗网络(GAN)样本生成技术的智能诊断方法。健康状态数据反映了设备个性特征,故障机理反映了设备共性特征,基于两种特征融合,得到故障数据样本,通过对深度卷积神经网络的训练为设备个体构建个性化的智能诊断模型。采用来自CWRU轴承数据和实验台模拟故障数据进行的实验结果表明,该方法相比现有智能诊断方法无需真实故障样本,在变负载条件下实现了很高的诊断准确率,具有较好的变工况迁移能力。     

基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。     

高斯随机测量矩阵的研究

只要信号是可压缩的或在某个变换域是稀疏的,压缩感知理论便可在信号采样的同时对其进行高效的压缩,该理论中选择合适的测量矩阵对信号的获取和重建精度起着关键作用。文章通过阈值处理的方法在高斯随机测量矩阵中引入零元,形成一定稀疏结构的高斯随机测量矩阵,使得非零元个数减少到原高斯矩阵的1/2~1/16,甚至更少,有利于数据的存储和传输。仿真实验表明,优化后的测量矩阵不仅保证了信息原有的重建效果,而且降低了程序运行时间,使得信息的重建速度加快。