一种基于SVD的改进LTS气动数据异常检测方法

用稳健的最小截平方和(LTS)估计检测气动数据中的异常,但气动数据是海量和高维的,使得LTS要求解的矩阵维数很大,造成巨大的时空开销.为此,引入迭代的奇异值分解(ISVD)求解LTS的最小二乘问题,实现更快的异常检测.实证分析采用某飞行器外形数据,分别运用OLS,FastLTS以及ISVD-FastLTS对数据集进行异常检测和对比分析.实验证明,相比于传统方法,ISVD-FastLTS能更加快速且准确地识别异常值.     

地面驱动螺杆泵井故障诊断方法

为提高地面驱动螺杆泵井的故障诊断效率,提出了一种将小波包与概率神经网络相结合的故障诊断方法.运用小波包技术提取有功功率信号的能量特征,与动液面、瞬时流量、井口回压共同作为特征参数,输入到概率神经网络进行故障诊断.为证明所提诊断方法的优越性,与BP神经网络、径向基神经网络进行对比,结果表明所提方法诊断效率更高、速度更快,更加满足故障诊断实时性的要求;故障诊断实例结果也进一步证明了该方法在地面驱动螺杆泵井故障诊断的可行性.     

瞬变电磁井间勘探的全空间几何因子

井间是剩余油的主要分布区域,为探测井间剩余油,提高采收率,提出了基于全空间几何因子的瞬变电磁井间勘探方法。在本井使用线圈发射、邻井使用线圈接收,根据瞬变电磁场理论,在阶跃信号的激励下发射线圈在地层中激发出沿圆周方向的闭合瞬变电场,该电场在导电地层中产生与地层电导率呈正比的涡流。由Doll地层环模型可知,地层中的涡流在空间任意点激发得到与地层电导率成正比的二次场响应信号(有用信号),并可表示为空间各点电导率的加权平均值,其权重即为井间瞬变电磁勘探的全空间几何因子;全空间几何因子集中分布在发射线圈和接收线圈附近,其它区域分布较少,在发射线圈和接收线圈两侧呈现不同的极性;对瞬变电磁响应与地层电导率、井间距和源距的变化规律研究可知,瞬变电磁井间勘探有用信号随着地层电导率的增大而增大,随着井间距的增加单调减小,在发射线圈和接收线圈处于同一深度时该响应信号幅度最大。     

具有函数尺度因子的有理分形曲线

带有常数尺度因子的分形插值,是描述具有明显自相似事物的一个有效工具,然而,它却难以精确地刻画自相似较弱的不规则数据.为此,提出一种具有函数尺度因子的有理样条分形插值方法.首先,在迭代函数系统中引入函数尺度因子,构造了一种仅仅基于函数值的带有形状参数的有理分形插值曲线;然后讨论了分形曲线的分析性质,包括分形曲线在尺度因子满足适当条件下的光滑性、分形曲线对插值数据扰动的稳定性以及分形插值函数的收敛性;最后,研究了分形曲线的计盒维数,给出了计盒维数的上下界.数值算例验证了该分形曲线造型的可控性和对噪声的鲁棒性;对海岸线数据插值时,该方法相比B样条、Bézier曲线和三次样条能更好地还原海岸线的粗糙程度;处理股票时序数据时,相比ARIMA和SVM方法,在RMSE等多项指标下更优.     

基于SAOR的Massive MIMO系统信号检测算法

大规模多输入多输出(Massive multiple input multiple output, Massive MIMO)系统采用最小均方误差(Minimum mean square error, MMSE)接收检测方法时存在矩阵求逆复杂度高的问题，已有较多降低复杂度的研究。在降低检测算法复杂度的同时，如何提高算法收敛速度和检测性能一直是人们关注的焦点。本文将对称加速超松弛(Symmetric accelerated over-relaxation， SAOR)迭代算法应用于Massive MIMO系统信号检测中，避免了复杂的矩阵求逆计算，实现了复杂度较最小均方误差算法降低了一个数量级。仿真结果表明，基于SAOR的检测方法通过较少的迭代次数就能逼近最小均方误差（Minimum mean square error, MMSE）算法的检测性能，为Massive MIMO系统中接收信号的快速检测提供了较好的实现方法。     

基于LBSN动态异构网络的时间感知兴趣点推荐

随着基于位置社交网络(Location-Based Social Network,LBSN)的快速发展,兴趣点(Point-Of-Interest,POI)推荐可以帮助人们发现有趣的并吸引人的位置。针对签到数据的稀疏性和用户兴趣的动态性等挑战性问题,提出了基于LBSN动态异构网络的时间感知兴趣点推荐算法。在LBSN异构网络模式中增加会话节点类型。通过动态元路径,在用户和兴趣点语义关系之间有效地融入时间信息、位置信息和社交信息等。设置了用户-兴趣点之间的动态元路径集,并提出了动态路径实例的偏好度计算方法。采用矩阵分解模型对不同动态偏好矩阵进行矩阵分解。根据不同动态元路径的用户特征矩阵和兴趣点特征矩阵,获取用户在目标时间访问兴趣点的推荐列表。实验结果表明,与其他兴趣点推荐方法相比,所提方法在兴趣点推荐精确度上取得了较好的推荐结果,具有良好的应用前景。