一种快速的解盲源分离新算法

 针对盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的快速联合对角化算法(FJD).采用乘性迭代机制求解表征联合对角化近似程度的F-范数代价函数.对代价函数的合理近似及巧妙求解,是算法快速有效的核心原因.每步迭代得到的严格对角占优更新矩阵,保证联合对角化器严格可逆,防止收敛到平凡解.算法具有不需要预白化操作,不限定待对角化目标矩阵的正定性,并能处理复值数据等诸多优点,具有极广的适用性.详细的计算复杂度分析说明了算法的高效性及易操作性.仿真结果表明,FJD算法收敛速度快,性能良好,能有效地解决盲源分离问题.     

基于数据分解与重构的光伏发电功率超短期预测

为进一步提高光伏发电超短期预测的精度,以数据分解重构和深度学习技术为依托,提出一种基于 CEEMDAN-DBN-Seq2Seq 的光伏发电功率超短期预测方法。首先利用具有自适应噪声的完整经验模态分解算法( CEEMDAN )将原始发电数据分解成在时域内特征更加明显的模态函数序列,以提取发电序列在时间尺度上的特征;随后引入影响光伏出力的主要气象因素,利用深度信念网络( DBN )对重构后的高、低频分量和序列对序列( Seq2Seq )方法对残差分量进行预测。实验表明,所提模型在光伏发电预测研究中精确度更高。     

基于MobileNet-SSD的安全帽佩戴检测算法

针对真实场景下安全帽佩戴检测面临的背景复杂、干扰性强、待检测目标较小等问题,在SSD算法的基础上,提出改进的MobileNet-SSD算法。通过引入轻量型网络MobileNet并构建MobileNet-SSD算法提高检测速度,采用迁移学习策略克服模型训练困难问题。从施工相关视频中获取真实环境下的安全帽样本构建样本集,以解决当前安全帽数据集规模较小、网络难以充分拟合特征的问题。实验结果表明,MobileNet-SSD算法在损失很小精度的情况下,相较于SSD算法,检测速度提高了10.2倍。     

雷达高分辨距离像子带融合识别算法

针对雷达高分辨距离像（HRRP）目标识别问题,对目标回波进行子带划分,分别进行幂变换预处理获得子带距离像,通过实验证明HRRP不同频段的子带距离像均含有目标信息,可以从中提取特征信息用于目标识别。提出一种相关系数相加法子带融合识别算法,由于该方法充分利用了回波信息,因而能获得更好的识别性能,实验仿真验证了这一结论,分析表明算法具有计算复杂度低的优点,因此可实际应用于雷达自动目标识别。     

一种充分利用变量结构的解卷积 混合盲源分离新方法

 针对卷积混合盲源分离问题,提出一种基于接收信号不同延时下自相关矩阵组的联合块内对角化方法.为了求解表征联合块内对角化近似程度的基于最小二乘的三二次代价函数,给出基于梯度下降法的三迭代算法.该算法在充分利用混迭矩阵的块Toeplitz结构和源信号相关矩阵的块内对角化结构的基础上,交替估计代价函数中的三组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现信道的盲均衡和源信号的盲分离.分析了三迭代算法的收敛性能,证明即使存在估计误差时,该算法依然全局渐进收敛.仿真结果表明,与其他经典的两步算法相比,提出的一步算法能够更好地估计混迭矩阵并恢复出源信号,有效地解决了卷积混合盲源分离问题.     

具有间歇性观测的无线传感器网络分布式容错目标跟踪

针对具有随机间歇性观测的无线传感器网络, 基于多模型估计方法和一致性信息滤波器, 提出一种对观测节点故障容错的自适应分布式目标跟踪方法. 将传感器节点随机间歇性观测丢失和到达过程建模为马尔科夫切换系统, 在容积信息滤波器框架下, 估计传感器节点的观测丢失和到达的后验概率. 通过观测状态概率组合计算每个局部传感器节点的信息贡献, 基于自适应多模型估计方法, 实现对间歇性观测的容错性. 仿真结果表明了所提出算法的有效性和对间歇性观测的自适应容错性.

     

基于两级筛选机制及深度学习组合模型实现短时交通流预测

准确实时的短时交通流预测对现代交通管理服务体系的构建至关重要.为了充分挖掘并利用不同路段短时交通流交互作用而表现出的时空特性,构建由自相关函数、互相关函数和KNN算法组成的两级筛选机制评估与目标路段的相关性优化路段组合,实现空间信息深度挖掘;提出一种GCN-GRU组合预测模型,利用图卷积网络(GCN)全局处理路段拓扑信息的优势进一步捕捉短时交通流的空间特性,并借助门控循环单元(GRU)对时间信息的长时记忆能力提取其时间特性.利用实测高速公路短时交通流数据进行验证,仿真结果表明,采用两级筛选机制对路段进行有效筛选并引入深度学习组合模型,预测性能明显改善,优于堆栈式自编码网络(SAEs)和GRU等经典模型.     

非正交联合对角化盲源分离算法

提出一种表征联合对角化近似程度的代价函数,给出优化该代价函数的非正交联合对角化算法．该代价函数对经典的最小二乘代价函数进行了改进,使原算法中关于混迭矩阵的四次函数转化为3组待定参数的二次函数．因此,可通过基于梯度下降法的迭代算法交替估计3组待定参数,搜索代价函数最小点,从而得到混迭矩阵的估计,实现盲源分离．分析了算法的收敛性能,证明存在估计误差时,该算法依然全局渐进收敛．仿真结果表明,与经典的非正交联合对角化(ACDC)算法相比,该算法收敛所需计算时间仅为ACDC的一半,而全局拒噪水平改善了6dB,可有效地解决瞬时盲源分离问题．     

基于多步分解算法的解盲源分离新方法

在利用二阶统计量实现盲源分离问题中,混迭矩阵经过白化以后转变成了酉矩阵。针对酉矩阵各列之间相互正交的特性,提出一种关于酉矩阵某一列的最小二乘对称代价函数。通过基于梯度下降法的三迭代算法,交替估计三二次代价函数中的各组待定参数,搜索代价函数最小点,从而得到对应能量最大信号源的酉矩阵的一列。利用系统化的多步分解算法（MSA）,依次估计酉矩阵的一列,最终得到整个酉矩阵的估计。仿真结果表明,与经典的通过连续Givens旋转求酉矩阵的SOBI算法相比,该算法全局拒噪水平至少改善了9 dB,而所需计算时间仅为SOBI的二分之一,更有效地解决了盲源分离问题。