多核相关向量机优化模型的锂电池剩余寿命预测方法

基于相关向量机的剩余寿命预测方法,核函数是影响相关向量机模型预测性能的重要因素.目前的相关向量机预测模型以单核为主,且核函数的选择存在较大主观性,导致所构建的预测模型性能有限.本文提出一种融合多个核函数构建相关向量机预测模型的方法,通过果蝇算法优化多个核函数优化组合的线性方程系数,提高了模型的预测性能,并将该方法应用于预测锂离子电池的循环剩余寿命.分别采用美国NASA和马里兰大学的电池退化数据集,对本文的方法进行了实验验证.实验结果表明：多核相关向量机预测方法的平均绝对误差和均方根误差都小于最优的单核相关向量机预测方法.     

基于回声状态网络的时间序列预测方法研究

针对回声状态网络(Echo State Networks,ESNs)输入序列延迟时间(和嵌入维数D的选择以及储备池的适应性问题,利用自相关性分析法从被预测样本序列构建ESNs网络输入,并通过移动通信话务量的预测问题,采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比,新方法在保证预测精度和效率的情况下,具有更好的泛化能力.     

采用加速减量策略的快速在线支持向量回归算法

针对在线支持向量同归(online support vector regression,online SVR)算法进行复杂时间序列精确预测时效率较低的问题,提出一种改进减量训练策略的快速预测方法,通过对非支持向量样本的采样选择,采取加速减量训练实现对在线训练数据集规模的缩减,从而达到快速在线训练和预测的目的.将该算法应用于黑龙江移动通信话务量数据的预测中,实验结果表明,在保持Online SVR预测精度的条件下,算法执行效率得到大幅提高.     

基于子空间的块稀疏信号压缩感知重构算法

块稀疏信号是一种典型的具有特殊结构的稀疏信号,在压缩感知问题中,针对块稀疏信号的特点,提出了一种基于子空间的块稀疏信号压缩感知重构算法.该算法每次迭代找到整个信号支撑块的估计,包含正确信号支撑块所在空间的一个子空间,然后计算残差,并在下一次迭代时,通过回溯思想和最小均方准则修正更新上一次找到的信号支撑块,最后直到残差为...     

储备池计算概述

针对传统递归神经网络存在训练困难的问题,一种新的递归神经网络的训练方法——储备池计算被提出,这种方法的核心思想是只训练网络部分连接权,其余连接权一经产生就不再改变,网络的训练一般只需要通过求解线性回归问题.广义地说,储备池可以作为一种时序相关的核函数使用,从而完全拓展了其应用领域,使之不再仅仅是递归神经网络训练算法的一...     

网络化测试体系中不确定性数据处理方法浅析

随着以LXI和无线传感器网络为代表的新一代网络化测试信息采集体系技术的迅速发展,不确定性数据问题将成为其应用过程中所必需面对的测试信息处理技术的挑战.鉴于此,本文首先介绍了网络化测试体系结构下不确定性数据的概念和来源,并分析了其特点以及对常规数据挖掘方法的挑战.然后,重点分析国内外研究现状、主流的不确定性数据挖掘方法和研究工作.在此基础上,剖析网络化测试体系中不确定性数据挖掘研究工作应关注的主要问题和重点研究内容.     

基于IP核的SpaceWire-PCI通信卡设计

作为一种面向航天应用的通信技术,SpaceWire具有广阔的应用前景。以IP核技术为基础,设计实现了以PCI总线为集成平台的两通道SpaceWire接口通信卡。在对板卡硬件组成进行综述的基础上,详细描述了PCI接口IP核、SpaceWire节点IP核以及驱动程序的设计方法,最后通过软件定时方法对本板卡的转换效率进行了测试。本文设计的通信卡具有尺寸小、布线简单、成本低、功耗低等特点,可以满足航天测控领域需求。     

基于改进l1范数最小化组合算法的欠定盲源分离

基于稀疏假设,欠定盲源分离问题一般可采用线性规划、最短路径法和组合算法等l1范数最小化方法进行求解,但是这些传统方法对源信号的稀疏性要求较高,从而限制了源信号的估计精度。为此,本文提出了一种改进的l1范数最小化组合算法.该算法根据一定阈值找到与最小l1范数解最接近的若干次优解,将这些次优解和最小l1范数解进行加权叠加,并替代最小l1范数解,作为源信号的估计。采用语音信号的仿真实验表明,对于观测信号个数不太小的高维混合情况,该算法的源信号估计精度能够比传统的l1范数最小化组合算法提高10%左右。     

一种解线性最小二乘问题的FPGA计算方法

针对基于FPGA实现解线性最小二乘问题存在的计算并行性差和计算延迟大的问题,提出基于改进Cholseky分解解线性最小二乘问题的FPGA计算方法。该方法将最小二乘问题转换为矩阵分解和三角阵求解两部分实现,在每个部分通过最大化PE单元数量提高运算的并行性。在矩阵分解部分采用改进的Cholesky分解方法规避开方运算,并将除法运算转换为乘法,减小计算延迟。同时,在三角阵求解部分通过计算结构复用实现正三角和倒三角线性方程组的求解,提高资源利用率。在Xinlinx Virtex XC5VFX130T平台上的实验结果表明,在单精度条件下,相对于PC平台,该方法能够实现8倍以上的效率提升。     

深度神经网络的自适应联合压缩方法

现有模式单一且固定的深度神经网络压缩方法受限于精度损失,而难以对模型进行充分压缩,致使压缩后模型在实际部署时仍需消耗大量成本高昂且容量有限的存储资源,对其在边缘端的实际应用造成严峻挑战。针对该问题,本文提出一种可同时对模型连接结构和权重位宽进行自适应联合优化的压缩方法。与已有组合式压缩不同,本文充分融合稀疏化和量化方法进行联合压缩训练,从而全面降低模型规模;采用层级自适应的稀疏度和数据表征位宽,缓解因固定压缩比导致的精度次优化问题。通过使用本文提出方法对VGG、ResNet和MobileNet在CIFAR-10数据集上的实验表明,精度损失分别为1.3%、2.4%和0.9%时,参数压缩率达到了143.0×、151.6×和19.7×;与12种典型压缩方法相比,模型存储资源的消耗降低了15.3×～148.5×。此外,在自建的遥感图像数据集上,该方法仍能在达到最高284.2×压缩率的同时保证精度损失不超过1.2%。