稀疏投影在目标跟踪中的应用

探讨了稀疏投影表示法在目标检测跟踪系统中的应用.通过一范数(L1)正则化最小二乘算法实现目标特征在模板矩阵的稀疏投影,并根据投影差值最小的目标特征找到最优跟踪状态估计,最后更新模板矩阵以适应目标变化.该方法将基于贝叶斯框架的状态预测和视频采集模板相结合得到最优跟踪轨迹.实验结果表明,该方法能够达到很好的跟踪效果.     

基于MEMD与MMSE的滚动轴承退化特征提取方法

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解(MEMD)与多元多尺度熵(MMSE)的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.     

一种SAR目标属性特征提取算法

针对散射中心重叠的情况,利用散射中心空域及其散射机理的稀疏特性,提出一种基于全极化属性散射中心模型的合成孔径雷达目标属性特征提取算法.根据散射中心空域与散射机理的稀疏特性,对目标的极化分解系数矩阵分别施加行稀疏约束与矩阵稀疏约束.由于极化散射机理字典包含未知参数,在此采用坐标轮回下降法分别估计极化分解系数矩阵与极化散射机理字典,同时提取属性散射中心及其极化特征等属性特征.基于电磁计算数据的实验结果,验证了该算法能够利用极化信息提取散射中心的属性特征.     

基于独立分量分析的系统性能监控方法研究

为了提高故障检测和诊断的性能,提出了一种基于独立分量分析和支撑向量机对系统性能进行监控的整体框架,这一框架包括特征提取和故障识别两部分.独立分量分析被用来从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵,而这些投影系数矩阵则被用来训练多个支撑向量机,从而利用它们实现故障类型的识别.Tennessee Eastman 过程的仿真研究证实了该算法的可行性,且与传统的基于主元分析的算法相比,能够更早地检测出故障的发生.     

基于二维特征矩阵的特征融合算法

为了提高无线传感器网络信息融合的效率, 提出一种多传感器二维特征融合(2DFF)策略. 将多个传感器标准化后的特征集组合成二维特征矩阵, 引入图像压缩技术, 包括二维主成分分析(2DPCA)及MatPCA对特征矩阵进行特征提取, 实现特征融合. 从理论上剖析该方法之所以能够有效地适用于特征融合, 且区别于传统方法的内在本质. 相比传统的特征融合方法, 该方法能够获得更加精确的融合特征, 提高信息融合的效率. 基于实地采集的地面目标信号的实验结果表明,该方法既提高目标识别率, 又降低了计算复杂度.     

基于扩张状态观测器估计的混合动力汽车协调控制

为了提高功率分流式混合动力汽车模式切换的稳定性,提出干扰补偿的转矩协调控制策略. 针对发动机动态响应振荡及车辆行驶工况多变的问题,设计多变量线性扩张状态观测器,从频域角度验证了观测器对于上述2种干扰的估计精确性. 研究不同干扰对基础电机补偿控制稳定性的影响,指出负载干扰对车辆模式切换响应的影响最大,引起的切换冲击最大可至24.5 m/s³. 提出基于干扰补偿的动力源转矩再分配算法,开展仿真验证. 结果表明,该协调控制策略在受到明显的外界干扰时能够保证系统的稳定性及模式切换的平顺性.     

改进的无监督同时正交基聚类特征选择

提出了一种改进的同时正交基聚类特征选择(Improved Unsupervised Simultaneous Orthogonal Basis Clustering Feature Selection,ISOCFS)方法。为有效地对无标签数据进行特征选择,利用目标矩阵来设计正则化的回归模型。目标矩阵通过正交基聚类,获取投影数据点的潜在聚类中心,引导投影矩阵选择判别性的特征。与先前的无监督特征选择方法不同,ISOCFS并不使用数据点预先计算局部结构信息描述目标函数,而是利用目标矩阵进行正交基聚类直接计算潜在的聚类信息。其次,为了减少噪声信息对估计目标矩阵和投影矩阵的干扰,在先前方法基础上,该方法增加了噪声项。另外,该方法利用简单的优化算法即可求解。最后,通过四个常见的微阵列基因表达数据集及五种最近的无监督特征选择方法进行对比实验,证明了ISOCFS方法可以获得更好的聚类效果。     

一种基于ICA—SVM的故障诊断方法

提出了一种基于独立分量分析和支撑向量机(ICA—SVM)对系统性能进行监控的整体框架．这一框架包括特征提取和故障识别两部分．独立分量分析被用于从当前工况的数据矩阵中提取出代表当前工况特征的投影系数矩阵，而这些投影系数矩阵则被用于训练多个支撑向量机，以实现故障类型的识别．Tennessee Eastman过程的仿真结果证明了该算法的有效性．     

基于重构的多工况过程无监督故障幅值估计

针对先验知识不足的多工况工业过程的故障幅值估计问题,提出了一种基于重构算法的故障幅值估计方法。通过保局投影(Locality Preserving Projection,LPP)对历史数据进行降维,然后利用模糊c均值(Fuzzy C-means,FCM)实现对各个工况的划分,并确定检测指标和控制限、建立故障检测模型,最后利用重构算法来提取故障方向矩阵,并估计出故障的幅值。以田纳西-伊斯曼(Tennessee Eastman,TE)过程为研究对象进行仿真,结果表明提出的算法可以准确地估计出多工况工业过程的故障幅值、描述出故障幅值曲线。     

一种基于原子重构的雷达抗主瓣干扰方法

为提升主瓣干扰下雷达作战效能,提出了一种基于原子重构的雷达抗主瓣干扰方法,可有效抑制主瓣干扰,同时具有较高的目标距离和角度估计精度.首先采用特征投影预处理(EMP)算法抑制主瓣干扰,进而通过波束形成和脉冲压缩估计目标距离,然后利用原子重构法估计目标角度.该方法对雷达阵列结构要求不高,既可适用于线阵,也可适用于面阵.当目标方位角(或俯仰角)等于干扰方位角(或俯仰角)时,该方法仍然能同时有效地估计目标方位角和俯仰角.