LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

LBP与低秩分解的网状织物纹理缺陷检测方法

针对网状织物纹理复杂,缺陷检测难度大的问题,提出一种基于局部二值模式(LBP)与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法.首先,采用等价旋转不变的局部二值模式算法提取网状织物纹理特征,获得纹理特征矩阵;其次,根据纹理特征矩阵构建低秩稀疏分解模型;最后,通过最佳阈值分割算法对网状织物低秩稀疏分解产生的显著图进行分割.实验结果表明,与K-奇异值分解(K-SVD)算法相比,该方法的平均准确率达到89.94%,平均召回率达到93.88%,分类总正确率达到92%以上。     

基于压缩稀疏融合的动作识别方法

在无线体域网动作识别中,稀疏分类识别阶段待测向量稀疏表示系数的计算复杂度是影响其实时性的一个关键因素。提出一种基于压缩稀疏融合的动作识别方法,首先,对各对象动作矩阵进行训练;然后,通过稀疏融合得到融合稀疏向量;最后,将其重构后与待测动作向量做残差处理,比较残差,得到识别结果。该方法在识别阶段勿需对待测向量求解稀疏表示系数,使识别阶段算法的复杂度降低一半,实时性得到提高。实验结果表明,在降低复杂度的同时,本方法能对8种不同的人体动作进行有效识别。使用基追踪（BP）算法时,识别率与传统方法持平;使用正交匹配追踪（OM P）算法时,识别率比传统方法效果好。     

采用局部线性嵌入的稀疏目标跟踪方法

目标跟踪是从复杂的背景中辨认出运动目标,并且对目标进行准确且连续的追踪。如何在遮挡、形变、背景复杂的条件下鲁棒性跟踪目标仍是亟待解决的问题。针对遮挡和形变问题,提出一种局部线性嵌入(LLE)和稀疏表示的算法来有效的学习外观模板。其中LLE是流形学习的一种典型算法。在该算法中每个点的近邻权值在平移、旋转、伸缩变化下是保持不变的,因此可以用来提取目标的本质特征,发现数据的内在规律。算法首先采用局部线性嵌入提取低维特征,提取后的特征作为基向量与琐碎模板组成稀疏原型,稀疏原型用于模板的更新。算法保持了原有稀疏跟踪方法对遮挡处理的优势,同时对目标形变有较好的稳健性。实验结果表明,跟踪算法比其他7个常用的算法在9个视频序列中有较好的鲁棒性能。     

基于低秩矩阵填充的XLPE电力电缆寿命评估

提出一种基于低秩矩阵填充技术的XLPE电力电缆寿命评估方法。该方法可有效应对传统算法所不能处理的不同厂家对电缆样本检测指标类别不统一导致的小样本寿命评估问题。在本文提出的评估方法中,首先以单一电缆样本检测指标及其寿命为列向量建立信息矩阵。然后,通过将该信息矩阵分解为一个低秩矩阵与一个稀疏的噪声矩阵的方式实现对目标电缆样本的寿命评估。仿真实验验证了该XLPE电力电缆寿命评估方法的准确性与鲁棒性。     

基于CS阵列的DOA估计

基于目标在空域分布稀疏的性质,通过引入压缩感知(Compressive Sensing或Compressive Sampling,CS)理论的思想,提出一种基于奇异值分解的压缩采样阵列(SVD-CSA)DOA估计算法。首先建立DOA压缩感知模型,根据阵列结构建立过完备原子库,然后对压缩采样阵列结构输出的数据矩阵进行奇异值分解,最后基于范数约束的最优化问题的目标函数将信号子空间分解到最佳基向量上,实现了空域信号DOA的高分辨估计。相对于已有算法,该算法减少了硬件复杂度,具有较低的运算量,且能够对相干信号进行有效DOA估计。实验仿真验证了其有效性。     

基于稳健非负矩阵分解的用电数据清洗和插补

针对运行工况下用电数据在采集和传输过程中通常存在噪声、异常值和丢失的数据质量问题,利用单一用户用电数据时空分布的低本征维和异常值的稀疏特性,提出一种基于低秩矩阵完备的数据缺失填补、降噪和异常值剔除统一处理方法框架。首先,鉴于实际中多用户用电场景和用电特征差异巨大,仅根据单一用户用电行为的内在相似性构建具有低秩特征的数据矩阵;进而,考虑列异常和稀疏异常等加性背景噪声影响,构建低秩提升正则约束的非负矩阵完备最优化模型;最后,采用交替迭代最小二乘法方式进行最优化问题求解,实现缺失数据填补和多重背景噪声消除。通过仿真分析和实验结果验证了算法的有效性和准确性。     

基于图规则化低秩矩阵恢复的用电数据修复与异常检测

针对电力系统用电数据中的记录误差与异常用电,提出一种基于图规则化低秩矩阵恢复的电力系统用电记录修复与异常检测算法。该方法从用户用电时空矩阵的低秩稀疏分解出发,结合电网拓扑结构与用户相关性的规则化调整,获取修复后的用电数据和异常用户。该方法同时兼顾了用户用电的周期性与异常用户的差异性特点。实验分析表明,与相关方法相比,所提方法在用电数据修复与异常用电模式检测的多项评价标准下均取得了更好的准确性和鲁棒性。     

传感器网络中基于压缩感知的压缩域目标跟踪算法研究与应用

复杂环境下传感器网络目标跟踪,存在跟踪准确性与算法复杂性这对矛盾,需要考虑准确性、通信和计算能耗之间的折中。针对此问题,研究传感器网络中基于压缩感知的压缩域目标跟踪和压缩域数据融合,并提出了用稀疏的测量矩阵对haarlike特征压缩,压缩域特征送入朴素贝叶斯分类器,在压缩域直接实现目标跟踪的算法。然后通过配置传感器网络以生成多个层次类型不同的簇结构,压缩后的数据在网络中传输,并在各层簇头实现压缩域下的数据融合。该算法通过稀疏测量矩阵压缩表征原始图像信息和分类器的自我学习更新,提高了对压缩域目标特征分类的准确性,在复杂环境下有更好的鲁棒性。而压缩域直接进行目标跟踪,不需要重构图像,也减少了网络运算量和数据传输量。通过仿真实验和标准数据库测试对比以及在机器人足球赛实验平台中的应用表明,该算法在跟踪准确性,数据传输量及传输能耗上均有优势。     

稀疏技术在电力系统状态估计中的应用

研究了电力系统状态估计中稀疏技术的应用方法。首先根据因子矩阵和消去树，讨论了稀疏向量法。然后基于给定的稀疏矩阵存储方法和符号因子化技术，提出了一种采用稀疏向量法进行LDLT分解的算法，最后结合量测残差方差计算给出了两种应用稀疏技术计算的方法。算法的有效性在IEEE 118和IEEE 300系统上得到了验证。     

电力网络在线仿真系统的矢量流追踪算法

为解决大规模电力网络在线仿真系统中邻接矩阵阶数过大导致计算机运算困难的问题,提出了一种实时仿真的矢量流追踪实用算法。在实时数据融合模型和SVG矢量发布格式扩展的基础上,定义了拓扑矢量流图,构造了拓扑矢量的属性域模型,并设计了拓扑矢量流图追踪算法的流程。对H桥形拓扑矢量流图的计算逻辑表达式优化和具体追踪计算,使得优化后的计算效率提高了40%;采用所提算法对算例网络进行馈线停电在线仿真,计算正确率达到100%,表明所提算法能满足电力监控系统的在线仿真应用要求。     

基于协方差矩阵的运动目标跟踪方法研究

提出了新的运动目标检测和跟踪的方法。首先采用差异累积的方法自适应地更新背景模型,用背景差法进行提取目标。把经过二值化后的视频帧进行分块,设定方块内前景点个数的阈值,接着对方块矩阵进行连通区域合并,从而确定前景点位置。接着提出通过协方差描述算子来跟踪行人的算法。用图像特征的协方差矩阵来表示目标窗口,就可以找到空间特性和统计特性,并在同一个表达式内描述它们之间的关系。通过搜索整个图像找到和当前目标模型的距离最小的区域,得到的最佳匹配区域就是当前帧目标的位置,从而达到跟踪的目的。协方差矩阵将不同形式的特征有效地融合到一起,并且它的维数很小。实验结果表明,算法具有良好的检测效果和实时性能。     

基于双边滤波的协方差目标跟踪算法

现有的使用协方差建模的目标跟踪方法在目标形变或是光照变化较大的情况下,达不到理想的跟踪效果。在分析目前协方差建模目标跟踪方法缺点的基础上,提出一种融合双边滤波的协方差目标跟踪算法。首先,将待跟踪图像进行双边滤波,提取滤波后的图像特征构建协方差特征矩阵作为跟踪模板。其次,由于协方差矩阵为对称正定流形,服从对数-欧几里德黎曼度量。在此度量下,构建了目标协方差矩阵相似性度量和模板更新策略。各种条件下的实验结果表明,新构建的基于双边滤波的协方差特征矩阵对目标形变和光照变化有更好的适应性。     

改进的递归PCA方法对某型发射机的自适应监测

针对现有监测手段对时变过程易产生误警且对微弱故障监测力不足等问题,提出一种改进的递归主元分析方法,对时变过程实现自适应监测.以数据块为单位更新主元模型,采用低秩奇异值分解方法完成相关矩阵的递归分解,实现负荷矩阵和特征值矩阵的递归计算,并制定了数据块大小的选取策略和均值、方差的更新策略.同时,引入指数加权思想实现了控制限的递归更新.通过将该方法与其他监测方法应用于某型雷达发射机工作过程的监测并进行对比验证,结果表明该方法能自适应地跟踪过程时变并实时监测故障,降低了误警率;同时,自适应的控制限对微弱故障具有较高的灵敏度,有效地避免了漏报的发生.     

A gain‐scheduled control algorithm for input constrained systems to track time‐varying references using controller state resets

In this paper, we propose a control law for a discrete‐time linear system with actuator saturation to track time‐varying reference signals. The proposed control law consists of a feedback controller and a target recalculation mechanism. The feedback controller includes an integrator to achieve zero steady‐state error in the case where the reference signal is constant. The feedback gains of the controller are parameterized by a single scheduling parameter. In the proposed control algorithm, when the tracking error is large, a modified reference signal is computed by the target recalculation mechanism so that feasibility of the algorithm and stability of the control system are guaranteed at all times. At this stage, the controller state is modified online so that the tracking control performance is improved. Further, when the tracking error becomes small, the scheduling parameter and the controller state are updated simultaneously so that the tracking control performance is improved. The problems of determining the scheduling parameter, the controller state, and the modified reference signal are reduced to convex optimization problems with linear matrix inequality constraints. The effectiveness of the proposed control method is shown through an experiment. © 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于LBFGS-EKF算法的三维空间目标跟踪研究

人机交互中,人手与机器的交互是最通用的方式,因此手势交互研究是当今人机交互研究的重点之一.本文以Leap Motion为依据,对三维空间目标检测和跟踪进行研究,提出了一种限定内存扩展卡尔曼滤波算法(LBFGSEKF).该算法在基于降低噪声所提出的EKF方法上,通过LBFGS算法求最优解的方式来代替EKF算法在每次迭代中求逆Hessian矩阵而造成内存消耗,计算速率下降,导致实时性差的问题,从而形成一种新的目标跟踪算法.仿真结果表明,新算法用于手势识别时,可以降低误差、提高目标跟踪的精度.     

消去树理论及其在潮流计算中的应用

采用了基于消去树理论的符号因子分解技术以及改进的LU数值分解算法来提高牛顿法潮流计算的效率。介绍了消去树理论，并采用符号因子分解技术确定雅可比矩阵的结构，然后采用稀疏向量法求取L阵的每行和U阵的每列。这种算法和求取L阵每列和U阵每行的传统LU分解方法相比，具有编程简单、计算效率高的优点。另外，雅可比矩阵结构对称以及编译器优化的经验也应用到文中，使得算法不仅占用内存较少，且效率较高。算法的优越性在实际系统 中得到了验证。