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。     

基于低秩逼近的无线传感网定位算法

为了提高传感网节点定位精度并降低运算量,提出一种新的基于低秩逼近的定位算法。算法首先获取邻居节点间距离测量值,然后填充欧氏距离矩阵,最后通过对锚节点坐标进行刚性变换得到未知节点坐标。为了更准确地填充距离矩阵,根据格拉姆矩阵的低秩特性将定位问题转化为半定规划问题,并在定位模型中引入正则化项来避免填充欧氏距离矩阵时的退化解问题。针对半定规划求解复杂度高的缺点,采用交替方向乘子法来更快地求解。通过仿真实验对比,在大噪声情况下,本算法相较于传统算法（包括多维缩放法和其他欧式距离填充算法）,均方根误差减小28.2%~46.6%,重建误差减小18.4%~64.5%;计算时间仅需SDP算法的7%。     

一种基于LDPC矩阵的压缩感知测量矩阵的构造方法

在一些对采样数据速率有严格要求的实际应用中,对低采样率的压缩感知具有广泛需求。基于LDPC矩阵的特点,提出了一种类似托普利兹矩阵的压缩感知测量矩阵,所提出的测量矩阵构成方法易于实现。仿真结果表明,在低采样率的情况下,采用本文所提方法构造的测量矩阵不仅有着与常用稀疏测量矩阵相比更好的稀疏性,且将其用于图像压缩感知时可获得较好的图像重构质量。     

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UCA压缩感知的声源定位算法

针对混合声源定位精度低的问题,提出了一种非迭代补全互谱矩阵的算法,利用互谱矩阵的埃尔米特特性,不经过迭代,在不牺牲定位精度的情况下提高计算效率.该方法首先建立一个稀疏模型,通过构造冗余脉冲响应(RIR)矩阵作为压缩感知测量矩阵,将源定位问题转化为压缩感知问题.然后根据多个源方向向量的空间稀疏相关性,引入投影算子,在压缩...     

基于曲线相似与低秩矩阵的缺失电量数据补全方法

低压台区用电数据是电网运营中众多高级应用的基础。然而,在泛在电力物联网数据采集、传输、储存管理的过程中,会不可避免地出现数据缺失的情况,在一定程度上影响上层高级应用。针对这一问题,文章研究并提出曲线相似与低秩矩阵填充理论相结合的用电数据缺失补全方法。首先通过分析电量数据矩阵奇异值分布,揭示其低秩特性,完成数据恢复可行性判定。在此基础上,考虑用电曲线之间的差异性,提出预填充-曲线相似分类-二次填充的数据恢复方法,在对电量矩阵进行预填充之后,对于每一条待恢复的用电量曲线,基于考虑数据缺失的曲线相似性测度,找到与其最为相似的k条曲线构成数据矩阵,之后再次应用低秩矩阵填充理论恢复缺失数据,以提高恢复精度。以华北某电网居民用户电量数据进行试验,并将文章提出的方法与经典插值补齐法相比较,验证了所提出的电量曲线聚类与矩阵填充相结合的方法可以更有效补齐缺失电量数据。     

低秩矩阵分解在母线坏数据辨识与修复中的应用EI北大核心CSCD

母线负荷分析与预测对电力系统的安全稳定具有重要意义。目前我国采集到的母线负荷数据中含有较多且类型不同的坏数据,给母线负荷的分析的准确性与预测的精确性带来较大影响。文中提出了一种基于低秩矩阵分解的母线坏数据辨识与修复方法。从母线数据本身出发,首先分析了母线数据的低秩特性,研究不同类型坏数据产生的原因;然后建立了一种基于低秩矩阵分解的母线坏数据辨识与修复的模型,并给出了基于阈值迭代法(iterative thresholding,IT)的模型求解方法;最后,利用广东省母线负荷实际算例进行了分析,并利用修复前后的母线数据进行虚拟预测对比,结果实现了坏数据的有效恢复和预测精度的提高。     

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。     

融合小波框架和低秩的动态磁共振图像重建新思路

动态磁共振成像(dynamic magnetic resonance imaging,DMRI)是一种通过连续扫描图像获取其随时间和空间变化的影像技术,将压缩感知技术应用于动态磁共振成像,容易导致磁共振图像重建后的视觉质量不够理想.因此,针对压缩感知在DMRI重建上存在的不足,通过ℓ1范数以刻画磁共振图像数据的稀疏性,以及利用低秩描述动态磁共振图像序列的内在相关性,提出了一种基于低秩和稀疏分解的重建模型,有效减少了动态磁共振成像的伪影.在建模阶段,将稀疏成分应用ℓ1范数进行建模,对低秩成分利用核范数进行建模.在模型优化求解阶段,引入小波框架正则化方法,将重建模型转化为非光滑凸优化问题,然后使用基于动量加速的近似点优化梯度方法求解该问题.最后,通过在心脏电影、心脏灌输和phantom体膜影像数据上进行实验,验证了所提模型的有效性.结果表明,所提方法在采样率30％时,平均峰值信噪比达到33.7090 dB,平均结构相似度达到0.9660,进一步提升了磁共振图像重建的精度.     

基于压缩感知的语音加密

语音通信是人们获取和交换信息的一种重要方式.随着社会信息化的发展,语音通信的机密性越来越受到重视.传统的语音加密方式都遵循经典的香农-奈奎斯特采样定理,在采样时会采集一些冗余语音数据,浪费了采样资源.为了节约采样资源并简化语音加密流程,采用压缩感知理论对语音进行加密.该方法不仅可以对语音进行加密而且也同时实现了语音的有...     

基于压缩感知的电力设备视频图像去噪方法研究

针对电力视频监控图像中存在的噪声,结合压缩感知理论,采用基于过完备字典的稀疏表示方法进行去噪。使用噪声图像训练过完备字典,其中过完备字典的更新使用K-SVD算法,求解稀疏系数使用OMP算法,且根据算法的特点引入了Dice匹配准则来改进正交匹配追踪算法用于求解稀疏系数,最后重构去噪后的图像。Matlab仿真实验表明,对添加了不同标准差的高斯噪声的图像,文中方法具有良好的去噪效果,与目前常用的小波函数相比,能更好的降低图像中的高斯白噪声,并且在字典训练过程中直接使用视频拍摄的带噪声图像,即使没有原始的无噪声图像依然能够完成去噪任务。     

压缩感知理论及其电能质量应用与展望

压缩感知理论是信号采样与处理领域的热点和前沿,在电能质量检测中具有很好的应用前景。为此,对压缩感知理论及其电能质量应用与展望进行综述。阐述了现有电能质量扰动信号采样和分析方法的不足,介绍了稀疏分解与压缩感知的基本概念和发展现状,重点介绍了压缩感知理论的3个基础关键问题:稀疏表示、非相关观测和非线性优化重构;同时,着重介绍了时频原子稀疏分解和压缩感知理论在电力系统电能质量扰动信号中的应用现状。最后,给出了电能质量扰动信号稀疏分解和压缩感知理论的下一步研究展望。     

一种新的电能质量扰动信号压缩感知识别方法

针对现有电能质量扰动信号识别方法存在数据量大、准确率不高的不足,提出了一种基于压缩感知稀疏向量特征提取的电能质量扰动信号分类识别方法。该方法首先针对原始信号,利用压缩感知理论获取降维的测量信号,并基于?1范数正交匹配追踪算法获取稀疏向量。然后针对稀疏向量提取最大值、次大值、均方根、标准差、峭度和裕度因子等特征,作为神经网络的输入,实现电能质量扰动信号的分类识别。最后,针对六类典型电能质量扰动信号,开展仿真实验验证。仿真结果表明,现有识别方法需要处理的原始信号长度为1024,而所提方法特征提取时所处理的数据长度仅有30,从而大大减少了所需处理的数据量,并且由于实现了以非常少的数据量保存原有全部有用特征信息,因而更有利于提高识别准确率。通过与广泛采用的小波变换识别方法进行比较,所提方法的平均准确率高达98.71%,远远高于小波变换方法的92.86%。     

非限制环境下的低秩协同人脸性别识别研究

人脸性别识别是计算机视觉和机器学习的热门研究课题,但目前大多数的人脸性别识别算法对自然环境下的图像进行识别的效果并不理想,识别正确率与实际应用差距较大。采用低秩分解和协同表示来提高人脸性别识别的正确率和鲁棒性。在提取特征前采用低秩分解配准未对齐的图像并降低污染和噪声的影响,使得提取的特征能够很好地反映图像原有的信息。识别环节采用稀疏表示的改进算法—协同表示,其使用l2范数替代l1范数优化问题易于求解。在实验中,选用AR,CAS-PEAL和You Tube三种数据库对算法进行测试,结果表明本算法性能与其他主流算法相比有明显优势。     

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。     

高斯随机观测矩阵的改进

在压缩感知理论中,要想精确地重构信号,观测矩阵必须满约束等距性条件,大部分随机矩阵都具备此条件,并可作为观测矩阵,如高斯随机矩阵、傅里叶矩阵和贝努利随机矩阵等。其中高斯随机矩阵是研究较多的观测矩阵。然而,该类矩阵重构信号时的效果并不十分理想,恢复后的信号相对误差较大。主要针对高斯随机矩阵的上述问题,对其进行改进。改进的观测矩阵保留了高斯随机矩阵的随机独立性,很好的满足约束等距性条件。先通过对时域稀疏信号的压缩感知重构,来验证改进后的观测矩阵的性能,然后将其扩展到变换域信号的压缩感知重构。实验结果表明,改进后的观测矩阵比原高斯随机矩阵具有更好的性能。