模拟电路故障诊断参数估计及其遗传优化

基于Ｂａｎｄｌｅｒ（１９８２）故障诊断Ｌ１范数法，提出模拟电路故障诊断的遗传优化技术，采用直接对网络节点电压增量直接编码的方法，避免了因特连续量，人为转化为离散量而引起编码误差；为保证算法的全局收敛特性，本文的选择算子采用了最佳个体保留方法（ＥｌｉｔｉｓｔＭｏｄｅｌ）在交叉和变异操作中引入自适应策略后；改善了算法的局部寻优能力和程序的收敛时间，实例仿真表明本文算法能够快速准确地将模拟电路故障定位到     

模拟电路故障诊断L1估计及其神经网络解法

基于精确罚函数法，提出了新的求解Ｌ１范数问题最优解的神经网络方法，它避免了Ｋｅｎｎｅｄｙ和Ｃｈｕａ网络罚因子较大时性态变坏问题。对Ｂａｎｄｌｅｒ提出的模拟电路故障诊断Ｌ１范数法进行了改进，将线性约束Ｌ１问题转化为非线性约束Ｌ１问题，并用新的神经网络方法求解，计算量小。     

基于神经网络的模拟电路故障诊断优化近似方法

本文提出了线性电阻电路故障诊断的一种神经网络优化方法。其基本思想是应用Ｈｏｐｆｉｅｌｄ网络原理来处理Ｌ１范数问题，以此来进行诊断。对实例的计算证明此法是可行的。     

一种新的模拟电路多故障诊断方法

本文提出了一种新的模拟电路多故障诊断方法——组合优化模拟退火法。该方法采用组合优化的思想,综合参数辨识法与故障验证法这两类故障诊断方法的优势,提出了解决测试端口个数小于元件参数个数的诊断方程欠定问题的目标函数,通过模拟退火优化算法对目标函数寻优,可定出故障元件值及非故障元件的容差值,并保证所得解收敛于全局最优。     

求解超定线性方程组L1—范数最优解的神经网络方法

基于线性规划对偶理论，本文给出一种求解超定性方程组Ｌ１－范数解的神经网络方法。这一方法由两部分组成，首先利用ＬＳＳＭ神经网络求出Ｌ１问题的近似对偶解，然后利用改进的Ｔ－Ｈ网络求Ｌ１－问题的解，当参数选择适当时，Ｔ－Ｈ网络的全局渐近稳定点就是问题的精确解，模拟试验也表明了这一方法的可行性。     

求解超定线性方程组L_1─范数最优解的神经网络方法

基于线性规划对偶理论，本文给出一种求解超定线性方程组Ｌ１─范数解的神经网络方法。这一方法由两部分组成，首先利用ＬＳＳＭ神经网络求出Ｌ１问题的近似对偶解，然后利用改进的Ｔ－Ｈ网络求Ｌ１─问题的解，当参数选择适当时，Ｔ－Ｈ网络的全局渐近稳定点就是问题的精确解，模拟试验也表明了这一方法的可行性。     

光电雷达电子部件的量子神经网络故障诊断算法

针对电路故障诊断时,故障模式之间存在交叉数据的模式识别问题,将多层激励函数的量子神经网络引入多传感器信息融合之中,提出一种基于量子神经网络的多传感器信息融合集成电路故障诊断算法.并将其应用到光电雷达电子设备故障诊断中,通过测试电子电路中被诊断元件的工作温度和工作电压两个物理量,求出两传感器对各待诊断元件的故障隶属度,利用多层激励函数的量子神经网络进行信息融合,得到融合的各待诊断元件的故障隶属度,从而确定故障元件,提高故障诊断的准确率.     

模拟电路的多频灵敏度故障诊断方法

文章在灵敏度故障诊断方法的基础上提出多频灵敏度参数识别故障诊断方法，并给出选择测试频率的一般原则。该方法能够适用于可及测试节点较少的电路。针对模拟电路中一般只存在部分元件故障的情况，进一步提出只识别部分故障元件参数的多频灵敏度故障诊断方法，使该方法能适用于更大规模的电路。电路仿真结果验证了所提方法的有效性。     

基于遗传算法的容差模拟电路故障诊断

给出了用于模拟电路元件参数识别的多频传递函数法的过程,并对故障诊断方程的可解度进行了分析,在此基础上,将诊断方程的求解转化为非线性函数的优化问题,并运用改进的遗传算法来解决这个问题,算法实例表明该方法简化了故障诊断方程的求解过程,加速了容差电路故障元件的定位,有一定的应用价值。     

HA830(Ⅶ)P/TDL电话机振铃电路分析与故障检修

ＨＡ８３０（Ⅶ）Ｐ／ＴＤＬ电话机振铃电路分析与故障检修李考明刘宝银ＨＡ８３０（Ⅶ）Ｐ／ＴＤＬ电话机的振铃电路由整流电路、Ｎ２０１和扬声器等元件组成．电原理图如图１所示．１电路分析振铃信号由Ａ、Ｂ端子输入，经限流电阻Ｒ２００和隔直流电容Ｃ２０１进入由Ｖ...     

高光谱图像Pareto优化稀疏解混

高光谱解混是学术界的一个难题,稀疏高光谱解混指的是利用已知光谱库进行解混,旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元,并利用这些端元求解相应的端元丰度,这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混,但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU）,将稀疏解混问题转化为一个两目标优化问题,其中一个优化目标是建模误差,另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题,不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。     

模拟电路故障诊断L_1估计及其神经网络解法

基于精确罚函数法,提出了新的求解L_1范致问题最优解的神经网络方法,它避免了Kennedy和Chua(1988)网络罚因子较大时性态变坏问题。对Bandler(1982)提出的模拟电路故障诊断L_1范数法进行了改进,将线性约束L_1问题转化为非线性约束L_1问题,并用新的神经网络方法求解,计算量小。模拟实验表明,所提神经网络方法和改进的模拟电路故障诊断L_1范数方法是可行的。     

基于ROMP 的压缩感知算法在雷达成像中的应用

压缩感知理论能够解决大带宽、多通道雷达系统的大数据量存储和传输问题。本文将压缩感知理论应用到雷 达高分辨率成像中,研究了基于正则匹配追踪算法（ROMP）的雷达成像算法,并把它和基于平滑0-范数（SL0）优化 和1-范数优化(L1)的雷达成像算法做了对比。通过对数值仿真实验,验证了这三种成像算法的有效性。仿真结果表 明基于ROMP 的压缩感知雷达成像算法在计算速度方面优于基于SL0 和L1 范数的压缩感知雷达成像算法。     

序列锥规划方法对于群延时及L1范数约束的数字滤波器优化设计

该文提出了一种混合群延时及L1范数约束的有限冲激响应数字滤波器设计新方法,该方法主要采用三角不等式近似将带有非线性群延时约束条件的原L1范数滤波器优化设计问题在好的初始迭代点附近转化为序列二阶锥规划子问题进行求解.仿真结果表明:该方法可以有效的减小滤波器群延时误差,提高滤波器的优化设计性能.     

非线性容差模拟电阻电路故障诊断神经网络方法

将线性电路故障定位 l1 范数最优化算法推广到非线性电路的故障定位 ,由于测后计算是基于神经网络计算机环境 ,所需时间较少 ,能满足现代工业实时性需要。实例和计算机模拟结果表明所提方法是可行的     

凹凸范数比值正则化的快速图像盲去模糊

模糊图像可表示为清晰图像和模糊核函数的卷积,由模糊图像恢复出清晰图像,需要同时估计模糊核和清晰图像,因此是一个病态问题.优化含有先验项的代价函数是求解病态问题最有效方法之一.针对图像盲去模糊问题,本研究提出具有更强稀疏表达能力的凹凸范数比值正则化先验项,在用变量分裂法求解模型时,提出用L1范数保真项更新估计图像,在更新模糊核时,提出使用线性递增权重参数对模糊核按多尺度方法由粗到细逐步估计,当获得模糊核后,利用封闭阈值公式估计清晰图像.该方法能快速得到高质量的清晰图像,实验结果验证了模型的有效性和算法的快速性.     

MR images reconstruction based on TVWL2–L1 model

Compressive sensing (CS) theory, which has been widely used in magnetic resonance (MR) image processing, indicates that a sparse signal can be reconstructed by the optimization programming process from non-adaptive linear projections. Since MR Images commonly possess a blocky structure and have sparse representations under certain wavelet bases, total variation (TV) and wavelet domain ?₁ norm regularization are enforced together (TV-wavelet L1 method) to improve the recovery accuracy. However, the components of wavelet coefficients are different: low-frequency components of an image, that carry the main energy of the MR image, perform a decisive impact for reconstruction quality. In this paper, we propose a TV and wavelet L2–L1 model (TVWL2–L1) to measure the low frequency wavelet coefficients with ?₂ norm and high frequency wavelet coefficients with ?₁ norm. We present two methods to approach this problem by operator splitting algorithm and proximal gradient algorithm. Experimental results demonstrate that our method can obviously improve the quality of MR image recovery comparing with the original TV-wavelet method.     

Fault buffers

Voltage scaling can be applied to cache memories to reduce their energy consumptions. However, reduced supply voltage to the cache memories increases the number of defective SRAM cells due to process variations, which will decrease their yields and nullify the benefits of voltage scaling. To mitigate this problem, we propose a fault buffer-based scheme for L1 caches. Faults are identified and isolated at the granularity of individual words in the L1 caches. Actively used faulty cache words are dynamically allocated in the fault buffers. The fault buffers are organized as multiple banks for low cost implementation and can be dynamically reconfigured to reflect varying performance demands of programs. This dynamic scheme is shown to be more energy- and area-efficient than, and to be performing comparably to, the previously proposed static schemes.     

基于最小L1范数的方法估计码片内延时

所要传输的已知单周期PN码信号是通过多条带有加性噪声的路径到达接收端,因此问题就在于估计路径的数目以及与每一条路径相对应的小于单个码片间距的时延和衰落幅度.文中在基于最小L1范数的加性调整条件下,提出了一种新的去卷积方法.由此衍生出的最优化问题则通过转化为二次规划,利用其标准程序进行简便快捷的求解未知量.在复杂的条件下这种方法比其他方法更加的适用.     

用概率推导和加权迭代L1范数实现信号重构

在对信号稀疏性统计分析的基础上,将具有稀疏描述能力的拉普拉斯分布用于描述信号的先验分布,基于贝叶斯法,利用信号采样值、拉普拉斯先验分布和高斯似然模型,推导信号的后验概率密度估计;最后将最大后验概率(MAP)估计过程转化为加权迭代L1范数的最小化问题。在求解过程中,与非加权的L1范数法进行对比表明,信号重构性能明显提高;通过实验计算,详细讨论了其中一些参数的取值原则和范围;针对稀疏度不同的信号,随着信号非零点数的增加,本文算法重构结果明显优于基追踪(BP)和(OMP)法;与同类的IRL1算法相比较,本文算法更具普遍性和理论意义。