流体网络仿真模型及其自动生成软件

介绍ＳＴＡＲ－９０仿真系统下的流体网络仿真模型及其生成软件。该模型采用矩阵方法 求解非线性方程组,对可压缩和不可压缩流体分别采用了不同的流量计算公式进行计算,克服 了求解非线性方程组的“病态”问题,提高了模型的精度。该软件完全继承了ＳＴＡＲ－９０仿真 支撑系统的模块化建模方法,提高了流网模型的建模效率。     

基于移位协方差矩阵Otsu算法的信源数目估计

针对阵列信号处理中信号源数目估计的问题,提出了一种基于移位协方差矩阵的Otsu类间方差法。与协方差矩阵相比,移位协方差矩阵克服了噪声自相关过程中零位极大值的影响,提高了协方差矩阵的信噪比,移位协方差矩阵的信号特征值与噪声特征值差别更为明确,更有利于信源数目的估计。由于零均值且独立同分布噪声的移位协方差理论值为0,所以移位协方差矩阵针对零均值独立同分布α稳定分布噪声同样具有较强的抑制能力。利用Otsu类间方差法对移位协方差矩阵的特征值进行分类,可以更加明确地区分信号特征值与噪声特征值。理论分析和仿真实验结果均表明,基于移位协方差矩阵的Otsu类间方差法具有比传统信源数估计方法更好的估计性能。     

正交变换法电力系统状态估计

本文提出用豪斯霍尔德正交变换算法,求解电力系统的状态估计问题。它是通过豪氏变换阵,直接对量测方程的加权雅可比矩阵和加权残差向量进行正交变换,降低了采用法方程算法的条件数,提高了解的数值稳定性,适合于求解运行在病态条件下的电力系统的状态估计问题。     

Kalman滤波器的抗干扰算法

在Kalman滤波意义下,提出将观测值划分为正常和病态两种属性,病态值可以是通常的野值,也可以是部分的正常值,这种模糊划分降低了辨识的难度,也比较符合客观实际,避免了由于划分不当所造成的误判或漏判情况的出现;为了提高Kalman滤波器的抗干扰能力,通过对新息分量统计特性的逐一修正,提出了重新构造状态估计的改进算法.由于充分利用了新息各分量服从正态分布的统计特性,所以算法具有结构简单,计算量小的特点.仿真实验表明,不论出现何种形式的干扰,算法都具有稳定的滤波性能,不仅克服了经典Kalman滤波器易受干扰,滤波效果不稳定的问题,而且克服了众多Kalman滤波改进算法的不足之处,适用范围更为广泛.     

自适应遗传优化BP网络的研究与应用

针对遗传算法易出现种群多样性被破坏、早熟收敛的问题,在Srinivas的自适应遗传算法(AGA)的基础上,引入种群多样性的度量参数,提出一种改进的自适应遗传算法(MAGA),利用种群多样性和适应度的变化趋势调整交叉和变异概率,继而提出基于MAGA优化BP(back-propagation)神经网络的流量分类方法(MAGA+BP),兼顾了MAGA和BP算法分别在搜索全局和局部最优解方面的优势. 在剑桥大学共享的网络流量数据上进行了仿真实验,结果表明,MAGA较好地维持了种群的多样性,克服了AGA早熟收敛的问题,搜索到最优解的适应度提高了10.17%, MAGA+BP方法对流量数据具有较好的分类效果.     

离散线性系统的岭型Kalman滤波及其算法

从空间几何的角度分析了Kalman滤波中的病态性问题,提出了离散线性系统的岭型Kalman滤波及其算法,讨论了岭型Kalman滤波的性质,给出了选取岭参数的两种方法;数值模拟证明所给出的新算法能够有效改善观测矩阵的病态性对Kalman滤波的不良影响,提高了状态估计的精度。     

一种配电网络潮流计算的快速实用方法

在本文方法中,雅可比矩阵是以UDUT的形式出现,其中,U是一个由系统拓扑结构决定的连续上三角矩阵,D是一个分块对角矩阵。通过这种方法,传统的形成雅可比矩阵、LU分解的步骤可以被直接的前代回代所代替。这样,在计算过程中和雅可比矩阵以及它的LU因子有关的病态情况就可以避免。实验结果证明,改进牛顿-拉夫逊法的速度和精度相当于前推回推法,同时可以完全避免雅可比矩阵的病态情况。这一算法根源于传统牛顿法,这样人们多年来应用牛顿-拉夫逊法的经验可同样适用于配电网络中。例如可进行潮流优化、状态估计等。     

非均匀噪声条件下考虑互耦效应的DOA估计方法

针对非均匀噪声和互耦条件下相干信号辨识性能较差的问题,提出一种基于非均匀噪声协方差矩阵和互耦系数重构的DOA估计方法。首先,利用最小二乘理论并通过迭代优化方法恢复互耦意义下的无噪声信号协方差矩阵;然后,依据信号子空间原理,并通过估计不相关信号角度重构互耦系数矩阵,进而获得互耦补偿后的无噪声信号协方差矩阵;最后,通过传统空间平滑方法获得解相干信号,并利用MUSIC算法实现DOA参数估计。数值仿真表明:与仅考虑相干信源、非均匀噪声或互耦的传统DOA估计算法相比,本文算法可较好地抑制非均匀噪声,克服了互耦场景下传统空间平滑算法解相干失效问题,并可显著改善非均匀噪声和互耦条件下相干信源的DOA估计性能。     

基于正则化约束总体最小二乘的TDOA/FDOA无源定位方法

目前在基于到达时间差(TDOA)和到达频率差(FDOA)的多站无源定位模型中,噪声的干扰、接收站和目标位置的不合理分布以及接收站的个数均会对定位模型中的系数矩阵造成影响,因此在实际的求解过程中系数矩阵可能会出现病态的问题,这在很大程度上会对定位结果产生影响.为了进一步在系数矩阵出现病态的情况下确保定位精度,提出了一种基...     

可交换Freché导数及其应用

在矩阵和矩阵增量的乘法满足交换律的条件下,讨论了Frechét导数及其应用。所得结果不但可以较为精确地估计因对矩阵进行某些处理而形成的误差,而且可以对上述误差进行校正。对著名的Hilbert病态线性方程组的数值计算表明,当阶数n=500-2000,解的各元素为1时约可以有4～9位有效数字。     

Monocular depth estimation based on deep learning: An overview

Depth information is important for autonomous systems to perceive environments and estimate their own state. Traditional depth estimation methods, like structure from motion and stereo vision matching, are built on feature correspondences of multiple viewpoints. Meanwhile, the predicted depth maps are sparse. Inferring depth information from a single image(monocular depth estimation) is an ill-posed problem. With the rapid development of deep neural networks, monocular depth estimation based on deep learning has been widely studied recently and achieved promising performance in accuracy. Meanwhile, dense depth maps are estimated from single images by deep neural networks in an end-to-end manner. In order to improve the accuracy of depth estimation, different kinds of network frameworks, loss functions and training strategies are proposed subsequently. Therefore, we survey the current monocular depth estimation methods based on deep learning in this review. Initially, we conclude several widely used datasets and evaluation indicators in deep learning-based depth estimation. Furthermore, we review some representative existing methods according to different training manners: supervised, unsupervised and semi-supervised. Finally, we discuss the challenges and provide some ideas for future researches in monocular depth estimation.     

回复式离散神经网络的特征子空间估值

提出了用两种回复式离散神经网络模型研究正定对称矩阵的特征子空间估值问题:第1种模型是非线性神经网络,用于计算最大特征值及其特征向量;第2种模型属于线性神经网络,用于计算相应于最大特征值的特征子空间。详细研究了两种离散神经回路网络模型的动力学性质并用于特征子空间估值。     

一种面向智慧交通的车联网网络流量估计方法

随着5G网络的快速部署,车联网、物联网、边缘计算等迅速发展,车联网络流量测量面对诸多挑战.研究了面向智慧城市的车联网流量估计问题,提出了一种基于软件定义网络的车联网流量估计方法.基于软件定义网络架构获得粗粒度的车联网络流量测量值,构建了基于自回归移动平均模型的细粒度测量模型,并提出一种启发式算法来获得精确的流量估计结果...     

利用Betweenness Centrality计算网络流量矩阵的新算法

引入Betweenness Centrality中间度核心性作为候选快照的选择指标,特别是以其中的GBC群组中间度核心性作为考量多链路权重改变时各链路的选取问题,实验结果表明,BC的引入加快了秩的提高,而GBC可以衡量群组大小不同时会对原系统产生影响的程度;同时指出将GBC作为唯一指标在实际操作层面存在问题,需要综合考虑其他因素。最后提出将来结合序列RBC与GBC进行计算的研究方向。     

一种低信噪比下基于深度学习的DoA估计方法

针对低信噪比下毫米波系统多径方位估计问题,提出了一种基于深度学习的多径波达方向估计方法。该方法通过构建协方差矩阵与多径角度间的映射模型来实现：首先利用接收信号,构建抽样协方差矩阵;然后,通过基于深度残差收缩网络的多标签分类模型,实现视距传输路径角度估计;最后,利用基于卷积神经网络的回归模型,实现非视距传输路径的角度估计。仿真结果表明,与传统方法相比,所提方法能够显著降低均方根误差,并且在低信噪比下可以取得较低的角度估计误差;在不同场景下,所提方法具有良好的适用性。     

基于径向基神经网络的波达方向估计算法

针对传统的波达方向（DOA）估计算法在实际应用中普遍存在计算量较大,无法实时地跟踪期望信号且无法处理信号源数大于天线阵元数的问题,提出了一种在智能天线中基于径向基神经网络的波达方向估计算法.该算法利用神经网络进行多信号源跟踪（MUST）来完成信号源侦测和DOA估计.通过建立神经网络DOA估计算法模型,并对所建立的神经网络进行训练.通过仿真将该算法与传统的DOA估计算法进行比对的结果表明,基于径向基神经网络的波达方向估计算法能够快速准确的检测到信号源,响应时间明显快于传统的算法.     

一种多小波电容层析成像图像融合方法

针对电容层析成像系统的"软场"效应和病态问题对重建图像精度的影响,在分析电容层析成像基本原理和成像算法的基础上,基于滤波LBP和神经网络RBF特性,提出了一种基于多小波变换的ECT图像融合方法.该方法首先对待融合图像进行多小波分解,再分别采用最大值法和区域梯度法融合规则对分解后图像低频部分和高频部分进行图像的融合,最后经过多小波重构得到最终融合图像.仿真实验结果表明,融合后成像精确度得到明显提高,减少了误差,图像更接近原型,为ECT图像重建的研究提供了一个新的方法.     

基于双路式卷积神经网络的车辆与行人检测

针对低能见度状态下对车辆与行人的视觉特征难以提取的问题, 提出一种将2路卷积神经网络融合从而实现对车辆与行人识别的方法。采用高斯背景差分法实现图像去模糊, 在双路网络中分别采用不同尺寸的滤波器, 调整滤波器的大小得到不同环境下图片的特征值, 采用反向传播算法计算梯度。实验结果显示, 与单路式卷积神经网络对比, 在能见度低的环境中, 该方法对车辆的辨识率提高至83.49%, 对行人的辨识率提高至87.36%, 表明在低能见度环境中, 双路式卷积神经网络识别准确率高于单路式卷积神经网络。     

基于回路神经网络的特征子空间估值算法

基于运用回复式离散神经网络进行特征子空间估值的理论,提出了解决正定对称矩阵的特征子空间估值问题的算法。其神经网络被描述为离散时间系统,它们在整个连续时间神经网络模型的数字化处理即计算机仿真方面具有优势,可以很容易地应用于数字化硬件。仿真结果的给出进一步阐明了网络良好的性能。     

A Hybrid Learning Method for Multilayer Perceptrons

A Newton learning method for a neural network of multilayer perceptrons is proposed in this paper. Furthermore, a hybrid learning method id legitimately developed in combination of the backpropagation method proposed by Rumelhart et al with the Newton learning method. Finally, the hybrid learning algorithm is compared with the backpropagation algorithm by some illustrations, and the results show that this hybrid leaming algorithm bas the characteristics of rapid convergence.