SVD可观测度分析方法的改进及组合导航中的应用

为解决已有的基于线性时变系统可观测性矩阵奇异值分解（SVD）的可观测度分析方法中存在的依靠外部量测信息、状态量纲比较不一致、奇异值基准不唯一的问题,提出一种改进的基于SVD理论的系统状态可观测度分析方法. 首先阐述了线性时变系统与分段式线性定常系统（PWCS）之间的关系,并介绍了PWCS可观测性分析理论,在满足该定理要求的情况下,通过PWCS的提取可观测性矩阵（SOM）替代总可观测性矩阵（TOM）可以有效降低分析计算的复杂度. 然后由系统提取可观测性矩阵SVD分解及其得到的奇异值与对应奇异向量,对系统的观测方程进行推导,根据载体不同机动情况下同一状态观测程度的纵向比较计算得到系统各状态的可观测度指标. 最后采用SINS/DVL组合导航系统进行仿真验证. 仿真结果表明, 通过该方法计算的可观测度指标与Kalman滤波状态估计误差特性相符,证明该改进方法可预见及准确描述状态的估计效果,并且依据所计算的状态可观测度进行系统自适应反馈校正,可以有效提高导航精度.     

提高目标跟踪批数的一种方法

目标跟踪批数是多目标跟踪系统的一个重要指标.本文提出了应用奇异值分解定理,建立降阶模型,并在保证跟踪精度下,调节观测数据采样周期,提高目标跟踪批数的方法.为此本文提出了二次新息序列概念,并利用它进行目标机动特性的判别.本文为提高目标跟踪批数提供了一种有效方法.     

基于双谱和奇异值分解的结构损伤试验

介绍双谱和奇异值分解（SVD）的理论,通过计算结构振动加速度信号的双谱,根据不同荷载下双谱幅值的等值线变化规律来判断结构的损伤程度和评价结构非线性振动特征.利用奇异值分解方法计算双谱的主奇异值,根据主奇异值在不同荷载下的变化情况,来评价结构的损伤和非线性变化.2根钢筋混凝土梁在逐级加载下损伤破坏的试验数据分析结果表明,双谱及其奇异值对结构损伤的变化比较敏感,双谱及其奇异值的变化规律与试验过程中试件的裂缝发展和损伤情况相一致,可以应用于结构损伤的监测.     

子矩阵约束下反中心对称矩阵反问题

利用矩阵奇异值分解以及矩阵对的广义奇异值分解，给出了子矩阵约束下反中心对称矩阵反问题有解的充要条件及其通解表达式，并得到了最佳逼近解。     

基于奇异向量和奇异值的入脸识别新方法

通过提出一种基于奇异值向量和奇异值的人脸识别新方法——正交奇异值方法，将奇异向量和奇异值中的信息有效结合，克服了目前基于奇异值分解的识别方法中，要么丢弃了奇异值中的信息，要么丢弃了奇异向量中的信息，识别效果并不理想的缺陷。在ORL国际标准人脸库上实验显示，与目前基于奇异值分解的识别方法相较，该方法达到了更好的识别效果。     

捷联惯导系统可观测性的研究

采用奇异值分解和古卓夫柯夫方法分析了捷联惯导系统误差方程的观测性问题,讨论了如何选择系统的不可观状态,并用直方图给出了形象的说明。     

一种混联型虚拟轴机床奇异位形分析的解析法

建立了一种混联型虚拟轴机床主进给机构位置分析的输入输出方程，并推导出奇异位形判别的解析表达式，该奇异位形判别式为一多项式代数方程，在推导过程中引入数值－符号处理技术，得到了多项式代数方程中每一系统的数值－符号形式的解析表达式，该机构的奇异位形的集合为参数空间的曲面片，得到了奇异曲面方程及奇异曲面的截面曲线。给出了奇异位形分析计算的数值实例。     

一种广义离散随机线性系统的状态估计

针对目前关于广义系统状态估计的研究现状，即几乎所有的讨论都集中在奇异矩阵为方阵的情况，讨论了广义矩阵及其性质，利用矩阵的奇异值分解理论，给出了奇异矩阵为条形或带形广义离散线性系统的奇异值标准形式，基于标准形式，利用广义逆矩阵的性质，在两种情况下，将系统分解成两个子系统，通过估计子系统的状态，得到了该系统状态的最优预测和滤波递推方程。结果表明，对于广义系统，该方法有效地减少了计算量。     

两阶段判别嵌入式聚类

针对判别嵌入式聚类算法对高维数据聚类速度慢的问题,给出一种两阶段判别嵌入式聚类算法。对正则化类间散度矩阵做奇异值分解,得到数据的变换矩阵,对数据进行初次降维,并用判别嵌入式聚类算法中的经典降维方法对低维数据再次降维。通过两次降维来减少判别嵌入式聚类算法的时间复杂度,提高聚类效率。     

基于改进HHT的奇异值分解和马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性以及故障诊断样本总量少的特点,提出一种基于改进希尔伯特-黄变换的奇异值分解和马氏距离相结合的故障诊断方法。首先,采用改进经验模态分解方法将所测不同工况下的滚动轴承信号分解成多阶固有模态函数,并根据各模态函数的特性选取对各工况信号敏感的模态分量;其次,对敏感模态函数分量组成的特征向量进行奇异值分解,并以分解结果的期望值作为诊断的特征值;最后,将马氏距离判别算法应用于滚动轴承的工况和类型判别。试验结果表明,本文所提方法能有效识别出滚动轴承的工作状态,具有一定的应用价值。     

基于k-近邻域中心偏移的鲁棒性异常检测算法

针对大多数基于距离和密度的异常检测算法敏感于近邻参数k的问题,提出了一种鲁棒性异常检测标准——k-近邻域中心偏移异常因子(COOF).数据结点的k-近邻域中心位置会随着近邻参数k的变化而发生迁移,鉴于异常结点要比正常结点对k-近邻域中心位置偏移量的影响更大,通过累加因递增k而产生的偏移量来表征数据结点的异常程度,并在COOF基础上实现了鲁棒性的异常检测算法.通过综合数据和真实数据的实验仿真可知,COOF不仅对近邻参数k具有鲁棒性,而且相比基于距离的k最近邻算法、基于局部距离的异常因子和基于密度的局部异常因子具有更稳定且更准确的异常检测性能.     

监测网变形分析

大型建筑物,大坝和大桥的变形可能会给人类的生命财产造成严重的损失,因此对这些建筑物进行监测是很有必要的。在有关现场建立监测网为这类变形的监测提供了一个良好的手段,监测网的变形分析对于预防意外事故的发生具有重要作用。 作者把监测网的变形分折过程归纳为以下三个步骤:布设阶段,粗差检测及一致性检验和单点移动的判别。在对粗差检测进行研究之后,提出了一个减少粗差之间相互影响的循环计算方法,该方法还顾及到了在循环计算时观测值局部精度指标为0的情况。指出了丹麦方法与τ检验方法之间的相似性,对丹麦方法中常数c的取值提出了建议,还对一致性检验时应注意的问题进行了讨论。作者根据所介绍的理论与方法编写了相应的计算机程序。     

基于邻域和密度的异常点检测算法

为了减少基于密度的异常点检测算法邻域查询操作的次数,同时避免ODBSN（Outlier Detection Basedon Square Neighborhood）中有意义异常点的丢失和稀疏聚类中的对象靠近稠密聚类时导致错误的异常点判断,提出了一种基于邻域和密度的异常点检测算法NDOD（Neighborhoodand Densitybased Outlier Detection）。NDOD吸收基于网格方法的思想,以广度优先扩张方形邻域,成倍地减少了邻域查询的次数,从而快速排除聚类点并克服基于网格方法中的“维灾”。新引入的基于邻域的局部异常因子代表候选异常点的异常程度,用于对候选异常点的精选,可避免ODBSN的缺陷,发现更多有意义的异常点。大规模和任意形状的二维空间数据的测试结果表明,该算法是可行有效的。     

基于信号变化速率的时间序列异常值检测方法

为了消除奇异值对系统模型辨识的影响, 并提高时间序列数据预处理的效果, 提出一种基于统计分析的奇异值检测方法.该方法将时间序列信号变化特征与统计学理论相结合, 在计算时间序列信号的变化速率的基础上, 对其进行统计分析, 进而得到异常值发生的位置, 并利用内插法对原始的观察信号进行修复.应用结果表明:该算法简单、有效、计算量小, 能满足时间序列数据预处理的需求.     

基于属性约简和相对熵的离群点检测算法

本研究结合信息熵与粗糙集理论中的属性约简技术,提出了一种新颖的离群点检测算法。这种方法通过在更小的属性子空间去获得相同或相近的离群数据集,使对离群数据的分析更加集中于较小的目标域。该算法对原属性空间进行划分,通过分析计算将具有最大相对熵与负相对势的对象集合判定为离群点集合。为了验证算法的有效性,还在通用数据集上进行了测试,理论分析和实验结果表明该离群点检测算法是有效可行的。     

离群点检测算法研究

离群点检测是数据挖掘中一项重要内容,通过对当前有代表性的离群点检测算法的分析和比较,对各算法的优缺点进行了总结.针对高维数据中离群点检测算法进行了分析和研究,提出了高维数据中离群点检测需要注意的一些问题,从而便于研究者以这些算法为基础,在此基础上提出新的改进算法.     

基于距离的不确定数据异常点检测研究

针对实际数据存在不确定性的问题,提出了新的异常点检测方法。首先,定义了基于距离的不确定数据异常点检测概念;其次,设计了相应的不确定数据的异常点检测算法;再次,为降低算法时间复杂度,设计了剪枝策略;最后,实验分析说明了算法对不确定异常点检测的可行性与效率。     

基于距离和的孤立点用户意义分析算法及应用

有关孤立点分析的研究大多集中在如何高效地识别出孤立点,很少有研究提供对识别出的孤立点用户意义的解释。针对这一情况,提出了一种基于距离和的孤立点用户意义分析算法,针对每个孤立点都给出了其原因属性以及对该原因属性的描述,即给出了孤立点的用户意义。最后将该算法应用到质量管理中进行了实验。实验结果表明:该算法是行之有效的,有一定实用意义。     

用于可疑金融交易监控的对比离群点检测模型

对基于单数据集和多数据集的离群点算法进行研究，提出一个基于距离模式进行数据集间参照对比的离群点判别模型，该模型通过数学定义清晰描述了参照集和对比集之间离群点模式的判别检测关系，为深入研究切合金融数据挖掘特点的算法建立形式化描述体系。这一模型也可推广应用于网络入侵检测、财务审计、图像识别、电子商务、医疗疫情监测等领域。     

异常检测综述

异常检测旨在检测出不符合期望行为的数据,因而适合应用于故障诊断、入侵和欺诈检测以及数据预处理等多个领域.针对目前众多的专用和通用异常检测方法,本文侧重对基于统计的主流异常检测方法进行了回顾,力图提供一个新的结构化的异常检测方法的认识框架,并依据其监督和无监督学习算法的原理进行了简单分类,特别对部分异常检测方法间的等价性进行了深入探讨.