采样列化的切比雪夫混沌测量矩阵构造算法研究

压缩感知利用信号的稀疏性,无损地从低维测量信号中恢复高维度稀疏信号,近年来得到极大发展。然而,目前存在的测量矩阵中大多存在元素相关性高等问题,无法保证恢复效果的精确性,大大制约了它们的应用前景。基于此,通过引入切比雪夫混沌系统,提出一种基于采样列化的切比雪夫混沌感知测量矩阵(SC3M)。不同于经典的相对独立取值的构造方法,SC3M矩阵通过对切比雪夫混沌序列做采样列化及归一化处理等操作来确保矩阵的低列相关性,以优化重构效果。进一步,结合Johnson-Lindenstrauss引理严格证明了其满足约束等距特性(RIP),给提出的测量矩阵的应用提供了扎实的理论依据。实验仿真表明,提出的混沌测量矩阵能确保良好的信号和图像重构精度,明显优于纯随机矩阵、伯努利矩阵和高斯矩阵等其它经典测量矩阵。     

无碰撞组合公钥的种子密钥矩阵的优化设计方案

针对组合公钥(CPK)中的密钥碰撞和种子密钥矩阵的存储空间问题,提出了一种系数重映射方法,并设计了种子矩阵因子的选取规则.首先,在标识映射环节后,把产生的二进制比特流划分为系数序列和行序列;然后,按照重映射规则对系数序列进行映射,消除值为0的系数,削减了种子矩阵的存储空间;其次,在种子矩阵生成环节,基于系数重映射方法设计选取矩阵因子的规则,使产生的密钥不会发生碰撞;最后,根据行序列以及递增的列序列,选取公、私钥因子,并依据系数序列和公、私钥因子,计算公私钥.理论分析结果表明可以优化存储空间,解决密钥碰撞问题.     

模拟谐振子算法及其全局收敛性分析

介绍模拟谐振子算法,并分析其全局收敛性。将算法的进化过程分解为产生新解、修正当前解、生成新解集3个基本的进化操作,并将这种状态变化分别映射为3个随机矩阵。应用有限马尔科夫链理论对该算法的解状态矩阵变化进行分析,结果表明,在保留优质解的前提下,当运算时间趋于无穷时,算法会逐渐收敛于全局最优解。     

SMap:基于语义的关系数据库模式与OWL本体间映射方法

伴随语义网的发展,语义网本体数量激增.然而万维网上绝大多数的数据仍存储在关系数据库中.建立关系数据库模式与语义网本体间的映射是一种实现两者之间互操作性的有效途径.因此,提出了一种基于语义的关系数据库模式与OWL本体间的映射方法SMap,包含简单映射发现和复杂映射学习两个阶段.在简单映射发现阶段,首先通过逆向工程规则将关系数据库模式和本体中的元素对应地分为不同类别,再为每个元素构建虚拟文档并计算它们之间的相似度,其中针对不同类别的元素设计了不同的虚拟文档抽取方案.在复杂映射学习阶段,基于已发现的简单映射以及重叠的数据库记录和本体实例,自动化地生成训练事实数据,然后运用归纳逻辑编程算法学习出多种类型的基于Horn规则的复杂映射.真实数据集上的实验结果表明,SMap在简单映射发现和复杂映射学习上均明显优于现有的关系数据库模式与本体间映射方法.     

基于多虚拟矩阵的网络流估计算法

针对现有PMC算法测量精度较低的缺点,提出一种基于多虚拟矩阵的网络流估计算法。运用多个哈希函数对数据包进行哈希映射,对应生成多个虚拟矩阵,通过对生成的虚拟矩阵按位取交集,有效提高算法的准确率。实验结果表明,在存储空间相同的条件下,该算法测量精度更高,适用性更好,能够适应当下的高速网络环境。     

基于混沌序列的压缩感知超宽带信道估计

通过分析超宽带信道本身特性,利用混沌序列良好的随机性,提出一种基于Logistic混沌序列的超宽带信道估计方法。通过Logistic映射产生伪随机序列,对准托普利兹矩阵进行正交变换,产生新的改进型矩阵,并将该矩阵作为压缩感知的测量矩阵,建立贝叶斯压缩感知数学模型对超宽带信道进行估计。仿真结果表明,在同等的实验条件下,与传统的重构算法相比,该方法具有更高的抗噪声性能和重构精度。     

基于Chen超混沌和DNA的彩色图像加密算法

为了提高图像在传输过程中的安全性,使得用户有更好的体验感,将Chen超混沌系统和DNA编码引入图像加密领域;彩色数字图像根据红、绿、蓝三个通道分为三个二维矩阵,并对三个二维矩阵进行DNA分区域编码处理,增加了编码运算的多样性,使得加密过程更加安全;由Chen超混沌系统生成的序列决定了每个二维矩阵的DNA编码解码规则和运算规则,按照相应规则进行加密,加密后由分段Logistic生成相应的序列再次进行行、列置换,分段的Logistic混沌映射可以让系统更快的进入混沌状态;合并红、绿、蓝三个通道的三个二维矩阵,生成三维矩阵,最终得到相应的彩色加密图像。选取相应的彩色图像进行仿真实验,最终的仿真结果表明,所提出的算法加密效果和相关性能指标良好,同时具有较强的安全性和鲁棒性。     

基于奇异值分解的Toeplitz结构测量矩阵构造方法

在压缩感知CS(Compressed Sensing)理论中,测量矩阵的构造至关重要,其性能直接影响到数据压缩采样的效率及信号的重构质量。针对Toeplitz结构测量矩阵重构性能不高的问题,提出一种基于奇异值分解的Toeplitz结构测量矩阵构造方法。首先对Toeplitz矩阵进行奇异值分解,然后通过对该矩阵的非零奇异值进行优化来提高矩阵的列向量独立性,从而提高其重构性能。仿真结果表明,相比较未优化的Toeplitz结构测量矩阵以及当前常用的高斯随机矩阵,当采用优化后的Toeplitz结构测量矩阵对信号进行压缩感知时,信号的重构精度得到显著提高。     

基于迁移子空间学习的偏最小二乘回归软测量方法

针对流程工业中工况改变易导致当前样本与历史样本分布失配,传统软测量模型失准的问题,考虑工业数据时序性、动态性以及存在过程漂移等特性对建模的影响,提出一种基于迁移子空间学习的偏最小二乘回归软测量方法.首先,回归框架采用非线性迭代偏最小二乘方法,对其求解映射向量的目标函数施加基于子空间重构的域适应正则项,映射过程中保证当前工况中每个样本能够被历史工况样本线性重构.在此基础上对重构矩阵施加低秩稀疏约束,保持数据结构的同时使重构矩阵具备块状结构以应对过程漂移特性.将所提出方法在1个数值案例和3个不同的多工况数据集中进行实验,并与现有域适应回归方法进行对比分析.实验表明,所提出方法能够有效提高模型在跨工况条件下的预测精度,减少工况间数据分布差异对模型性能的影响.     

晶格式集群机器人矩阵成型方法及实验

针对复杂非结构环境下作业任务对机器人的多功能性、柔性化等特殊需求,提出一种以映射矩为目标构型识别依据、矩阵元素为成型运动核心的晶格式集群机器人矩阵成型方法.基于离散化处理后的晶格式群体系统与元素离散排列、对称分布的矩阵的相似性,在预处理阶段,将用户给定的二维目标几何构型任务进行矩阵二值化处理后,与初始构型矩阵嵌套和匹配,并依次通过矩阵映射运算、初始构型体的相对定位实现集群机器人对目标几何构型的有效识别.在成型阶段,晶格式机器人个体以矩阵元素为运动依据、晶格单元为成型载体,设计晶格式集群机器人的个体自主成型规则,有效解决群体系统中“走哪里”和“怎么走”的问题.最后,通过仿真实验表明群体矩阵成型方法的可行性和有效性.     

Reconstruction of measurements in state estimation strategy against deception attacks for cyber physical systems

Without the known state equation, a new state estimation strategy is designed to be against malicious attacks for cyber physical systems. Inspired by the idea of data reconstruction, the compressive sensing (CS) is applied to reconstruction of residual measurements after the detection and identification scheme based on the Markov graph of the system state, which increases the resilience of state estimation strategy against deception attacks. First, the observability analysis is introduced to decide the triggering time of the measurement reconstruction and the damage level from attacks. In particular, the dictionary learning is proposed to form the over completed dictionary by K singular value decomposition (K SVD), which is produced adaptively according to the characteristics of the measurement data. In addition, due to the irregularity of residual measurements, a sampling matrix is designed as the measurement matrix. Finally, the simulation experiments are performed on 6 bus power system. Results show that the reconstruction of measurements is completed well by the proposed reconstruction method, and the corresponding effects are better than reconstruction scheme based on the joint dictionary and the traditional Gauss or Bernoulli random matrix respectively. Especially, when only 29% available clean measurements are left, performance of the proposed strategy is still extraordinary, which reflects generality for five kinds of recovery algorithms.     

易于硬件实现的压缩感知观测矩阵的研究与构造

在压缩感知过程中,观测矩阵在信号采样及重构中具有重要作用,构造易于硬件实现、结构简单且占内存较小的观测矩阵是压缩感知理论能否实际应用的关键问题之一。提出两种易于硬件实现的观测矩阵,即顺序部分哈达玛观测矩阵和循环伪随机观测矩阵,其中循环伪随机观测矩阵可分为循环m序列和循环gold序列,并证明了伪随机序列所构造的观测矩阵满足有限等距准则。为验证上述两种观测矩阵性能,对二维图像信号进行仿真,结果表明,在较低的采样率下顺序部分哈达玛观测矩阵的重构效果最优,但是采样信号长度必须是2的k次幂;循环伪随机观测矩阵的重构效果虽然弱于顺序部分哈达玛观测矩阵,但是明显优于高斯随机观测矩阵,克服了顺序部分哈达玛矩阵观测信号必须是2的k次幂的限制。提出的两种观测矩阵易于硬件实现,避免了随机矩阵的不确定性且克服了随机矩阵浪费存储资源的缺陷,具有良好的实际应用价值。     

基于分离字典构造的快速压缩感知重构算法

针对当前压缩感知重构算法存在重构质量偏低、重构时间过长等问题,提出了基于矩阵流形分离字典构造的分块压缩感知重构算法。首先,该算法基于矩阵流形模型训练出可分离稀疏表示矩阵,并对其正交化;其次,构造随机测量矩阵,并利用矩阵运算将其与得到的稀疏表示矩阵进行结合,进而构造出一组分离字典;最后,将该字典用于信号压缩感知中,并通过线性运算实现信号的快速重构。实验结果表明,与当前主流的压缩感知重构算法相比,所提算法在重构精度以及重构时间上都具有一定提升,并在对实时性要求高的领域中具有很好的应用价值。     

基于准循环低密度奇偶校验码的压缩感知测量矩阵

针对随机测量矩阵元素随机产生、不易于硬件实现的缺点,利用有限域上准循环低密度奇偶校验(QC-LDPC)码奇偶校验矩阵的构造方法,设计了一种确定性的结构化稀疏测量矩阵。由于QC-LDPC码的信道编解码性能较好,故以此为基础构造压缩感知(CS)测量矩阵预计有较好的性能。分别用一维和二维信号的CS重建实验验证新矩阵的性能,结果表明,与常用的测量矩阵相比,在相同的重建算法和压缩比条件下,新矩阵对应的重建误差较低,在峰值信噪比(PSNR)的评价指标上有所提高(0.5~1dB)。特别地,所提的确定性测量矩阵在结构上具有对称特性和准循环特性,如将其应用于硬件实现,可降低物理内存的需求量与硬件实现的复杂度。     

基于大数据分析的2×1000 MW火力发电机组不良数据识别方法研究

为了对2×1000 MW火力发电机组飽不良数据进行分析和识别,提出了电机组运行状态预测模型,以超短期电功率为预测对象,从不良数据的角度出发,建立了一个基于支持向量机(SVM)和随机马尔科夫链的数据分析识别模型。首先,基于大系统数据,利用SVM对电机组进行预测,得出误差和特征;然后,基于马尔科夫链原理,建立状态转移概率矩阵,修正SVM模型的结果;最后,对状态预测数据进行分类整理。对于2×1000 MW火力发电机组,实验结果表明,所提方法可以较准确地分析识别不良数据,准确率达到92%,为2×1000 MW火力发电机组提供良好的纠错环境。     

半张量积压缩感知模型的l0-范数解

目的 半张量积压缩感知模型是一种可以有效降低压缩感知过程中随机观测矩阵所占存储空间的新方法,利用该模型可以成倍降低观测矩阵所需的存储空间。为寻求基于该模型新的重构方法,同时提升降维后观测矩阵的重构性能,提出一种采用光滑高斯函数拟合l₀-范数方法进行重构。方法 构建降维随机观测矩阵,对原始信号进行采样;构建可微且期望值为零的光滑高斯函数来拟合不连续的l₀-范数,采用最速下降法进行重构,最终得到稀疏信号的估计值。结果 实验分别采用1维稀疏信号和2维图像信号进行测试,并从重构概率、收敛速度、重构信号的峰值信噪比等角度进行了测试和比较。验证结果表明,本文所述算法的重构概率、收敛速度较该模型的l_q-范数（0 <q <1）方法有一定的提升,且当观测矩阵大小降低为通常的1/64,甚至1/256时,仍能保持较高的重构性能。结论 本文所述的重构算法,能在更大程度上降低观测矩阵的大小,同时基本保持重构的精度。     

马尔可夫链用于仓储建模与仿真

该文从马尔可夫吸收链概率矩阵元素的多步转移情况出发,很简明地推导了马尔可夫吸收链的变化规则,明确了吸收链基矩阵与非吸收子阵的关系以及吸收概率矩阵与吸收链基矩阵的关系,然后根据仓储状态的马尔可夫性质建立了仓储数学模型,研制了计算机仿真软件,在软件平台上,只要给出库存初始参数和出库随机分布就可以清楚地看到库存量动态变化过程,并预测达到库满或库空所需时间,从而使仓库管理更趋科学。     

基于竞争请求的CM上行发送缓冲区大小的计算方法

基于HFC(Hybrid Fiher Coax)网络的国际标准DOCSIS规范,分析了其网络接入设备CM(Cable Modem)上行带宽分配的竞争请求机制.首先给出了上行信道带宽竞争请求算法的马尔可夫链模型,以此为基础建立了CM端的上行信道数据帧发送过程的M/M/1/K排队模型,并给出了上行信道数据帧发送缓冲区大小的理论估计方法.通过NS-2仿真工具进行仿真,验证了该方法可以较为准确地估计CM上行发送缓冲区的大小与溢出概率的关系,从而证明该方法能够为上行发送缓冲区的大小设置提供理论参考依据.     

低存储化压缩感知

目的 非相关观测是压缩感知(CS)理论中的关键因素。高斯随机矩阵作为一种普适的CS非相关观测矩阵,在压缩感知中得到广泛的研究与应用。但在实际应用中,却存在实际内存占用较多,不适应大规模应用的问题。为寻求降低随机观测矩阵所需的存储空间,提出一种基于半张量积的压缩感知方法,利用该方法可以成倍地降低观测矩阵所需的存储空间。方法 该方法利用半张量积理论,构建降维随机观测矩阵,实现对原始信号的随机观测,并采用l^q(0< q< 1)范数的迭代重加权最小二乘法进行重构,从而得到稀疏信号的估计值。结果 仿真实验分别采用1维稀疏信号和2维图像信号进行了测试,并从重构概率、迭代收敛速度、重构信号的峰值信噪比等角度进行了测试和比较。通过不同大小的随机观测矩阵比较验证表明,采用降维后观测矩阵进行采样和重构,其重构信号质量并没有明显下降,但其观测矩阵所需的存储空间却可大大降低,如降低为通常的1/4,1/16,甚至更低。结论 本文压缩感知方法,可以大大降低观测矩阵所需的存储空间,同时有效降低数据运算复杂度以及内存占用率,有助于压缩感知的应用。