数字化变电站同期功能的实现

同期合闸功能是变电站自动化系统的重要功能。随着电子式互感器的应用和IEC 61850标准的推广,在数字化变电站自动化系统中,同期功能的实现方法有较大变化。文中介绍了数字化变电站自动化系统中同期功能实现方案,包括采样值接收、采样值异常处理、重采样、同期点预报等模块,该方案充分考虑了采样值的传输延时,并对传统的同期点预报算法进行了改进,使之更适应数字化变电站的应用需求。经实验室验证和现场运行证明,该方案能够安全正确地实现数字化变电站的同期功能。     

数字化测控装置关键技术的实现

介绍了当前数字化变电站系统架构,提出了一种基于IEC61850协议的数字化测控装置的软硬件设计方案.装置硬件由可插拔的功能模件组成,模件之间通过现场总线交互信息.数字化交流量采集和控制模件采用MPC8247和TMS320F2812型DSP为硬件平台.MPC8247负责接收以太网上交流量数据,TMS320F2812对数据进行重采样和计算.对同期合闸等关键技术进行了研究,提出了一种拉格朗日插值的重采样方法和注意点:重采样数据必须实时、连续、准确,而且要求频率跟踪,4点缺一不可,否则将造成合闸动作不正确.实际结果表明,交流量采集精度满足GB/T13729国家标准的要求,同期操作正确、可靠.该装置已在国内某500 kV数字化变电站中得到应用.     

基于加密技术的DCT域图像公开水印算法

DCT变换是当前JPEG压缩中所使用的一个处理过程,它能把图像的能量集中到左上角的低频系数上,该文利用这个特点有效地实现了水印的鲁棒性与透明性的平衡。此外,为了进一步提高水印的鲁棒性与安全性,该算法有机地结合了重采样置乱和混沌加密等方法对水印信息进行加密预处理。实验表明,该算法高效、安全性能好,且具有较好的不可感知性,对常见的图像处理及剪切攻击等具有较好的鲁棒性。     

多方法融合的粒子滤波算法的神经丝自动跟踪

神经丝蛋白质是医学中研究肌萎缩侧索硬化症病情进展的标志物.为了能精确捕获某种神经丝蛋白质在神经鞘中的活动特性,引入了一种多方法融合的粒子滤波算法跟踪神经丝蛋白质的运动.该算法汲取颜色直方图法、核函数法及图模法等的优点,融合粒子滤波算法,实现自动跟踪神经丝蛋白质.此外,为了解决粒子滤波中样本贫化,即在粒子滤波计算中很大一部分粒子重叠到一个单独的点上的情况,需要重采样计算解决此问题.但在重采样过程中,容易造成一些粒子丢失各向异性而导致跟踪精度降低,甚至跟踪目标失败,故结合粒子滤波算法提出了一种改进重采样约束方法.实验结果表明,基于改进重采样法及多方法融合的粒子滤波算法较传统算法能有效地减少样本贫化问题,并且可以高精度地跟踪移动、变形的神经丝蛋白质,为医学中神经丝蛋白质研究提供了新支撑方法.     

伪造图像典型篡改操作的检测

在图像篡改中常使用几何变换、JPEG(Joint Photographic Experts Group)压缩以及模糊操作,其特性是图像伪作检测的依据。首先定义兼顾重采样和JPEG压缩特性的块度量因子,将待测图像重叠分块计算块度量因子,利用其值的不一致性来检测定位篡改区域。实验结果表明,与现有针对性单一的检测方法相比,该方法可以检测更多篡改组合模式下的篡改操作并能有效定位出篡改区域,且对于有损JPEG压缩具有较好的鲁棒性。其次,提出一种检测模糊痕迹的方法。利用一定的模糊核对待测图像进行再次模糊,计算模糊前后两图像的像素差值,根据差值图像值的不同分类完成模糊篡改区域的定位。实验结果表明,该方法能实现对不同模糊方式的盲检测,且对JPEG压缩的抵抗能力较好,同时与现有基于分块检测的方法相比,大大降低了计算复杂度且能检测出较细小的模糊痕迹。     

基于自适应重采样的雷达信号压缩算法

针对实际应用中雷达采集的信号数据量较大、难以实时传输和存储的问题,提出一种基于自适应重采样的雷达信号压缩算法。对雷达信号进行分段处理,根据每段信号频谱的特点自适应地确定一个重采样率,通过对信号的重采样实现对雷达信号的压缩,利用零插值和低通滤波实现对信号的重构。实验结果证明了该算法的有效性。     

基于粒子群优化的Unscented粒子滤波算法

针对Unscented粒子滤波(UPF)算法中的粒子退化及重采样引起的粒子枯竭等问题,利用粒子群优化算法使粒子通过比较其当前值与最优粒子的适应度值调整自身速度,向高似然域移动,寻找最优位置,并对重采样过程进行优化,以缓解粒子的退化及枯竭问题。实验结果证明,该算法提高了UPF算法的状态估计精度。     

非平衡类数据分类概述

本文对非平衡类数据分类问题进行了概述。首先在简单介绍非平衡类数据基本概念的基础上,分析了非平衡类数据引起的问题及其导致分类性能下降的原因;然后介绍了目前主要的解决方法,分析了现有处理方法的优缺点;最后讨论了未来的研究方向。     

Curvature-aware adaptive re-sampling for point-sampled geometry

With the emergence of large-scale point-sampled geometry acquired by high-resolution 3D scanning devices, it has become increasingly important to develop efficient algorithms for processing such models which have abundant geometric details and complex topology in general. As a preprocessing step, surface simplification is important and necessary for the subsequent operations and geometric processing. Owing to adaptive mean-shift clustering scheme, a curvature-aware adaptive re-sampling method is proposed for point-sampled geometry simplification. The generated sampling points are non-uniformly distributed and can account for the local geometric feature in a curvature aware manner, i.e. in the simplified model the sampling points are dense in the high curvature regions, and sparse in the low curvature regions. The proposed method has been implemented and demonstrated by several examples.     

基于随机子空间的多分类器集成

提出了一种基于随机子空间的多分类器集成算法RFSEn.首先选择一个合适的子空间大小,然后随机选择特征子集并投影,并得到子空间上的基分类器,从而通过基分类器构成集成分类器,并由集成分类器来进行文本的分类.将该算法与单一分类器和基于重抽样技术的bagging算法进行了比较,在标准数据集上进行了实验.结果表明,该方法不仅优于单一分类器的分类性能,而且一定程度上优于bagging算法.