多网络约束下NNS分布式融合估计器设计

针对节点量测增益衰减、节点能量受限与系统模型不确定3种网络约束下具有随机通信时滞和非固定丢包率的组网导航系统(NNS)分布式状态融合估计问题，将增益衰减程度描述为统计特性已知的随机变量，将模型不确定描述为系统矩阵中的乘性有色噪声，将减小能耗描述为降低节点数据传输率。分别在邻节点端和目标节点端引入2种不同的线性编码器以解决丢包与时滞问题。建立丢包率与同时传输信息的节点数目之间的函数关系，将邻节点在过去有限个时刻的量测值进行线性编码后再传输，以补偿丢包与降低传输率导致的信息损失。目标节点把在同一采样周期内获取的来自同一邻节点的多个量测值按时间戳进行线性编码，以解决通信时滞导致的信息多余。基于2次线性编码建立增广系统模型，设计最小方差意义下局部无偏估计器，利用最优矩阵加权融合法得到全局融合估计器，推导得到融合估计误差协方差收敛的充分条件及次优传输率。通过算例仿真验证所提算法的有效性。     

齿轮故障识别的密度峰值聚类欠定盲源分离算法

为提高盲源分离算法在振动源数目估计问题中的噪声鲁棒性，提出了一种基于密度峰值聚类的欠定盲源分离算法。对预处理后的信号提取单源点，通过密度峰值聚类对单源点进行聚类得到混合矩阵的估计值。通过基于压缩感知模型对源信号进行重构，得到分离信号。为验证所提算法分离准确性和噪声鲁棒性，用所提算法对不同信噪比下的仿真信号进行分离，结果显示：在信噪比不低于4 dB时，所提算法均可以准确分离出源信号，算法的准确性和鲁棒性得到验证。设计旋转部件故障诊断试验台对所提算法在实际应用中的有效性进行验证，对实测复合故障振动信号进行分离，试验结果表明该算法成功分离出观测信号中的锥齿轮和行星齿轮单一故障特征，有助于工程中旋转部件故障诊断。     

采用局部约束线性编码的像素级舰船目标图像融合

为了提升视觉信息在低能见度条件下的适用性,提出了一种采用局部约束线性编码的像素级舰船目标图像融合方法.首先,采用K均值奇异值分解算法从海量的训练样本中完成过完备字典的学习.其次,在考虑着舰导引实时性任务需求的前提下,采用局部约束线性编码完成融合系数的非迭代求解,相较于压缩感知理论架构下的匹配追踪算法,极大地降低了计算复...     

基于深度学习的电力数据分析研究

针对传统电力数据分析方法存在适用范围有限、模型复杂等导致电器分类准确率较差的问题,提出了一种基于多层堆叠长短期记忆(Long short-term memory,LSTM)网络的电力数据分析模型。首先,根据电力数据的频谱图、Mel频率倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)和Mel频谱图提取电力数据的特征,然后将其应用于深度学习模型并提高分类任务的性能,从而改善过拟合问题。其次,建立了一个多层堆叠LSTM模型,从而有效提高模型的分类和回归能力。最后,提出了一种改进的软独热编码和多尺度训练方法,从而防止峰值概率分布,提高模型的泛化能力。实验阶段,以家庭电力数据集为例,对所提模型进行验证。仿真结果表明,所提模型软独热编码及多尺度训练对加快训练效果具有一定效果,最终分类准确率到达89.85%。     

面向量化分块压缩感知的区域层次化预测编码

在量化分块压缩感知的预测编码中，低参考价值的候选者将导致较差的率失真性能。为了高效地降低编码失真，提出了一种基于螺旋逐块扫描的区域层次化预测编码方法。在以同一采样率进行观测后，各块按由内向外的扫描次序进行预测与量化。当前观测矢量从上下文感知候选集中选取与之具有最小误差的反量化矢量，作为其预测矢量；根据层次相关性，所有块被划分到3种区域之一，通过块编码模型为不同区域设定自适应的质量因子，关键区域被赋予较大的质量因子。与现有的预测编码方法相比，所提方法综合利用了矢量之间的空域相关性和层次相关性，实验结果获得了至少0.12 dB的率失真增益。