摘要：发展快速有效的反演算法用于粒径分布的重建是颗粒测量领域重要的研究课题之一。在光谱消光法粒径测量中,提出将模式搜索算法用于独立模式下粒径分布的重建,同时引入Tikhonov平滑泛函构建算法的目标函数,为保证搜索过程的快速性和准确性,设计了关于初始点的优选策略。利用该算法测量国家标准颗粒体积平均直径的相对误差为3.14%,不超过国家标准物质局给出的±8%的范围,且粒径分布宽度合理,没有明显展宽和伪峰现象。与Phillips-Twomey方法和遗传算法的对比结果表明,在综合考虑反演精度和反演时间条件下,该算法具有明显优势,更适合于快速准确的现场测量,具有较好的应用前景。

摘要：针对模式识别算法全局性不好,对约束问题存在不稳定收敛等问题,设计了一种基于模式遗传混合算法。为了改进模式搜索算法的全局搜索能力,在模式算法中引入了信息向量用于表达每个方向的搜索状态,适时调整搜索速度,并用轴向增益改进组合模式搜索,模式不成功转入遗传交叉搜索。通过标准函数测试比较,改进的模式遗传算法具有较好的全局搜索能力,且精度高,速度快。把改进的模式遗传搜索方法用于实际微分PID控制器的参数优化,与遗传算法等多种方法的结果相比,优化性能满意。

摘要：波束形成在声纳/雷达信号处理中占有重要的地位,而设计出满足要求的波束形状是声纳/雷达信号空间处理的重要内容。自适应波束形成算法理论上可以获得最优的工作性能,但其计算复杂度高、宽容性差等缺点严重地限制了这些算法的实际应用。本文采用基于模式搜索的波束优化算法,获得了与实际接收数据无关的、类似于窗函数的幅度权系数。与加窗波束形成算法相比,这种方法可以在保证主瓣宽度不展宽的情况下,有效降低旁瓣级,并且,这种方法对基阵的几何形状没有任何限制。

摘要：根据自学习遗传算法的原理,设计了基于模式搜索的学习算子.在此基础上与改进的遗传算法结合,提出了一种基于模式搜索的自学习遗传算法.通过对该算法在复杂函数优化情况下与传统遗传算法的对比测试表明,该算法的改进是有效的.

摘要：针对传统风能最大功率跟踪控制方法难以实现实际输出功率最大化或无法兼顾跟踪速度和精度等问题,提出了一种新的跟踪控制方法。依据当前风速以及风力机特性曲线,采用叶尖速比控制实现风能捕获最大化,利用模式搜索法搜索并获得系统最大输出功率点,通过设计模糊PID控制器实现系统对给定参考转速的快速跟踪。该方法将模式搜索法与叶尖速比控制法有机结合,既具有叶尖速比控制原理简单、容易实现的特点,又具有模式搜索法收敛快、精度高等优点。仿真和试验结果表明,该方法可实现输出功率的最大化,有效提高了系统的风能利用率。以风速为6.7 m·s-1时为例,系统输出功率相比于单纯采用叶尖速比控制时提高了约4.8%。

摘要：根据轮胎动力学知识以及美国的Chistopher ***博士等人提出的轮胎的纵向刚度与胎压成反比关系这一理论,对轮胎的力学模型进行分析建模,并通过估计轮胎纵向刚度从而来间接地判断轮胎气压的异常情况。本文首先介绍了轮胎的数学建模分析过程,然后运用基本模式搜索法和变步长的模式搜索法分别进行仿真,并将仿真结果对比分析,从而得知采用变步长的模式搜索法在估计精度方面更有优势。

摘要：由于空间小,设备多,同址干扰在现代通信平台上十分普遍;为了减小同址干扰对接收机性能的影响,设计了一种基于正交矢量合成的自适应干扰抵消器;根据其中DSP控制单元提取出的数据的特点,提出了将模式搜索算法（PSA）作为控制器算法,并对其进行了改进;利用实际测量的数据进行了仿真分析,结果表明,相比于PSA算法、模拟退火算法、遗传算法,改进后的PSA算法具有更快的收敛速度,同时收敛精度相差无几;最后将算法在DSP中实现并在100~500 MHz进行干扰抵消比的测试,大部分频点可达40dB,满足性能要求;可以看出,模式搜索算法具有局部寻优能力强,工程上易于实现的优点,适用于需要快速收敛的寻优过程。

摘要：设计时间序列数据在Hadoop分布式文件系统(HDFS)中的有效存储方式,利用分布式缓存工具Distributed Cache将各子序列分发到Hadoop集群的计算节点上,将动态时间弯曲距离矩阵划分成多个子矩阵,采取并行迭代计算每条反对角线上子矩阵的方法,基于MapReduce编程模型,实现高效并行计算时间序列动态弯曲距离,通过改进剪裁冗余计算方法,设计实现一种数据流多模式相似性搜索并行算法。中国雪深长时间序列数据集的实验结果表明,当每条时间序列的长度达到5 000以上时,并行计算动态弯曲距离所需时间少于串行计算所需时间,当每条时间序列的长度达到9 000以上时,参与计算的集群节点越多,并行计算所需时间越少;当模式长度达到4 000、参与计算的集群节点数达5个以上时,从数据流中并行搜索出与模式匹配的相似子序列所需时间约为串行搜索所需时间的20%。

摘要：为了提高道路异常交通事件检测效率并降低误报率,提出了一种基于时间卷积自编码网络的实时交通事件自动检测方法。首先设计了基于波动相似性度量的交通模式搜索算法用来筛选具有相同交通规律的样本数据;并构造了交通流模式矩阵作为网络模型输入,以避免样本不均衡与单一样本数据随机性对交通模式学习的干扰;同时设计了新的时间卷积自编码网络对交通模式特征进行无监督提取并对未来交通参数进行合理预测;为了降低交通流参数随机波动性带来的事件判别的干扰,设计了异常状态评估方法,通过对模型预测误差分布的学习,结合当前检测数据给出最终的事件判定结果。采用美国西雅图I90公路与I405公路2015年全年的交通流检测数据与历史事故数据进行实证研究,并与6种典型交通事件检测算法进行性能对比。研究结果表明:基于时间卷积自编码网络的实时交通事件自动检测算法具有较高的检测率、较低的误报率以及更快的平均检测时间;综合各种交通运行情况下,可接受误检率分别为5%、10%时,平均检测率可分别达到93%、98%;同时算法能够自适应学习交通状态的动态变化,对不同交通运行环境具有较强适应性与稳定性。

摘要：在常规16QAM星座图案基础上,提出了一种基于模式搜索算法的16QAM星座几何整形方案。该方案设计了一种以符号间误符号率为基础构造的目标优化函数,可以计算得到在不同信噪比条件下的16QAM几何整形星座图案。为了对比常规16QAM星座图案与几何整形16QAM星座设计的性能,搭建了加性高斯白噪声信道下的基带传输仿真系统,仿真测试了在不同的信噪比条件下常规16QAM调制与几何整形16QAM调制的误符号率。仿真结果表明几何整形16QAM方案相对于常规16QAM可以带来误符号率性能提升。