摘要：基于数据分析的低压台区电能表误差分析方法仅仅依赖于计量系统中台区计量数据,具有覆盖率高、快速便捷的优点,但受制于模型病态性而无法保证计算所得电表误差的精度。针对由病态性而导致的模型求解困难问题,文章从数据和求解算法两方面着手提高求解精度。通过设计基于贪心策略的数据优选算法,快速选取有利模型求解的数据;通过改进经典吉洪诺夫正则化算法,抑制解的波动,从而有效解决智能电表运行误差检定算法模型病态。以天津电网实际低压台区用电数据为算例,验证了所提方法能够有效提升智能电表运行误差检定算法的计算准确度,为实际的电能表检定维护工作提供科学参考。

摘要：针对现有掌纹采集方法的不足,设计一种新的非接触式高分辨掌纹采集方法,并对可能产生的离焦现象提出一种基于方向小波的正则化掌纹图像复原方法.理论和实验结果表明,该方法有效地弥补了现有掌纹图像采集方法与图像分辨率的不足.

摘要：将人脸形状和纹理的统计先验作为约束 ,引入经典正则化图像恢复算法框架 ,并给出迭代求解算法 ;同时 ,定义了反映图像模糊程度的边缘活动度 ,并在迭代的每一步中计算图像的边缘活动度 ,以确定在迭代求解过程中人脸先验对解进行约束的程度 由于人脸统计先验的约束以及引入边缘活动度来指导迭代求解过程 ,避免了由经典恢复算法得到的结果中会出现的振铃波纹 对实验结果的分析和主观感受表明

摘要：针对采用非负支撑域受限递归逆滤波(NAS-RIF)算法对低信噪比图像进行复原时将导致算法性能恶化的问题,提出一种与提升小波变换相结合的NAS-RIF盲复原算法.首先对退化图像进行整数提升小波分解,得到不同频带子图像的信息;然后对各个频带子图像分别采用基于空间自适应和正则化方法的NAS-RIF算法进行复原,针对不同频带子图像的频率和方向特性,通过自适应地选取对应的正则化算子、正则化参数和空域加权因子,达到对低频子图像去模糊、对高频子图像抑制噪声,并保持边缘细节的目的;最后通过整数提升小波逆变换得到复原后的图像.在不同的信噪比条件下对2种模糊图像进行仿真实验,采用文中算法得到的信噪比增益分别为5.849 1dB和9.713 6dB.实验结果表明,文中算法不仅取得了更优的图像复原效果,而且具有较快的收敛速度.

摘要：运动模糊图像盲复原是图像处理中的关键问题之一.由于模糊信息估计的复杂性以及图像噪声的影响,现有算法往往难以做到高质量的图像复原.为改善模糊信息估计的效果,提出一种基于自适应线性滤波的改进算法.首先在原有模糊信息估计过程中引入自适应动态线性滤波以抑制噪声影响,达到改善模糊信息估计结果的目的,同时可以起到调整优化目标的作用,使原问题变得较容易求解,从而获得高质量的模糊信息估计;在此基础上提出了改进的重定权值split Bregman迭代法,用于获得模糊信息后求解原始图像的过程中,进一步改善模糊图像复原的效果.实验结果表明,与3种现有的模糊图像盲复原算法相比,该算法能更准确地估计模糊信息,对多数图像复原任务具有更好的鲁棒性,能有效地用于运动模糊图像复原任务.

摘要：基于正则化技术的稀疏成分分析方法可同时完成模型选择和参数估计功能。现分别从迭代算法的设计和对应岭估计的构造两方面切入,研究正则化函数的选取及特点,并深入分析其模型参数辨识的机理,说明正则化参数与广义岭估计的最佳岭参数的耦合性。该方法可操作性强,可保证参数迭代的收敛性,对于正则化函数的构造和参数估计的统计特性分析均有规则可循。缺项多项式和制导工具误差系数求解的数值例子表明,该方法具有有效的一体化模型选择和参数估计功能。

摘要：为研究星载光学遥感成像系统的复杂性,由复杂系统的基本特征与系统研究的基本原则出发,通过对成像全链路流程的分析,确定光学遥感成像系统的复杂性来源及其表现形式。建立星载光学成像的数学模型,以系统重要参数——调制传递函数为基点,通过正过程建模分析和逆过程测量计算相结合的方式,分析了系统复杂性研究的基本原则,即还原论与整体论相结合、定性与定量相结合的过程。由正、逆过程的对比分析,一方面阐述了系统性能与各个环节参数之间的关系,另一方面又由正则化盲反卷积的方式得到图像中真实的调制传递函数。二者相辅相成,既能通过补偿系统复杂性因素影响提升系统性能,又能进一步指导系统优化设计。

摘要：以2%和5%噪声强度的集装箱船操纵仿真数据为基础,用遗传算法求解船舶操纵运动系统的反问题,其干扰系数的敏感性好,但稳定性不够.为解决上述不适定性问题,提出采用遗传算法与正则化方法相结合求解船舶操纵运动系统反问题.该方法分析有2%和5%噪声时的操纵仿真数据,反演干扰系数的结果显示,数值求解稳定性好,且改进的方法更适合船舶操纵的实际测量数据.

摘要：许多统计建模方法需要通过一个或多个调节参数来控制模型的复杂性.这些调节参数可以是非参数回归或密度估计中核光滑方法的带宽,也可以是在高维建模中利用正则化方法进行特征选择的相关正则化参数.调节参数选择在统计建模和机器学习中起着关键作用.对于大规模数据分析,诸如基于信息准则的网格点搜索等常用的调节参数选择方法往往需要巨大的计算成本.即使利用并行计算平台,常用方法的可行性仍值得怀疑.本文旨在开发一种快速算法来有效地近似最优调节参数.该算法需要(a)假设一个参数模型来描述最优调节参数与样本大小之间的趋势,(b)利用子采样数据拟合模型并建立趋势,进而(c)将这种趋势外推至大样本的情形.为了确定子采样样本大小,在给定总计算成本预算的约束下,本文推导子采样的理论最优设计,并进一步证明估计的设计具有渐近最优性.本文的数值研究表明,在多个统计应用中,即使利用一个简单的两参数幂函数模型,所提出的算法所挑选的调节参数与基于全数据集所得到的调节参数几乎一致,同时显著地减少了计算时间和存储空间,表现出明显的优势.

摘要：为给纺织材料的设计试验提供理论支持与科学依据,基于低温环境下纺织材料热湿传递稳态模型,提出了纺织材料类型设计反问题,即根据人体所处环境温度-湿度值,依据人体服装舒适性指标,已知材料微观结构与厚度,决定材料的类型。根据正则化思想将类型设计反问题的求解归结为一个函数极小化问题。利用非线性常微分方程的正演算法与函数极小化问题的一维Hooke-Jeeves搜索,构造了反问题正则化解的迭代算法。通过分析不同环境下着装的MatLab数值模拟结果,得出结论,正则化算法与Hooke-Jevees模式搜索法能够求解纺织材料类型设计反演问题,同时数值模拟试验验证了算法的有效性和反问题提法的合理性。