摘要：将贝叶斯模型方法运用于基于图像重构误差控制下的骨架简化问题,通过建立平衡算法实现重构精度与骨架简化的平衡统一.在算法的设计中,通过对骨架分支级别的设置,运用重构误差和骨架简洁度两个控制参数以及平衡算法,在骨架主轴的基础上通过添加相关各级别的骨架分支,实现对骨架分支的优选,最终获得图像的最优近似骨架.实验结果表明:本算法对于边界扰动具有较好的鲁棒性,与其它方法相比,本算法复杂度较低,运算速度更快,得到的骨架也更简洁.

摘要：针对高超声速飞行器的轨迹跟踪问题,开展基于误差累积因子的渐进自适应控制方法研究。考虑模型未知,尽管传统基于神经网络/模糊系统的智能控制算法能够通过对模型中未知动态进行重构和补偿实现对期望指令的稳定跟踪,但是由于重构误差的存在,并不能获得精确跟踪结果。为解决高超声速飞行器在未知模型下的渐进跟踪控制问题,通过引入误差累积因子的概念构建了一种改进型Lyapunov函数,并基于此设计了一种新型模糊自适应控制算法,该算法通过保证设计的Lyapunov函数始终有界来实现系统的渐进跟踪性能,无需对模糊重构误差进行额外处理。Lyapunov稳定性理论证明了闭环系统的稳定性,对比仿真验证了所提控制算法的有效性。

摘要：针对两通道正交图滤波器组频率特性差的问题,提出了一种基于二阶泰勒近似的迭代算法.首先,该算法将两通道正交图滤波器组的设计问题归结为一个带约束优化问题.将图滤波器组的重构误差作为目标函数,滤波器的阻带衰减作为约束函数;然后,通过泰勒近似将高度非线性非凸的目标函数转化为关于增量的凸的二次函数,将非凸优化问题近似为凸的优化问题;最后,采用迭代方法求解该优化问题.仿真结果表明,与伯恩斯坦多项式逼近的算法相比,新算法设计的两通道正交图滤波器组重构误差减小了约1个数量级,信噪比提高了约8dB.

摘要：提出频率响应遮蔽(frequency response masking,FRM)与改进型离散傅里叶变换(modified discrete Fourier transform,MDFT)相结合的近似精确重构的低复杂度星载信道化器。其中,FRM结构可以较低复杂度设计出过渡带陡峭的有限冲激响应滤波器(finite impulse response,FIR)低通原型,MDFT滤波器组结构可以基本消除滤波器组的邻带混叠,将FRM结构中不适合邻带拼接的结构改进为高通、低通滤波器互补结构,降低了拼接抖动。调整MDFT结构中的上采样率,使之适合于奇偶分离的信道化器。继而提出新的结构,更适合应用于非均匀带宽。仿真表明,所提方法具有更低的运算复杂度,更陡峭的过渡带和更窄的保护间隔,更小的重构误差。

摘要：针对光纤布拉格光栅(FBG)传感系统中数据量庞大、不利于数据传输及存储的问题,提出了一种分段自适应采样压缩感知与改进的正交匹配追踪(SASCS-IOMP)算法。利用设计特定参数的Gabor滤波器提取FBG光谱信号上边带斜率最大的频率点,根据Hilbert变换粗定位FBG中心波长位置,并对FBG光谱进行自适应分割。在不同分割区域设置不同的信噪比阈值,以降低光谱信号的总压缩比。在自适应采样过程中,为缩短算法的运行时间,引入比例-积分-微分控制算法,设计一种自适应步长增长机制,最后利用IOMP算法重构光谱。仿真结果表明,在单峰和多峰情况下,SASCS-IOMP算法都能降低总观测值的数目,且FBG光谱3dB带宽内的重构误差均在0.7%以内。

摘要：异常流量检测现有方法大都是基于有监督的学习,在现实生活中获取并标记异常流量数据样本是极为困难的,存在诸多限制.此外,由于网络异常数据的多样性和复杂性,各种检测方法的自适应性较差,对新出现的异常流量难以判断.针对上述问题,本文设计了一个基于生成对抗网络和记忆增强模块的半监督异常流量检测框架MeAEG-Net(Memory Augment Based on Generative Adversarial Network),通过只训练正常流量样本数据,比较生成器模块输入流量底层特征的重构误差来达到检测异常的目的 .在模型中使用生成对抗网络来更好地训练生成器,生成器采用自编码器加解码器的结构来解决自编码器易受噪声影响的问题,并在自编码器子网络中添加记忆增强模块来削弱生成器模块的泛化能力,增大异常流量的重构误差.实验证明,本文提出的方法能在只学习正常流量数据样本的前提下达到很好的异常流量检测效果.

摘要：针对局部线性嵌入(LLE)降维算法中邻域参数的人工设定及其全局性的缺陷,研究了聚类和降维的内在联系,提出了邻域参数的自适应选取策略,构建了一种聚类和降维的自适应局部线性嵌入(ALLE)算法,为每个样本点设计最佳的近邻搜索空间,自适应选取邻近点计算权值重建矩阵,基于类信息重新定义了重构误差函数。实验表明,新算法更能体现出数学上流形概念的局部坐标化本质,对不相关数据、冗余数据和噪声数据具有良好的鲁棒性,在实际识别问题中体现出优越的性能。

摘要：可靠高效的数据收集是无线传感器网络(Wireless sensor networks,WSN)应用中的关键问题.然而,由于无线通信链路的高失效率、节点资源受限以及环境恶劣等原因,网络容易发生丢包问题,使得现有的数据收集方法无法同时满足高精度和低能耗的要求.为此,本文提出了一种基于压缩感知的高能效数据收集方案.该方案主要分为节点上的数据处理和数据收集路径优化两个步骤.首先设计了基于指数核函数的稀疏矩阵来对感知数据进行稀疏化处理,然后综合考虑了数据的传输能耗和可靠性等因素,采用分块矩阵的思路,将单位矩阵和准循环低密度奇偶校验(Low density parity check,LDPC)码的校验矩阵相结合构造了测量矩阵,并证明了它与稀疏矩阵之间满足限制等距性质(Restricted isometry property,RIP).最后,将数据收集路径优化问题建模为哈密尔顿回路问题,并提出了基于树分解的路径优化算法进行求解.仿真结果表明,在网络存在丢包的情况下,本文方案仍然能够保证数据收集的高精确度,相比于其他数据收集方案而言,本文方案在数据重构误差和能耗方面的性能更优.

摘要：基于任意角度压缩感知(CS)方法分析了传感器安装角度偏差对风扇/压气机周向模态识别重构的影响,设计了一套自适应角度优化程序修正重构误差。利用数值试验探究了传感器角度偏差和数量对周向模态重构结果的影响,研究表明:当角度偏差等级为2.5%时,平均重构误差达到10%以上,若保证重构误差基本不变,将传感器数量从7个增加至25个,仅可以将角度偏差等级放宽至4%。而采用小生境微种群遗传算法进行自适应角度优化,在20 dB信噪比下,通过自适应角度优化可将角度偏差等级从2.5%放宽至10%,降低了传感器安装的精度要求。成功优化了一款冷却风扇在前三阶叶片通过频率下的主要周向声模态重构幅值。自适应角度优化算法有效提升了基于压缩感知的风扇/压气机周向模态重构可靠性。

摘要：张量主成分分析(Tensor principal component analysis, TPCA)在彩色图像低维表征领域得到广泛深入研究,采用F范数平方作为低维投影的距离度量方式,表征含离群数据和噪声图像的鲁棒性较弱.L1范数能够抑制噪声的影响,但所获的低维投影数据缺乏重构误差约束,其局部表征能力也较弱.针对上述问题,利用F范数作为目标函数的距离度量方式,提出一种基于F范数的分块张量主成分分析算法(Block TPCA withF-norm,BlockTPCA-F),提高张量低维表征的鲁棒性.考虑到同时约束投影距离与重构误差,提出一种基于比例F范数的分块张量主成分分析算法(Block TPCA with proportional F-norm, BlockTPCA-PF),其最大化投影距离与最小化重构误差均得到了优化.然后,给出其贪婪的求解算法,并对其收敛性进行理论证明.最后,对包含不同噪声块和具有实际遮挡的彩色人脸数据集进行实验,结果表明,所提算法在平均重构误差、图像重构与分类率等方面均得到明显提升,在张量低维表征中具有较强的鲁棒性.