Introducing frequency agility into a distributed multipleinput multiple-output(MIMO)radar can significantly enhance its anti-jamming ability.However,it would cause the sidelobe pedestal problem in multi-target paramet...Introducing frequency agility into a distributed multipleinput multiple-output(MIMO)radar can significantly enhance its anti-jamming ability.However,it would cause the sidelobe pedestal problem in multi-target parameter estimation.Sparse recovery is an effective way to address this problem,but it cannot be directly utilized for multi-target parameter estimation in frequency-agile distributed MIMO radars due to spatial diversity.In this paper,we propose an algorithm for multi-target parameter estimation according to the signal model of frequency-agile distributed MIMO radars,by modifying the orthogonal matching pursuit(OMP)algorithm.The effectiveness of the proposed method is then verified by simulation results.展开更多
针对工业机械设备实时监测中不可控因素导致的振动信号数据缺失问题,提出一种基于自适应二次临近项交替方向乘子算法(adaptive quadratic proximity-alternating direction method of multipliers, AQ-ADMM)的压缩感知缺失信号重构方法...针对工业机械设备实时监测中不可控因素导致的振动信号数据缺失问题,提出一种基于自适应二次临近项交替方向乘子算法(adaptive quadratic proximity-alternating direction method of multipliers, AQ-ADMM)的压缩感知缺失信号重构方法。AQ-ADMM算法在经典交替方向乘子算法算法迭代过程中添加二次临近项,且能够自适应选取惩罚参数。首先在数据中心建立信号参考数据库用于构造初始字典,然后将K-奇异值分解(K-singular value decomposition, K-SVD)字典学习算法和AQ-ADMM算法结合重构缺失信号。对仿真信号和两种真实轴承信号数据集添加高斯白噪声后作为样本,试验结果表明当信号压缩率在50%~70%时,所提方法性能指标明显优于其它传统方法,在重构信号的同时实现了对含缺失数据机械振动信号的快速精确修复。展开更多
配电网参数受天气条件和负载条件等因素影响会发生变化。由于传感装置安装有限、数据延时传输等因素,无法实时获得配电网准确参数,进而给传统故障定位方法的精度带来影响。针对以上问题,通过建立配电网数字孪生模型,基于配电网数字孪生...配电网参数受天气条件和负载条件等因素影响会发生变化。由于传感装置安装有限、数据延时传输等因素,无法实时获得配电网准确参数,进而给传统故障定位方法的精度带来影响。针对以上问题,通过建立配电网数字孪生模型,基于配电网数字孪生模型的参数自修正技术,提出了一种定位模型随参数变化动态校正的配电网故障定位方法。同时,搭建了基于数字孪生服务器和实时数字仿真系统(real time digital system, RTDS)的数字孪生平台,实现了配电网实时的物理模型和数字孪生模型的同步运行。在算例仿真中,利用该数字孪生平台,验证了基于数字孪生技术的配电网故障定法方法。结果表明,该方法可在各类系统运行条件下实时修正配电网参数,显著提高配电网故障定位的速度和精度。展开更多
多重信号分类(multiple signal classification,MUSIC)方法在少快拍数或者存在相干信源的情况下不能准确估计信号的波达方向,而压缩感知(compressive sensing,CS)方法在多快拍数或低信噪比情况下分辨性能不稳定,估计准确率受限。提出了...多重信号分类(multiple signal classification,MUSIC)方法在少快拍数或者存在相干信源的情况下不能准确估计信号的波达方向,而压缩感知(compressive sensing,CS)方法在多快拍数或低信噪比情况下分辨性能不稳定,估计准确率受限。提出了一种基于CS的MUSIC方法,简称CS-MUSIC,该方法针对不同的快拍数,建立二者之间的联系,构造出新的正交空间,获得尖锐的谱峰。理论分析和仿真结果表明,所提方法在不同快拍数条件下,具有较高的估计精度,克服了传统方法存在的缺陷,并且对噪声具有鲁棒性。展开更多
大数据时代背景下,随着所获数据数量和维度的不断增加,高维数据的处理成为聚类分析的重点和难点.基于同一类别高维数据通常分布在高维环绕空间的低维子空间这一事实,子空间聚类成为高维数据聚类分析领域的重要方法.稀疏子空间聚类(Spars...大数据时代背景下,随着所获数据数量和维度的不断增加,高维数据的处理成为聚类分析的重点和难点.基于同一类别高维数据通常分布在高维环绕空间的低维子空间这一事实,子空间聚类成为高维数据聚类分析领域的重要方法.稀疏子空间聚类(Sparse Space Clustering,SSC)通过交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)对数据矩阵的稀疏自表达系数进行求解,发现分布于低维子空间并集中的数据的稀疏表示并进行聚类.但是ADMM参数多、收敛速度慢,其效率难以满足对大规模数据库进行聚类分析的要求.针对这一问题提出了基于L_0约束的稀疏子空间聚类方法,该方法使用正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法求解L_0约束的自表达稀疏重建问题,构建数据集中各数据之间的相关性矩阵,最终对相关性矩阵应用谱聚类方法得到聚类结果.根据OMP算法每次迭代之间的耦合关系对其进行优化,进一步降低了计算复杂度,提高了算法效率.在生成数据和Extended Yale B database人脸数据库的实验结果表明,该算法与SSC相比,在显著减少计算时间的基础上,取得了与SSC相当的聚类准确率.展开更多
文摘Introducing frequency agility into a distributed multipleinput multiple-output(MIMO)radar can significantly enhance its anti-jamming ability.However,it would cause the sidelobe pedestal problem in multi-target parameter estimation.Sparse recovery is an effective way to address this problem,but it cannot be directly utilized for multi-target parameter estimation in frequency-agile distributed MIMO radars due to spatial diversity.In this paper,we propose an algorithm for multi-target parameter estimation according to the signal model of frequency-agile distributed MIMO radars,by modifying the orthogonal matching pursuit(OMP)algorithm.The effectiveness of the proposed method is then verified by simulation results.
文摘针对工业机械设备实时监测中不可控因素导致的振动信号数据缺失问题,提出一种基于自适应二次临近项交替方向乘子算法(adaptive quadratic proximity-alternating direction method of multipliers, AQ-ADMM)的压缩感知缺失信号重构方法。AQ-ADMM算法在经典交替方向乘子算法算法迭代过程中添加二次临近项,且能够自适应选取惩罚参数。首先在数据中心建立信号参考数据库用于构造初始字典,然后将K-奇异值分解(K-singular value decomposition, K-SVD)字典学习算法和AQ-ADMM算法结合重构缺失信号。对仿真信号和两种真实轴承信号数据集添加高斯白噪声后作为样本,试验结果表明当信号压缩率在50%~70%时,所提方法性能指标明显优于其它传统方法,在重构信号的同时实现了对含缺失数据机械振动信号的快速精确修复。
文摘配电网参数受天气条件和负载条件等因素影响会发生变化。由于传感装置安装有限、数据延时传输等因素,无法实时获得配电网准确参数,进而给传统故障定位方法的精度带来影响。针对以上问题,通过建立配电网数字孪生模型,基于配电网数字孪生模型的参数自修正技术,提出了一种定位模型随参数变化动态校正的配电网故障定位方法。同时,搭建了基于数字孪生服务器和实时数字仿真系统(real time digital system, RTDS)的数字孪生平台,实现了配电网实时的物理模型和数字孪生模型的同步运行。在算例仿真中,利用该数字孪生平台,验证了基于数字孪生技术的配电网故障定法方法。结果表明,该方法可在各类系统运行条件下实时修正配电网参数,显著提高配电网故障定位的速度和精度。
文摘多重信号分类(multiple signal classification,MUSIC)方法在少快拍数或者存在相干信源的情况下不能准确估计信号的波达方向,而压缩感知(compressive sensing,CS)方法在多快拍数或低信噪比情况下分辨性能不稳定,估计准确率受限。提出了一种基于CS的MUSIC方法,简称CS-MUSIC,该方法针对不同的快拍数,建立二者之间的联系,构造出新的正交空间,获得尖锐的谱峰。理论分析和仿真结果表明,所提方法在不同快拍数条件下,具有较高的估计精度,克服了传统方法存在的缺陷,并且对噪声具有鲁棒性。
文摘大数据时代背景下,随着所获数据数量和维度的不断增加,高维数据的处理成为聚类分析的重点和难点.基于同一类别高维数据通常分布在高维环绕空间的低维子空间这一事实,子空间聚类成为高维数据聚类分析领域的重要方法.稀疏子空间聚类(Sparse Space Clustering,SSC)通过交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)对数据矩阵的稀疏自表达系数进行求解,发现分布于低维子空间并集中的数据的稀疏表示并进行聚类.但是ADMM参数多、收敛速度慢,其效率难以满足对大规模数据库进行聚类分析的要求.针对这一问题提出了基于L_0约束的稀疏子空间聚类方法,该方法使用正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法求解L_0约束的自表达稀疏重建问题,构建数据集中各数据之间的相关性矩阵,最终对相关性矩阵应用谱聚类方法得到聚类结果.根据OMP算法每次迭代之间的耦合关系对其进行优化,进一步降低了计算复杂度,提高了算法效率.在生成数据和Extended Yale B database人脸数据库的实验结果表明,该算法与SSC相比,在显著减少计算时间的基础上,取得了与SSC相当的聚类准确率.
