对矩阵的奇异值分解(SVD,Singular Value Decomposition)进行了分析。推导证明了奇异值分解和M-P广义逆矩阵之间的关系,得出奇异值分解的广义逆矩阵为矩阵的M-P广义逆;分析了奇异值分解和线性方程组最小范数最小二乘解的关系,推导了应...对矩阵的奇异值分解(SVD,Singular Value Decomposition)进行了分析。推导证明了奇异值分解和M-P广义逆矩阵之间的关系,得出奇异值分解的广义逆矩阵为矩阵的M-P广义逆;分析了奇异值分解和线性方程组最小范数最小二乘解的关系,推导了应用奇异值分解进行秩亏网平差解算的平差解算公式和精度估算公式;推导了加权最小二乘最小范数解的奇异值分解解算问题,扩展了奇异值分解求解未知参数最小范数最小二乘解;最后通过秩亏网算例进行了解算,验证了方法的正确性和矩阵分解的有效性。展开更多
提出一种新的通用旁瓣消除器结构,它利用广义奇异值分解(Generalized singular value decomposition,GSVD)技术,通过广义奇异向量的变换间接估计声源到麦克风之间的传递函数。不同噪声环境下的实验结果表明,与现有的各种GSC算法相比,该...提出一种新的通用旁瓣消除器结构,它利用广义奇异值分解(Generalized singular value decomposition,GSVD)技术,通过广义奇异向量的变换间接估计声源到麦克风之间的传递函数。不同噪声环境下的实验结果表明,与现有的各种GSC算法相比,该算法能够更有效地抑制混响和噪声,并且增强后的语音失真最小。展开更多
针对传统被动式检测方法存在较大检测盲区(Non-detection Zone,NDZ)、阈值难以确定以及易受电能质量扰动影响的缺陷,研究了一种基于奇异值分解(Singular Value Decomposition,SVD)和神经网络的被动式孤岛检测方法。该方法首先对公共连接...针对传统被动式检测方法存在较大检测盲区(Non-detection Zone,NDZ)、阈值难以确定以及易受电能质量扰动影响的缺陷,研究了一种基于奇异值分解(Singular Value Decomposition,SVD)和神经网络的被动式孤岛检测方法。该方法首先对公共连接点(Point of Common Coupling,PCC)处电压和逆变器输出电流进行S变换,提取相应的谐波幅值后,对其进行SVD并构成特征向量,最后运用BP神经网络对孤岛以及非孤岛情况进行分类识别。仿真结果表明,该方法可以有效检测出功率平衡情况下发生的孤岛,而且能防止电能质量扰动对检测准确性的影响,具有很高的准确性、可靠性和实用性。展开更多
文摘对矩阵的奇异值分解(SVD,Singular Value Decomposition)进行了分析。推导证明了奇异值分解和M-P广义逆矩阵之间的关系,得出奇异值分解的广义逆矩阵为矩阵的M-P广义逆;分析了奇异值分解和线性方程组最小范数最小二乘解的关系,推导了应用奇异值分解进行秩亏网平差解算的平差解算公式和精度估算公式;推导了加权最小二乘最小范数解的奇异值分解解算问题,扩展了奇异值分解求解未知参数最小范数最小二乘解;最后通过秩亏网算例进行了解算,验证了方法的正确性和矩阵分解的有效性。
文摘提出一种新的通用旁瓣消除器结构,它利用广义奇异值分解(Generalized singular value decomposition,GSVD)技术,通过广义奇异向量的变换间接估计声源到麦克风之间的传递函数。不同噪声环境下的实验结果表明,与现有的各种GSC算法相比,该算法能够更有效地抑制混响和噪声,并且增强后的语音失真最小。
文摘针对传统被动式检测方法存在较大检测盲区(Non-detection Zone,NDZ)、阈值难以确定以及易受电能质量扰动影响的缺陷,研究了一种基于奇异值分解(Singular Value Decomposition,SVD)和神经网络的被动式孤岛检测方法。该方法首先对公共连接点(Point of Common Coupling,PCC)处电压和逆变器输出电流进行S变换,提取相应的谐波幅值后,对其进行SVD并构成特征向量,最后运用BP神经网络对孤岛以及非孤岛情况进行分类识别。仿真结果表明,该方法可以有效检测出功率平衡情况下发生的孤岛,而且能防止电能质量扰动对检测准确性的影响,具有很高的准确性、可靠性和实用性。
