基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动...基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。展开更多
总体最小二乘估计能够同时顾及线性模型中系数矩阵A和观测向量L的误差,平差理论相对更为严密。如果系数矩阵A的部分元素没有误差,这种总体最小二乘模型为混合总体最小二乘模型。针对混合总体最小二乘(Least squares-total least squares...总体最小二乘估计能够同时顾及线性模型中系数矩阵A和观测向量L的误差,平差理论相对更为严密。如果系数矩阵A的部分元素没有误差,这种总体最小二乘模型为混合总体最小二乘模型。针对混合总体最小二乘(Least squares-total least squares,LS-TLS)解算问题,应用测量平差中的原理和方法,推导了混合总体最小二乘的迭代逼近解算公式,通过与奇异值分解法分析比较,分析了两种解算方法具有等价性,最后通过实验数据分析得出迭代算法的有效性和合理性。展开更多
提出一种基于总体最小二乘(Total Least Square)和Shearlet变换相结合的零值绝缘子红外图像自适应去噪算法。首先利用Shearlet变换对原始图像进行分解,得到各尺度各方向的Shearlet系数;然后考虑到不同尺度Shearlet系数之间的相关性,利...提出一种基于总体最小二乘(Total Least Square)和Shearlet变换相结合的零值绝缘子红外图像自适应去噪算法。首先利用Shearlet变换对原始图像进行分解,得到各尺度各方向的Shearlet系数;然后考虑到不同尺度Shearlet系数之间的相关性,利用总体最小二乘准确估计了各层的Shearlet系数;最后对处理后的系数进行Shearlet反变换重构得到去噪图像。实验结果表明,该方法与小波去噪法和Bayes估计去噪法相比,能够在有效去噪的同时,更好地保留了图像边界和纹理信息。展开更多
文摘基于奇异值分解(singular value decomposition,SVD)和最小二乘支持向量机(least square support vector machine,LS-SVM)提出电能质量扰动类型识别的新方法。通过对电能质量扰动信号的小波包变换系数矩阵进行奇异值分解,将基频、扰动频率分量、噪声分解到不同的正交特征子空间。再与正常电压信号的奇异值作比值以抵消噪声能量的影响,最大限度地体现出扰动类型间的细微差别,以此作为扰动特征向量,作为最小二乘支持向量机分类器的输入参数,来实现电能质量扰动类型的识别。仿真结果表明,该方法识别准确率高,受噪声影响小,算法稳定性好。
文摘总体最小二乘估计能够同时顾及线性模型中系数矩阵A和观测向量L的误差,平差理论相对更为严密。如果系数矩阵A的部分元素没有误差,这种总体最小二乘模型为混合总体最小二乘模型。针对混合总体最小二乘(Least squares-total least squares,LS-TLS)解算问题,应用测量平差中的原理和方法,推导了混合总体最小二乘的迭代逼近解算公式,通过与奇异值分解法分析比较,分析了两种解算方法具有等价性,最后通过实验数据分析得出迭代算法的有效性和合理性。
文摘提出一种基于总体最小二乘(Total Least Square)和Shearlet变换相结合的零值绝缘子红外图像自适应去噪算法。首先利用Shearlet变换对原始图像进行分解,得到各尺度各方向的Shearlet系数;然后考虑到不同尺度Shearlet系数之间的相关性,利用总体最小二乘准确估计了各层的Shearlet系数;最后对处理后的系数进行Shearlet反变换重构得到去噪图像。实验结果表明,该方法与小波去噪法和Bayes估计去噪法相比,能够在有效去噪的同时,更好地保留了图像边界和纹理信息。
