|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
一種基于門限的低復(fù)雜度MPA算法
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于門限的低復(fù)雜度MPA算法， 該算法通過設(shè)置置信度門限來及時(shí)對(duì)可靠的碼字進(jìn)行譯碼，或?qū)Πl(fā)送概率極低的碼字進(jìn)行 舍棄，從而有效地降低了原始MPA算法的復(fù)雜度。
電子科技大學(xué)
2021-04-10
.jpg){kind=logo}
一種并行 LLL 高維模糊度降相關(guān)算法
本發(fā)明公開了一種并行 LLL 高維模糊度降相關(guān)算法，首先通過混合利用 Cholesky 下三角 LTL 分解 以及上三角 UTU 分解，提高 LLL 算法針對(duì)高維模糊度降相關(guān)的計(jì)算效率，增強(qiáng)高維模糊度降相關(guān)的能 力。其次為了得到降相關(guān)能力較強(qiáng)的 Z 變換矩陣，所以在每一次 QR 分解變換過程中，變換系數(shù)矩陣要 獲取較小的整數(shù)值，因此在每次下三角分解前先對(duì)模糊度協(xié)方差矩陣的行向量按內(nèi)積大小進(jìn)行升序排序， 而在上三角分解前先對(duì)矩陣的列向量按內(nèi)積大小進(jìn)行降序排列，由此求得的 Z 變換降相關(guān)性能更佳。最 后把算法正交變換過程中的取整運(yùn)算移至在求 Z 矩陣時(shí)取整，可以避免算法迭代過程中反復(fù)取整而引起 的誤差累積，解決算法發(fā)散的問題，從而進(jìn)一步提高并行 LLL 算法的計(jì)算效率和穩(wěn)定性。
武漢大學(xué)
2021-04-13
院.jpg){kind=logo}
基于距離徙動(dòng)軌跡的空間目標(biāo)ISAR距離對(duì)準(zhǔn)算法
本成果針對(duì)空間目標(biāo)的運(yùn)動(dòng)特征，通過研究目標(biāo)距離徙動(dòng)軌跡與 等效運(yùn)動(dòng)模型，構(gòu)建了一個(gè)欠定的運(yùn)動(dòng)方程組，基于全局炳最優(yōu)化準(zhǔn) 則求解出目標(biāo)運(yùn)動(dòng)參數(shù)，提出了一種全新的距離對(duì)準(zhǔn)算法。實(shí)驗(yàn)結(jié)果 表明該算法具有較高的準(zhǔn)確性，更重要的是，距離對(duì)準(zhǔn)過程中不會(huì)引 入距離像隨機(jī)偏移誤差和高頻相位誤差，這也是應(yīng)用大轉(zhuǎn)角高分辨成 像方法的前提條件。
南京工程學(xué)院
2021-01-12
.jpg){kind=logo}
由生成對(duì)抗網(wǎng)絡(luò)（GAN）驅(qū)動(dòng)的進(jìn)化多目標(biāo)算法
隨著計(jì)算智能方法得到更廣泛的應(yīng)用，其從問題本身學(xué)習(xí)的能力亟待增強(qiáng)。為此，越來越多研究提出使用機(jī)器學(xué)習(xí)模型來驅(qū)動(dòng)計(jì)算智能。通常，這種基于模型的進(jìn)化算法的性能高度依賴于所采用模型的訓(xùn)練質(zhì)量。而傳統(tǒng)機(jī)器學(xué)習(xí)方法需要大量訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練，而且受維度災(zāi)難的影響，這類方法通常很難解決維度較高的問題，約束了計(jì)算智能方法的應(yīng)用范疇。課題組在
南方科技大學(xué)
2021-04-14
.jpg){kind=logo}
異構(gòu)并行系統(tǒng)下時(shí)間能耗權(quán)衡優(yōu)化的任務(wù)調(diào)度算法
本發(fā)明提出了一種基于時(shí)間-能耗重要性比重的并行任務(wù)調(diào)度算 法，在滿足時(shí)間和能耗的雙重限制下，實(shí)現(xiàn)異構(gòu)并行系統(tǒng)下任務(wù)所用 時(shí)間和能耗的權(quán)衡優(yōu)化。本發(fā)明考慮到實(shí)際情況中任務(wù)受各種因素的 影響，執(zhí)行時(shí)間不是固定且確定的，而是近似于正態(tài)分布，因此在確 定任務(wù)調(diào)度順序時(shí)，不采用以往技術(shù)中使用執(zhí)行時(shí)間平均值的方法， 而是將執(zhí)行時(shí)間的平均值和方差同時(shí)考慮進(jìn)來使用近似權(quán)重。在任務(wù) 分配階段，同時(shí)考慮時(shí)間和能耗這兩個(gè)性能指標(biāo)，并能根據(jù)
華中科技大學(xué)
2021-04-14
一個(gè)分布式的最優(yōu)快速管理算法
用電設(shè)備的最優(yōu)管理是智能電網(wǎng)中實(shí)現(xiàn)需求側(cè)響應(yīng)的關(guān)鍵一環(huán)。然而該問題通常需要同時(shí)管理調(diào)度大量的用電設(shè)備，同時(shí)考慮多個(gè)時(shí)槽，是一個(gè)時(shí)間空間耦合的復(fù)雜問題，想要在短時(shí)間內(nèi)解決該問題十分困難。因此，如何設(shè)計(jì)合理的算法，提高計(jì)算效率，降低計(jì)算時(shí)間，是目前的研究熱點(diǎn)。?
南方科技大學(xué)
2021-04-14
.jpg){kind=logo}
基于人工智能算法的電弧放電檢測(cè)系統(tǒng)
在串聯(lián)回路中，當(dāng)電弧或放電現(xiàn)象發(fā)生時(shí)，對(duì)電流進(jìn)行頻譜分析，根據(jù)電流 的頻譜特征變化來確定是否有電弧發(fā)生，提供預(yù)警信息或保護(hù)動(dòng)作。為了防止在 開關(guān)的瞬間或受到其他脈沖電流的干擾造成電弧故障檢測(cè)電路誤動(dòng)作，同時(shí)在頻譜分析的基礎(chǔ)上綜合電弧時(shí)間長(zhǎng)短等其他特性作為電弧故障的判據(jù)。系統(tǒng)的硬件 部分包含電流檢測(cè)、濾波、故障特征提取等模塊。軟件部分包含信號(hào)采集、信號(hào) 處理、故障判別等模塊，并綜合時(shí)間等其他因素降低誤報(bào)率，提高檢測(cè)系統(tǒng)的可 靠性。在算法中，采用了人工智能算法以提高系統(tǒng)的適應(yīng)性。主要成果包
上海理工大學(xué)
2021-01-12
.jpg){kind=logo}
基于MWC系統(tǒng)的盲多帶稀疏信號(hào)快速恢復(fù)算法
本發(fā)明提出一種基于MWC系統(tǒng)的盲多帶稀疏信號(hào)快速恢復(fù)算法，首先利用Xampling采樣板獲得壓縮采樣值y[n]，將y[n]乘以一個(gè)高斯隨機(jī)矩陣R，得到傳統(tǒng)的壓縮感知模型V=y[n]R=CU,這種方法避免了原方法中需要做特征值分解的操作，可以有效的減少M(fèi)WC系統(tǒng)中CTF模塊的運(yùn)行時(shí)間，此外，控制高斯隨機(jī)R的列數(shù)在一個(gè)較低水平，可以進(jìn)一步減少矩陣V的列數(shù)，這樣在用M-OMP算法恢復(fù)支撐集的過程中又能進(jìn)一步的減少運(yùn)行時(shí)間。經(jīng)過驗(yàn)證，該算法可以大幅度提高CTF模塊的運(yùn)算速度。
四川大學(xué)
2016-10-09
一種RANSAC計(jì)算基本矩陣中內(nèi)點(diǎn)門限設(shè)置算法
為了解決計(jì)算機(jī)多視幾何中稀疏特征點(diǎn)錯(cuò)誤匹配導(dǎo)致基本矩陣F精度不高的問題，提出一種RANSAC(RANdom SAmple Consensus)求解F時(shí)自動(dòng)設(shè)置內(nèi)點(diǎn)門限的方法。此方法根據(jù)RANSAC求解F矩陣的要素，將固定設(shè)置極線距離門限Th的方式改為自動(dòng)設(shè)置，提高了算法的魯棒性。這些要素是圖像對(duì)中的稀疏特征點(diǎn)匹配的個(gè)數(shù)N、圖像像素多少、初始計(jì)算得到的特征點(diǎn)到極線的平均距離Dinit。Th計(jì)算采用公式Th = Min(w×N/51200, Dinit/3)，w為圖像的寬，單位為像素。Min為取二者最小值的函數(shù)。門限Th與圖像大小和特征點(diǎn)匹配個(gè)數(shù)成正比，圖像越大，匹配越多，Th越大。相對(duì)于傳統(tǒng)方法，本方法將固定門限變成了自動(dòng)設(shè)置，可以自適應(yīng)三維重建不同類型的圖片，更加實(shí)用和魯棒。
四川大學(xué)
2016-10-08
.jpg){kind=logo}
改進(jìn)差分進(jìn)化算法的電力系統(tǒng)無功優(yōu)化方法
本發(fā)明公開了一種基于改進(jìn)差分進(jìn)化(IDE)算法的電力系統(tǒng)無功優(yōu)化方法。包括以下步驟：建立電力系統(tǒng)無功優(yōu)化模型；輸入電網(wǎng)參數(shù)，形成初始種群，計(jì)算種群所有個(gè)體的適應(yīng)度；對(duì)種群個(gè)體按適應(yīng)度從大到小排序，設(shè)定前Ns個(gè)個(gè)體為優(yōu)良群體；以優(yōu)良群體為基向量，引導(dǎo)群體變異操作；提取優(yōu)良群體信息，以此確定個(gè)體各維變量的交叉概率，指導(dǎo)種群的交叉操作，生成試驗(yàn)向量；比較試驗(yàn)向量與目標(biāo)個(gè)體的適應(yīng)度，優(yōu)者成為下一代個(gè)體，從而生出新一代群體。本發(fā)明的方法收斂速度快、計(jì)算精度高、穩(wěn)定性好、能有效地求解電力系統(tǒng)無功優(yōu)化問題，可用于電力系統(tǒng)提高電力系統(tǒng)輸電效率、降低網(wǎng)絡(luò)損耗配置實(shí)時(shí)性運(yùn)行控制中。
西南交通大學(xué)
2016-07-05