巨型机求解大型稀疏问题的Krylov子空间法

求解大型稀疏问题最流行的方法是建立在子空间投影技术之上的。这类方法的主要吸引力是仅需要使用矩阵向量乘法。我们给出PCG、GMRES、Lanczos和Davidson算法及在YH-I上的实现,然后比较每一方法的优缺点,并尽可能讨论其并行执行。     

词典在英语写作和口语中的应用

作为一个重要的学习工具 ,词典不但是学习者的良师 ,而且也是益友。在英语学习和应用中 ,它能帮助解决许多疑难问题 ,而且也能提供很多对英文写作和口语表达有价值的信息。但是 ,很多英语学习者迄今还没有认识到这一点 ,他们不能在英文写作和口语学习中充分利用词典的应用价值。因此 ,了解和掌握词典的简史 ,编写特点 ,及其所包含的丰富信息是非常有必要的。再者 ,尽管我国有许多不同类型和版本的词典 ,但它们的使用率却是非常低的。这的确是一个值得注意和亟待解决的问题     

运用改进正交匹配追踪算法精确估计跳频信号跳变时刻

现有方法得到的跳变时刻精度不高、抗干扰能力较弱,为此提出一种运用改进正交匹配追踪算法的跳变时刻精确估计方法。根据跳频信号原理建立跳变时刻估计的稀疏表示模型,用改进正交匹配追踪算法求解该模型,获取跳变时刻。理论分析和仿真结果证明该方法能够获取高精度的跳变时刻,估计性能方面优于现有算法。     

基于DMD的通用安全信息系统开发研究

提出了一种基于DMD的信息系统开发模型,描述了基于该模型的信息系统设计原则、开发流程和体系结构,并通过实例说明了DMD的功能和应用,最后介绍了系统的安全策略和特点。应用该模型开发的系统后期维护灵活方便,可扩展性强,具有较强的实用性。     

故障诊断中的测试节点优选方法

针对模拟电路故障字典法诊断中测试节点选择问题进行了分析研究。在故障模糊集划分的基础上,根据故障信息量,建立了实时故障树的节点优选方法。实际应用表明,该方法大大了减少测试节点数,提高了诊断的正确性和实时性。     

未知数量稀疏源盲分离的一种新方法

提出了一种新的用于未知数量稀疏源盲分离的统一方法。为了改善聚类分离的精度,该方法选取混合空间中半径给定的、中心位于原点的超球面以外的所有数据点,然后将这些数据点映射到中心位于原点的单位超球面上以得到集合Cy。由此,原来的聚类变为致密聚类,各聚类互相重叠的现象几乎消失。随后,先通过关于Cy的聚类分离来估计混合矩阵,再根据混合矩阵估计源,其中最佳不相似阈值和相应的聚类数量是自动生成的。计算机仿真结果验证了该方法对具有不同程度稀疏性源的有效性。当源充分稀疏时,重构信噪比大约是300 dB。因此,该方法精确、便利。     

基于两级隐式形状模型的抗遮挡目标跟踪

为解决遮挡条件下的目标跟踪问题,提高定位精度,提出一种基于两级隐式形状模型的目标跟踪算法。首先利用Fast Hessian检测子提取待跟踪目标及周围区域的局部关键点区域构建码本字典,用SURF描述子获取码本的特征描述矢量建立码本支持模型,然后利用广义Hough变换建立码本字典集与目标之间的共生关系,通过隐式形状模型进行在线学习更新,最后通过寻找投票空间中的极大值来对目标进行定位,根据跟踪过程中目标遮挡程度的不同,分别赋予目标自身码本投票及周围码本投票不同权重,提高不同遮挡状态下目标定位精度。实验结果表明,在目标被遮挡甚至不可见或者丢失后重新回到视场时,该算法均能鲁棒地定位出目标。     

L1-analysis稀疏重构在阵列信号恢复及波达角估计中的应用

通过适当的空域稀疏化构造了可对阵列接收信号进行冗余稀疏表示的阵列流形矩阵,建立了相应的L1-analysis稀疏重构模型用于恢复阵列接收信号,重点证明了该流形矩阵是满足L1-analysis 稀疏重构条件的紧框架,从理论上保证了将L1-analysis 稀疏重构用于阵列接收信号恢复及波达角估计问题的合理性,并推导出信号恢复误差的理论上界。利用在微波暗室环境中采集的实测数据,结合MUSIC算法进行实验验证,结果表明基于L1-analysis 稀疏重构的信号恢复对提高低信噪比环境下的波达角估计性能是有效的。     

基于L曲线的跳频信号重构正则化参数优化

研究了基于L曲线的跳频信号重构正则化参数的选取问题,对跳频信号的稀疏性进行了分析,采用L曲线对系统的最优正则化参数进行了选取．在此基础上,通过推广的正则化FOCUSS算法估计了跳频信号的稀疏表示．仿真结果表明,通过L曲线选取的正则化参数在推广的正则化FOCUSS算法下,能够实现跳频信号在噪声环境下的重构．     

近似平面场景多视点图像拼接算法

以小型无人机对地观测为应用背景,研究了近似平面场景多视点图像拼接问题。对于已知粗略相机位姿的情况,提出一种融合相机位姿信息和图像特征点对应信息的方法,采用直接稀疏Cholesky分解方法求解拼接全局优化问题。由该方法得到的拼接结果没有全局变形,局部拼接误差也得到了明显的改善。对于相机位姿未知的情况,先采用structure-from-motion(SFM)方法恢复相机姿态和场景稀疏结构信息,再采用稀疏全局调整方法获得最终的图像变换参数。通过沙盘图像和真实的航拍图像拼接实验验证了算法的有效性。