基于全变分最小化和快速一阶方法的低剂量CT有序子集图像重建

低剂量计算机断层成像(computed tomography,CT)具有减少X射线对患者的伤害的优势.本文主要针对从不完备投影数据重建出高质量低剂量CT图像的问题.通常,这个问题可以通过统计图像重建方法来实现,而统计重建算法需要非常多的迭代次数,导致了巨大的计算时间压力,以至于很难应用在实践中.为解决此问题,本文提出一种有序子集重建算法,该算法结合了全变分最小化和快速一阶方法以减少重建的迭代次数,采用Split Bregman交替方向法求解上述优化问题,利用投影到凸集合的方法加快迭代的收敛速率.实验结果表明,在同样的迭代次数下,本文提出的方法与基于有序子集的一阶方法相比较,相对重建误差的下降速度更快.     

函数内P-集合的副集及其区间生成规律

基于函数P-集合(S~F,S~F)的动态性、规律性,提出函数内P-集合的副集,给出函数内P-集合副集的区间生成结构、区间生成规律,给出内P-规律ω~F的区间拆分规律及其拆分度量,解决了函数内P-集合S~F状态规律受游弋于S~F边缘的元素(函数内P-集合的副集中的函数)的干扰,而呈现出来的动态规律(区间拆分规律)以及动态变化程度(拆分度量)的刻画等问题.最后以实例分析函数内P-集合副集及其区间生成规律在风险投资中的应用.     

基于人员复合生物特征的一体化采集系统设计

本文通过近5年来的充分调研,分析了近几年来公安基础信息采集中所存在的迫切需求,提出了该文的建设目标。根据预定的目标,对该项目进行了总体设计,并对系统的硬件构架、软件功能模块组成进行了重点介绍。在实现标准化、集合化、流程化特点的新一代生物特征采集同时,为后续复合生物信息的应用提供了整体和完备的数据基础。     

EEMD法在激光语音传输系统中的应用

为消除激光语音传输系统中激光器输出功率不稳定对探测信号的影响,提出了一种结合集合经验模态分解(EEMD)与相关系数的方法对信号进行处理.该方法将信号分解为不同的分量,算出不同分量和原信号间的相关系数,再设置固定判定阈值来区分真实信号和趋势项分量.该方法可以克服传统处理方法中存在的模态混叠和需要主观判断趋势分量的缺点,从而达到避免主观判断失误和准确提取趋势的目的.仿真及实验结果表明,使用该方法后再去噪效果优于直接去噪,此外该方法能有效去除激光器功率线性变化和频率小于15 Hz的正弦起伏变化导致的趋势.     

改进的TOPSIS决策方法在供应商选择中的应用

运用马氏距离替代欧式距离改进传统的TOPSIS方法,解决当属性间存在线性相关时欧式距离失效的缺陷;充分考虑对立集合并引入联系向量距离,解决可能存在的方案距离正理想解和负理想解距离都近的缺陷.然后通过决策者偏好系数将马氏距离和联系向量距离所得结果合成新的相对贴近度,从而同时克服传统TOPSIS方法的以上两个缺陷.最后通过供应商选择的实例来验证方法的有效性.     

统计自相似集和测度的概率特征

证明了统计自相似集和测度是由一族独立同分布的随机压缩算子｛fσ,σ∈D｝所构成的随机递归集和它的分布．此处fσ是概率空间（Ω,F,P）到con（E）的随机元,con（E）是完备可分距离空间E到E的压缩算子全体．     

可拓概率空间讨论

本文提出了Ⅰ型和Ⅱ型可拓概率空间两个概念,并讨论了它们的一般性质     

基于改进CEEMDAN-TCN模型的风电功率预测研究

针对风力发电时间序列数据随机性大、单一算法难以获得准确预测结果的问题,本文采用改进的完全自适应噪声集合经验模态分解(ICEEMDAN)与时域卷积网络(TCN)相结合的模型预测风电功率。首先,针对集成模态分解的残余噪声和杂散模式问题,采用改进的CEEMDAN将原始序列数据分解为多个复杂度差异明显的子序列;其次,利用样本熵评估各分量复杂度,采用注意力机制的TCN,分别对低复杂度子序列和高复杂度子序列进行预测;最后将各子序列的预测结果叠加,得到最终的预测结果。经在弗兰德伦地区的数据集上测试结果表明,所提的ICEEMDAN-TCN模型的MAPE为1.74%,RMSE为127.36,优于其它对比模型,预测效果表现最优。     

基于ARIMA改进的实时动态滑坡预测模型

针对应急救援环境下,滑坡实时动态位移测量存在数据波动范围广、噪声大、模态混叠等问题,提出了一种基于CEEMDAN-Kmeans-ARIMA的组合预测模型。首先基于自适应噪声完备集合的经验模态分解算法,将添加PPP定位偏差噪声的斋藤模型信号分解为多个本征模态函数,并且根据K-means聚类算法将物理意义相近的本征模态函数进行聚类重构;然后针对多个聚类重构分量,构建最优的差分自回归移动平均预测模型;最后将聚类重构分量的预测值进行叠加,得到组合模型的预测值。实验结果表明,组合模型的MAPE指标相对于ARIMA单模型提高了2.16%,解决了ARIMA预测模型存在的突变量不敏感、剩余滑坡预测时间不准等问题。在救援环境下,采用所提出的模型对实时动态滑坡进行预警预测具有一定的工程应用价值。