自适应字典稀疏表示的电能质量数据压缩方法

来源 :电子制作 | 被引量 : 0次 | 上传用户:liuyansua
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着压缩感知理论的应用,可以实现将电能质量数据的采样和压缩合二为一,大大降低了采样速率和时间.深入的研究压缩感知在电能质量数据压缩中的应用的基础上,本文将自适应字典学习与压缩感知理论结合,实现了自适应字典学习对电能质量数据稀疏表示的压缩重构方法.该方法采用大量的电能质量数据样本集进行稀疏编码,训练优化自适应字典.此时的电能质量数据样本都与自适应字典相匹配,可以用少量自适应字典中的原子的线性组合来表示电能质量数据样本,实现电能质量数据的快速压缩,最后利用压缩感知理论对电能质量数据重构.通过实验仿真,与传统稀疏表示方法比较,提升了压缩的稀疏性和重构的精确度.
其他文献
工程教育专业认证近年来已经成为我国工程专业教育的风向标,本文以工程教育专业认证的两个毕业要求为核心,通过对美国NI公司的最新电子仿真软件Multisim14.0与在我国高校广泛使用的立创EDA仿真软件进行多角度比对,探讨提高高校电子类课程的教学质量.
无人驾驶系统采用端到端控制方法,将整个系统当作研究对象,建立了端到端的控制系统.在系统设计中,学习系统使用RNN-LSTM网络,解决了传统RNN网络梯度爆炸和消失问题,利用随机失活方法,随机删除神经网络单元,提升了网络训练效果.LSTM[7]是深度学习技术中的一员,网络层数较深,组成结构较复杂,难以完成深层次的学习,例如谷歌翻译应用LSTM层时,仅使用7-8层.在训练时,经常发生过拟合现象.RNN与LSTM结合使用时RNN用来提取局部特征,LSTM则获取整个句子表示,可以捕获特征序列上的长期依赖.将RNN
针对现搜索引擎在特定主题下查准率、用户满意度不高等问题,对基于Scrapy爬虫框架的大学招生信息主题的垂直搜索引擎系统展开研究.使用爬虫采集因特网上与大学招生相关的网页信息,对信息进行处理后保存到信息库中,然后根据用户输入的搜索内容在信息库中进行查询,对查询结果进行排序后返回给用户.在用户输入查询词不明确的情况,研究了基于Rocchio算法的反馈模型优化查询的方法.
本文根据码垛现场环境和工艺要求,对码垛机器人和抓手进行了选型.通过三维建模软件(SW)和Robotstudio仿真软件构建了仿真模型和系统,确定了仿真系统设计流程,用Smart组件创建了动态输送链、动态抓手、动态叉车,进行了输送链、抓手、叉车I/O信号的设置.通过仿真,构建的系统实现了码垛工作站的任务,验证了本文方法的可行性.
随着互联网、云计算和数据采集等技术的不断研发,分布式系统逐渐成为信息化主流方向.数据库作为信息系统的核心技术,承担着海量数据的有效组织与存储责任.首先分析了分布式系统对数据库技术的数据一致性和安全性等需求,介绍了NewSQL数据库在数据共享、资源共享以及安全保障等方面的优势,剖析了基于分布式系统设计的NewSQL数据库关键技术,例如,分布式存储引擎、实时分析和查询引擎、HTAP混合负载架构以及分布式事务等,以期为未来大数据存储发展方向提供思路.
在电子系统外场试验时,经常会对设备软件进行升级更新.当设备的加载升级设计不当时,这个工作非常艰难,甚至难以开展.本文就根据实际外场设备维护工作经验,结合FPGA的从加载模式(Slave Mode),提出一种电子设备能快速升级的设计思路.希望解决设备外场软件升级维护困难、效率低的问题.为同样在外场设备维护过程中遇到相似困难的同行们提供思路.
学位
中波天线匹配网络是中波发射台发射机正常工作的一个关键环节.中波天线特性阻抗是个复数(实部和虚部),他随发射机工作频率,天线高度及场地环境等因素有关,而且随季节变化特性阻抗也会变化.因此网络设计调试技能很关键.如何很好设计调试中波天线匹配网络是要有一定的理论基础和实践经验.因此设计时必须了解一定的高频线路基本知识,掌握基本的计算方法及思路.只有了解网络设计调试思路,才能更好地做好电台网络的日常维护工作.本文主要详细介绍中波天线匹配网络设计基本知识及最简捷网络设计思路.
现有的移动应用程序识别算法加密数据流量特征提取效果较差,导致程序识别精度较差,因此,研究基于加密流量分析设计移动应用程序识别方法.提取加密数据流量特征,计算信息增益值与信息增益率,获得偏移矩阵激活函数,精确提取加密数据流量特征;设计移动应用程序识别算法,计算聚类信息簇.在对比实验中,分别计算三种识别算法的精度,在实验结果中,加密流量分析算法的Accuracy值、Recall值和Precision值均高于其他两种算法,可知该算法精度更高,识别效果更好.
针对目前运输皮带保护系统不能及时有效地遏制事故发生的现状,提出了煤矿皮带运输机监控视频智能分析的系统设计方案,为煤矿井下的安全监控提供了一种先进可靠的技术手段.该系统针对井下的复杂场景,通过深度自学习模型,自动优化参数,同时加入基于卷积神经网络的深度学习算法[1],保证了视频分析的实时性和准确性,能够对视频区域内出现的运动目标自动识别出目标类型并跟踪.现场应用表明该系统能够实现皮带机周围报警、进入识别、离开识别、场景变化识别、滞留识别等监控需求,同时可以实时高效地对煤矿运输皮带上大块矸石、煤块、铁器、木料