CN106841865A - 短时电能质量扰动信号的单比特采样与重构方法 - Google Patents

短时电能质量扰动信号的单比特采样与重构方法 Download PDF

Info

Publication number
CN106841865A
CN106841865A CN201710052938.1A CN201710052938A CN106841865A CN 106841865 A CN106841865 A CN 106841865A CN 201710052938 A CN201710052938 A CN 201710052938A CN 106841865 A CN106841865 A CN 106841865A
Authority
CN
China
Prior art keywords
signal
power quality
short duration
quality disturbance
duration power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710052938.1A
Other languages
English (en)
Other versions
CN106841865B (zh
Inventor
卿朝进
童新
张岷涛
郭奕
蔡曦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Zhuda Technology Co.,Ltd.
Original Assignee
Xihua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201710052938.1A priority Critical patent/CN106841865B/zh
Publication of CN106841865A publication Critical patent/CN106841865A/zh
Application granted granted Critical
Publication of CN106841865B publication Critical patent/CN106841865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Complex Calculations (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及电能质量信号的压缩采样与重构,尤其是短时电能质量扰动信号的单比特采样与重构方法，包括：(1)采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β；(2)将频域信号β进行归一化处理，得到归一化处理后的信号(3)读取测量矩阵Φ，根据公式y＝sign(Φψα)进行压缩采样操作，得到单比特压缩采样信号y；(4)将信号y和||β||2进行存储或传输；(5)信号重构时，调用本发明提出的“双步长稀疏度自适应二进制迭代硬阈值”方法。通过本发明，可降低短时电能质量扰动信号采样时所需的模数采样器件要求；可节省对采样信号进行存储时的存储空间；可在数据传输时发送更少的数据，节省传输所需的能量；可在信号重构时节省重构所需的处理器资源。

Description

短时电能质量扰动信号的单比特采样与重构方法
技术领域
本发明涉及电能质量信号的压缩采样与重构,尤其是短时电能质量扰动信号的单比特采样与重构方法。
背景技术
随着电力系统规模的扩大以及用电需求的增加，各种非线性、冲击性负载及电子设备的使用导致电网运行恶化，电能质量污染问题日趋严峻。为了实时监测电能质量并采取相应措施来控制，需要高速采样和传输大量的样本。而传统电能质量分析方法多是建立在Nyquist采样定理基础上，导致采样数据量大，增加了数据的存储和传输成本。
针对信号在某些域稀疏或可稀疏化特征，压缩感知(Compressed Sensing，CS)以远低于奈奎斯特采样速率对信号进行采样而不损失信号信息。短时电能质量扰动信号在频域具有一定的稀疏特征，基于CS的电能质量信号的压缩采样与重构也有一定的研究，然而文中并未详细阐述量化过程。
现有技术方案，压缩感知理论在对稀疏信号的采样中，把采样与压缩合二为一，能显著降低信号采集频率，然后通过非线性重建算法来重构信号。其基本原理如下：
假设信号x为域空间RN中的N×1维列向量，x＝[x1,x2,…,xN]T，并且x可以表示为RN中的N个标准正交基的线性组合：
或者x＝ψβ (5)
其中ψi∈ψ,ψ∈CN×N为稀疏表示基，β＝[β1,β2,…,βN]T为信号x在ψ上的线性投影系数。如果系数向量β中非零元素的数量为K，且K＜＜N，即(5)式中只需K个线性组合就能准确表达信号x,则信号x在表示基ψ上是稀疏的，K为信号的稀疏度。
在CS理论中，对于式(5)中的稀疏信号x，可通过设计一个与稀疏表示基ψ不相关的矩阵，对信号x直接进行压缩采样，采样过程如下：
y＝Φx (6)
式中Φ为观测向量，由于采样过程实现了对数据的压缩。最后通过最优化问题以少量的观测值y准确重构原始信号x：
其中||.||0为l0-范数运算。由于满足的向量不唯一，最小化l0-范数等效于在满足所有的所有中选取具有最少非零元素个数的向量。
通过上述内容分析，压缩感知理论主要涉及信号的稀疏表示、压缩测量及重构算法这三方面的内容。将压缩感知理论应用到短时电能质量扰动信号的采样与压缩中，降低了采样率的同时减少了数据量。但在实际应用中，观测得到的测量值需量化至一定的比特数，才能实现数字化的处理和存储。其基本思路如图1所示，现有的技术方案主要缺陷是虽然压缩感知理论能有效的降低采样数据量，然而文中并未详细阐述量化过程。
为进一步减小传输与存储成本，因此对于上述问题有必要提出短时电能质量扰动信号的单比特采样与重构方法。
发明内容
针对上述现有技术中存在的不足，本发明的目的在于提供可靠性高，进一步减少短时电能质量扰动信号存储空间的单比特采样与重构方法。
短时电能质量扰动信号的单比特采样与重构方法，其步骤为，
步骤一：采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β，即β＝ψ-1x，其中ψ为已知的傅里叶变换矩阵；
步骤二：将频域信号β进行归一化处理，得到归一化处理后的信
号
步骤三：读取测量矩阵Φ，根据公式y＝sign(Φψα)进行压缩采样操作，得到单比特压缩采样信号y；
步骤四：将信号y和||β||2进行存储或传输；
步骤五：信号重构时，调用本发明提出的“双步长稀疏度自适应二进制迭代硬阈值”(Double Step-size Sparsity Adaptive Binary Iterative Hard Thresholding，DS-SABIHT)方法，从信号y中重构出信号利用还原信号再根据得到信号x的估计值
优选地，所述的短时电能质量扰动信号包含电压骤降信号、电压骤升信号、电压中断信号,其公式表达式为：其中f0表示电能质量信号频率50Hz，tp表示采样时长，t1表示扰动开始时间，t2表示扰动结束时间，t2-t1表示扰动持续时间，其范围为0.01＜t2-t1＜0.6。当a的取值为0.1＜a＜0.9时，表示电压骤降信号；当a的取值为1.1＜a＜1.8时，表示电压骤升信号；当a的取值为0＜a＜0.1时，表示为电压中断信号。经采样后的电能质量扰动信号x∈RN,其中采样频率为fs＝6400Hz。
优选地，采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β，即β＝ψ-1x，其中ψ为已知的傅里叶变换矩阵；
优选地，将频域信号β进行归一化处理，得到归一化处理后的信号
优选地，构建与傅里叶基不相关的测量矩阵——高斯随机矩阵ΦM×N，作为短时电能质量扰动信号的测量矩阵；然后将观测值进行量化处理，即：
y＝sign(Φx)＝sign(Φψα)＝sign(Aα) (1)
其中，传感矩阵A＝Φψ，sign(Aα)表示符号函数，当测量值为正时取值为+1，否则为-1。
优选地，增加测量次数M,M多于信号的长度N。
优选地，为求解式可以表示为求解如下矩阵：
YΦα≥0 (2)
其中Y＝diag(y)，即以yi为对角线元素的矩阵。然后加入能量约束让其限制在一个圆l2上：
优选地，为此单比特压缩感知重构模型可表示为：
提出的“双步长稀疏度自适应二进制迭代硬阈值”方法如(4)式所示，即根据信号y可重构出信号利用还原信号再根据得到信号x的估计值
优选地，根据短时电能质量扰动信号f(t)的频谱函数F(ω)可表示为
，
幅度频谱经推导，得出|F(-ω)|＝|F(ω)|，故短时电能质量扰动信号，即电压骤降、电压骤升和电压中断信号的频谱呈现对称性。
优选地，根据短时电能质量扰动信号在频域具有稀疏性，为此其稀疏度大小可通过设置一个阈值ε来确定：即短时电能质量扰动信号经傅里叶变换后，若其变换系数绝对值大于ε的大系数个数为K，那么就将信号定义为K-稀疏的。假设电压骤升、电压中断与电压骤降信号经双边傅里叶变换后，其频率正半轴的变换系数个数为h(大于阈值ε的个数)，根据频谱对称性性质可知，频率负半轴的变换系数个数仍为h(大于阈值ε的个数)，故该信号的稀疏度为2h，即基于傅里叶变换的短时电能质量信号，即电压骤降、电压骤升、电压中断的稀疏度总是为偶数。
优选地，所述基于短时电能质量扰动信号的稀疏度为偶数的特征，将初始步长设置为2，提出“双步长稀疏度自适应二进制迭代硬阈值”方法进行信号重构。
优选地，所述双步长稀疏度自适应二进制迭代硬阈值方法的步骤为：
输入：1-Bit观测值y，传感矩阵A，最大迭代次数nmax，步长s←2
①输出：初始化：α0←0，残差初始值：r0←y，迭代次数n←0，阶段索引j←1，估计稀疏L←s
②梯度计算：γn+1←αn+ATrn，其中rn＝y-sign(Aαn)；
③硬阈值投影：αn+1←ηL(γn+1)，计算残差rn+1＝y-sign(Aαn+1)；
④判断相邻两阶段重建信号的能量差||αn+1-αn||2≤ε1，成立则执行步骤⑥，否则执行步骤⑤；
⑤判断若满足||rn+1||2≥||rn||2，则进入新的阶段j←j+1，n←n+1，L＝js，并重置信号αn←α0，并执行步骤⑧，否则执行步骤⑥；
⑥更新信号αn←αn+1；
⑦更新残差rn←rn+1，更新迭代次数：n←n+1；
⑧迭代终止判决：当n＝nmax或||rn+1||2＜ε2时，执行步骤⑨；反之执行步骤②；
⑨输出αn+1←αn+1/||αn+1||2，即
其中，ηL(v)表示保留v中最大的L个幅度对应的元素，并将其余元素置零。
本发明根据短时电能质量扰动信号的频谱具有对称性，进而开发出短时电能质量扰动信号的稀疏度特征——稀疏度在频域为偶数。基于短时电能质量扰动信号的稀疏度为偶数的特征，将初始步长设置为2，提出“双步长稀疏度自适应二进制迭代硬阈值”方法进行信号重构。通过采用上述技术方案，可降低短时电能质量扰动信号采样时所需的模数采样器件要求；可节省对采样信号进行存储时的存储空间；可在数据传输时发送更少的数据，节省传输所需的能量；可在信号重构时节省重构所需的处理器资源。
附图说明
图1是现有技术的方法流程图；
图2是发明的方法流程图；
图3是双步长稀疏度自适应二进制迭代硬阈值方法的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
如图2和图3所示，短时电能质量扰动信号的单比特采样与重构方法，其
步骤为，步骤一：采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β，即β＝ψ-1x，其中ψ为已知的傅里叶变换矩阵；步骤二：将频域信号β进行归一化处理，得到归一化处理后的信号步骤三：读取测量矩阵Φ，根据公式y＝sign(Φψα)进行压缩采样操作，得到单比特压缩采样信号y；步骤四：将信号y和||β||2进行存储或传输；步骤五：信号重构时，调用本发明提出的“双步长稀疏度自适应二进制迭代硬阈值”方法，从信号y中重构出信号利用还原信号再根据得到信号x的估计值
进一步的，所述的短时电能质量扰动信号包含电压骤降信号、电压骤升信号和电压中断信号，其公式表达式为：其中f0表示电能质量信号频率50Hz，tp表示采样时长，t1表示扰动开始时间，t2表示扰动结束时间，t2-t1表示扰动持续时间，其范围为0.01＜t2-t1＜0.6。当a的取值为0.1＜a＜0.9时，表示电压骤降信号；当a的取值为1.1＜a＜1.8时，表示电压骤升信号；当a的取值为0＜a＜0.1时，表示为电压中断信号。经采样后的电能质量扰动信号x∈RN,其中采样频率为fs＝6400Hz。
实施案例一，采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β，即β＝ψ-1x，其中ψ为已知的傅里叶变换矩阵；
实施案例二，将频域信号β进行归一化处理，得到归一化处理后的信号
实施案例三，构建与傅里叶基不相关的测量矩阵——高斯随机矩阵ΦM×N，作为短时电能质量扰动信号的测量矩阵；然后将观测值进行量化处理，即：
y＝sign(Φx)＝sign(Φψα)＝sign(Aα) (1)
其中，sign(Aα)表示符号函数，当测量值为正时取值为+1，否则为-1。由于每次取的测量值的符号(+1,-1)，而不是精确的测量值，这使得测量精度有所下降。为了提高测量精度，可以增加测量次数M，甚至可以多于信号的长度N。
进一步包括为求解式可以表示为求解如下矩阵：
YΦα≥0 (2)
其中Y＝diag(y)，即以yi为对角线元素的矩阵。然后加入能量约束让其限制在一个圆l2上：
进一步包括为此单比特压缩感知重构模型可表示为：
提出的“双步长稀疏度自适应二进制迭代硬阈值”方法如(4)式所示，即根据信号y可重构出信号利用还原信号再根据得到信号x的估计值
根据短时电能质量扰动信号f(t)的频谱函数F(ω)可表示为
，
幅度频谱经推导，得出|F(-ω)|＝|F(ω)|，即短时电能质量扰动信号，即电压骤降、电压骤升和电压中断信号的频谱呈现对称性。
根据短时电能质量扰动信号在频域具有稀疏性，为此其稀疏度大小可通过设置一个阈值ε来确定：即短时电能质量扰动信号经傅里叶变换后，若其变换系数绝对值大于ε的大系数个数为K，那么就将信号定义为K-稀疏的。假设电压骤升、电压中断与电压骤降信号经双边傅里叶变换后，其频率正半轴的变换系数个数为h(大于阈值ε的个数)，根据对称性性质可知，频率负半轴的变换系数个数仍为h(大于阈值ε的个数)，故该信号的稀疏度为2h，即基于傅里叶变换的短时电能质量信号，即电压骤降、电压骤升、电压中断的稀疏度总是为偶数。
进一步的，本发明根据短时电能质量扰动信号的频谱具有对称性，进而开发出短时电能质量扰动信号的稀疏度特征——稀疏度在频域为偶数。基于短时电能质量扰动信号的稀疏度为偶数的特征，将初始步长设置为2，提出“双步长稀疏度自适应二进制迭代硬阈值”方法进行信号重构。该步骤可减少算法迭代次数，从而降低算法复杂度。
所述双步长稀疏度自适应二进制迭代硬阈值DS-SABIHT方法的步骤为：
输入：1-Bit观测值y，传感矩阵A，最大迭代次数nmax，步长s←2
①输出：初始化：α0←0，残差初始值：r0←y，迭代次数n←0，阶段索引j←1，估计稀疏L←s
②梯度计算：γn+1←αn+ATrn，其中rn＝y-sign(Aαn)；
③硬阈值投影：αn+1←ηL(γn+1)，计算残差rn+1＝y-sign(Aαn+1)；
④判断相邻两阶段重建信号的能量差||αn+1-αn||2≤ε1，成立则执行步骤⑥，否则执行步骤⑤；
⑤判断若满足||rn+1||2≥||rn||2，则进入新的阶段j←j+1，n←n+1，L＝js，并重置信号αn←α0，并执行步骤⑧，否则执行步骤⑥；
⑥更新信号αn←αn+1；
⑦更新残差rn←rn+1，更新迭代次数：n←n+1；
⑧迭代终止判决：当n＝nmax或||rn+1||2＜ε2时，执行步骤⑨；反之执行步骤②；
⑨输出αn+1←αn+1/||αn+1||2，即
其中，ηL(v)表示保留v中最大的L个幅度对应的元素，并将其余元素置零。
实施案例四：通过Matlab实验仿真结果表明：本发明的方法能较好地保留原始信号的扰动特征，重构信噪比高、重构误差小、能量恢复系数ERP均在99.9％以上，满足电能质量信号分析的要求。
本发明根据短时电能质量扰动信号的频谱具有对称性，进而开发出短时电能质量扰动信号的稀疏度特征——稀疏度在频域为偶数。基于短时电能质量扰动信号的稀疏度为偶数的特征，将初始步长设置为2，提出“双步长稀疏度自适应二进制迭代硬阈值”方法进行信号重构。通过本发明，可降低短时电能质量扰动信号采样时所需的模数采样器件要求；可节省对采样信号进行存储时的存储空间；可在数据传输时发送更少的数据，节省传输所需的能量；可在信号重构时节省重构所需的处理器资源。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.短时电能质量扰动信号的单比特采样与重构方法，其特征在于：其步骤为，
步骤一：采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β，即β＝ψ-1x，其中ψ为已知的傅里叶变换矩阵；
步骤二：将频域信号β进行归一化处理，得到归一化处理后的信号
步骤三：读取测量矩阵Φ，根据公式y＝sign(Φψα)进行压缩采样操作，得到单比特压缩采样信号y；
步骤四：将信号y和||β||2进行存储或传输；
步骤五：信号重构时，调用“双步长稀疏度自适应二进制迭代硬阈值”方法，从信号y中重构出信号利用还原信号再根据得到信号x的估计值
2.根据权利要求1所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：所述短时电能质量扰动信号包含电压骤降信号、电压骤升信号、电压中断信号,其公式表达式为：其中f0表示电能质量信号频率50Hz，tp表示采样时长，t1表示扰动开始时间，t2表示扰动结束时间，t2-t1表示扰动持续时间，其范围为0.01＜t2-t1＜0.6；当a的取值为0.1＜a＜0.9时，表示电压骤降信号；当a的取值为1.1＜a＜1.8时，表示电压骤升信号；当a的取值为0＜a＜0.1时，表示为电压中断信号，经采样后的电能质量扰动信号x∈RN,其中采样频率为fs＝6400Hz，采用傅里叶变换基对短时电能质量扰动信号x进行稀疏表示，得到x的频域信号β，即β＝ψ-1x ，其中ψ为已知的傅里叶变换矩阵；将频域信号β进行归一化处理，得到归一化处理后的信号
3.根据权利要求1所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：构建与傅里叶基不相关的测量矩阵——高斯随机矩阵ΦM×N，作为短时电能质量扰动信号的测量矩阵；然后将观测值进行一比特量化处理，即：
y＝sign(Φx)＝sign(Φψα)＝sign(Aα) (1)
其中，传感矩阵A＝Φψ，sign(Aα)表示符号函数，当测量值为正时取值为+1，否则为-1。
4.根据权利要求3所述的短时电能质量扰动信号的单比特采样与重构，其特征在于：增加测量次数M,M可多于信号的长度N。
5.根据权利要求3所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：为求解式(1)可以表示为求解如下矩阵：
YΦα≥0 (2)
其中Y＝diag(y)，即以yi为对角线元素的矩阵。然后加入能量约束让其限制在一个圆l2上为：
。
6.根据权利要求5所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：为此单比特压缩感知重构模型可表示为：
所述“双步长稀疏度自适应二进制迭代硬阈值”方法如(4)式所示，即根据信号y可重构出信号利用还原信号再根据得到信号x的估计值
7.根据权利要求5所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：所述短时电能质量扰动信号，即电压骤降、电压骤升和电压中断在频域呈现对称性。
8.根据权利要求7所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：所述基于短时电能质量扰动信号的稀疏度为偶数的特征，将初始步长设置为2，提出“双步长稀疏度自适应二进制迭代硬阈值DS-SABIHT”方法进行信号重构。
9.根据权利要求8所述的短时电能质量扰动信号的单比特采样与重构方法，其特征在于：所述双步长稀疏度自适应二进制迭代硬阈值DS-SABIHT方法的步骤为：
输入：1-Bit观测值y，传感矩阵A，最大迭代次数nmax，步长s←2
①输出：初始化：α0←0，残差初始值：r0←y，迭代次数n←0，阶段索引j←1，估计稀疏L←s
②梯度计算：γn+1←αn+ATrn，其中rn＝y-sign(Aαn)；
③硬阈值投影：αn+1←ηL(γn+1)，计算残差rn+1＝y-sign(Aαn+1)；
④判断相邻两阶段重建信号的能量差||αn+1-αn||2≤ε1，成立则执行步骤⑥，否则执行步骤⑤；
⑤判断若满足||rn+1||2≥||rn||2，则进入新的阶段j←j+1，n←n+1，L＝js，并重置信号αn←α0，并执行步骤⑧，否则执行步骤⑥；
⑥更新信号αn←αn+1；
⑦更新残差rn←rn+1，更新迭代次数：n←n+1；
⑧迭代终止判决：当n＝nmax或||rn+1||2＜ε2时，执行步骤⑨；反之执行步骤②；
⑨输出αn+1←αn+1/||αn+1||2，即
其中，ηL(v)表示保留v中最大的L个幅度对应的元素，并将其余元素置零。
CN201710052938.1A 2017-01-22 2017-01-22 短时电能质量扰动信号的单比特采样与重构方法 Active CN106841865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710052938.1A CN106841865B (zh) 2017-01-22 2017-01-22 短时电能质量扰动信号的单比特采样与重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710052938.1A CN106841865B (zh) 2017-01-22 2017-01-22 短时电能质量扰动信号的单比特采样与重构方法

Publications (2)

Publication Number Publication Date
CN106841865A true CN106841865A (zh) 2017-06-13
CN106841865B CN106841865B (zh) 2019-05-24

Family

ID=59120300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710052938.1A Active CN106841865B (zh) 2017-01-22 2017-01-22 短时电能质量扰动信号的单比特采样与重构方法

Country Status (1)

Country Link
CN (1) CN106841865B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108737032A (zh) * 2018-05-22 2018-11-02 西华大学 一种压缩叠加序列csi反馈方法
CN108931703A (zh) * 2018-06-19 2018-12-04 西华大学 一种残差选取电能质量扰动信号单比特采样的重构方法
CN112736480A (zh) * 2020-12-23 2021-04-30 西华大学 基于射频开关的单辐射体方向图与极化重构装置及方法
CN113242096A (zh) * 2020-12-31 2021-08-10 杭州电子科技大学 一种基于单比特量化的光子辅助压缩感知接收器及其实现方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473286A (zh) * 2009-07-08 2012-05-23 工业研究与发展基金会有限公司 超分辨率信号重构的方法和系统
WO2012142144A2 (en) * 2011-04-12 2012-10-18 Opnet Technologies, Inc. Assessing application performance with an operational index
CN103684472A (zh) * 2013-12-29 2014-03-26 哈尔滨工业大学 一种基于压缩感知的1-Bit稀疏度自适应信号重构方法
CN104361582A (zh) * 2014-10-23 2015-02-18 河海大学 一种对象级高分辨率sar影像洪水灾害变化检测方法
CN104951787A (zh) * 2015-06-17 2015-09-30 江苏大学 一种src框架下判别字典学习的电能质量扰动识别方法
CN105786903A (zh) * 2014-12-25 2016-07-20 国家电网公司 一种对电能质量扰动事件分类的方法
CN106157254A (zh) * 2015-04-21 2016-11-23 南京理工大学 基于非局部自相似性的稀疏表示遥感图像去噪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102473286A (zh) * 2009-07-08 2012-05-23 工业研究与发展基金会有限公司 超分辨率信号重构的方法和系统
WO2012142144A2 (en) * 2011-04-12 2012-10-18 Opnet Technologies, Inc. Assessing application performance with an operational index
CN103684472A (zh) * 2013-12-29 2014-03-26 哈尔滨工业大学 一种基于压缩感知的1-Bit稀疏度自适应信号重构方法
CN104361582A (zh) * 2014-10-23 2015-02-18 河海大学 一种对象级高分辨率sar影像洪水灾害变化检测方法
CN105786903A (zh) * 2014-12-25 2016-07-20 国家电网公司 一种对电能质量扰动事件分类的方法
CN106157254A (zh) * 2015-04-21 2016-11-23 南京理工大学 基于非局部自相似性的稀疏表示遥感图像去噪方法
CN104951787A (zh) * 2015-06-17 2015-09-30 江苏大学 一种src框架下判别字典学习的电能质量扰动识别方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108737032A (zh) * 2018-05-22 2018-11-02 西华大学 一种压缩叠加序列csi反馈方法
CN108737032B (zh) * 2018-05-22 2020-11-24 西华大学 一种压缩叠加序列csi反馈方法
CN108931703A (zh) * 2018-06-19 2018-12-04 西华大学 一种残差选取电能质量扰动信号单比特采样的重构方法
CN108931703B (zh) * 2018-06-19 2020-06-30 西华大学 一种残差选取电能质量扰动信号单比特采样的重构方法
CN112736480A (zh) * 2020-12-23 2021-04-30 西华大学 基于射频开关的单辐射体方向图与极化重构装置及方法
CN113242096A (zh) * 2020-12-31 2021-08-10 杭州电子科技大学 一种基于单比特量化的光子辅助压缩感知接收器及其实现方法
CN113242096B (zh) * 2020-12-31 2022-03-25 杭州电子科技大学 基于单比特量化的光子辅助压缩感知接收器及其实现方法

Also Published As

Publication number Publication date
CN106841865B (zh) 2019-05-24

Similar Documents

Publication Publication Date Title
CN106841865A (zh) 短时电能质量扰动信号的单比特采样与重构方法
Huang et al. Bayesian compressive sensing for approximately sparse signals and application to structural health monitoring signals for data loss recovery
CN113516248B (zh) 一种量子门测试方法、装置及电子设备
Laska et al. Trust, but verify: Fast and accurate signal recovery from 1-bit compressive measurements
Boufounos et al. Sparse signal reconstruction from noisy compressive measurements using cross validation
CN107832837A (zh) 一种基于压缩感知原理的卷积神经网络压缩方法及解压缩方法
CN107192878A (zh) 一种基于压缩感知的电力系统谐波检测方法及装置
CN107527371B (zh) 一种在压缩感知中逼近光滑l0范数的图像重建算法的设计构建方法
CN105515585A (zh) 未知稀疏度信号的压缩感知重构方法
JP5220071B2 (ja) 欲張り探索を使用して符号測定値からスパース信号を再構築する方法
CN115310618B (zh) 量子操作中的量子噪声消除方法及装置、电子设备和介质
Moscoso del Prado The mirage of morphological complexity
CN111681298A (zh) 一种基于多特征残差网络的压缩感知图像重建方法
CN108038149B (zh) 一种温度场数据重构方法
CN110717958A (zh) 一种图像重建方法、装置、设备及介质
CN115456189A (zh) 量子模拟方法、装置、设备及存储介质
Liquan et al. Improved generalized sparsity adaptive matching pursuit algorithm based on compressive sensing
CN103036576A (zh) 基于压缩传感理论的一种二值稀疏信号重构算法
Ding et al. Research on adaptive modulus maxima selection of wavelet modulus maxima denoising
CN115329971B (zh) 消除振幅阻尼噪声的方法及装置、电子设备和介质
CN104883192B (zh) 基于混合压缩采样的非合作超宽带信号的重构方法
CN111382854A (zh) 一种卷积神经网络处理方法、装置、设备及存储介质
Yang et al. A low‐cost digital calibration scheme for high‐resolution SAR ADC using Adaptive‐LMS
Manimala et al. Sparse recovery algorithms based on dictionary learning for MR image reconstruction
Ma et al. Two-part reconstruction in compressed sensing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20200415

Address after: 636000 Mingyang small and micro enterprise Pioneer Park, Enyang District, Bazhong City, Sichuan Province

Patentee after: Sichuan Xianshi Electronic Technology Co.,Ltd.

Address before: 610039, No. 999, Jin Zhou road, Jinniu District, Sichuan, Chengdu

Patentee before: XIHUA University

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Mingyang Small and Micro Enterprise Entrepreneurship Park, Enyang District, Bazhong City, Sichuan Province

Patentee after: Sichuan Zhuda Technology Co.,Ltd.

Address before: Mingyang Small and Micro Enterprise Entrepreneurship Park, Enyang District, Bazhong City, Sichuan Province, 636000

Patentee before: Sichuan Xianshi Electronic Technology Co.,Ltd.