matlab仿真故障代码基于集群稀疏编码的大型电力系统多事件分析 实时准确的事件分析对于高保真态势感知至关重要，这样可以在任何孤立的故障升级为级联停电之前采取适当的行动。 现有方法仅限于检测单个或两个事件或指定的事件类型。 所提出的基于集群的稀疏编码（ CSC ）算法可以提取多事件场景中涉及的所有底层单个事件。 先决条件 Matlab（在 Matlab R2015a 上测试） 数据集： “NPCC”试验台基于 28 GW 负载的 48 台机器（140 条总线）系统。 该模型代表了 NPCC 区域，覆盖了 ISO-NE、NYISO、PJM、MISO 和 IESO 的全部或部分。 这些模拟是基于“NPCC”测试平台完成的，它是真实系统的简化模型，使用电力系统工程模拟器 (PSS/E)。 基于NPCC测试数据集，我们生成了单事件案例（S1C）、双事件案例（M2C）和三事件案例（M3C）。 粗略地说，为每种类型的案例创建了 100 多个测试样本。 职能 主要功能 : 运行演示的主要功能 normalization.m : z-score 归一化 sparsecoding.m : 计​​算稀疏系

应用于输入多输出（MIMO）雷达成像的稀疏恢复算法可能会在收发器对之间的相位不匹配的情况下失去其优势。 在这封信中，我们确定了随机相位不匹配对成像问题的影响可能会成为MIMO点扩展函数幅度的缩小因子。 因此，我们建立了成功的支持恢复条件和针对所涉及问题的正交匹配追踪（OMP）算法的性能度量，这两者都是缩减因子的函数。 同时，提出了通过期望最大化（SIEM）进行稀疏成像的方法，以缓解面对相位失配的OMP性能损失。 数值结果证实了分析结果，并说明了SIEM算法的有效性。

在本文中，我们解决了具有不完善的载波频率同步的频分多输入多输出（FD-MIMO）雷达稀疏成像问题。 从距离角平面上的经典点扩散函数（PSF）的角度来看，我们知道感兴趣的场景中的不同散射体将不再共享相同的PSF。 取而代之的是，位于不同范围容器中的散射体将具有不同的PSF。 此外，对于不同的产生载波频率偏移的信号源，我们发现与那些与接收器相关的信号源会由于范围角度尺寸之间的交叉干扰而对PSF产生更严重的影响。 我们还提出了一个不严格的载波频率偏移阈值，以建议超出的边界，由此导致的PSF将完全失真。 相应地，我们建议在稀疏重建后，当那些频偏可控时，以迭代方式补偿这些频偏的影响。 仿真证明了从解析推导中得出的合理结果，并验证了所提算法的有效性。

本文提出了一种基于稀疏编码和分类器集成的多实例学习框架下的图像分类方法。 具体而言，从所有训练包的实例中学习字典。 包的每个实例都表示为字典中所有基本向量的稀疏线性组合，然后，包也表示为一个特征向量，该特征向量是通过包内所有实例的稀疏表示来实现的。 因此，MIL问题被转换为可以通过众所周知的单实例学习方法（如支持向量机（SVM））解决的单实例学习问题。 有两种提高分类性能的策略：第一，通过使用不同大小的字典重复使用上述方法来获得组件分类器。 其次，将分类器集合的结果用于预测。 与最新的MIL方法相比，COREL数据集上的实验结果证明了该方法在分类准确性方面的优越性。

在[1]中，通过迭代最小化（SLIM）方法进行的稀疏学习已被证明在MIMO雷达模型的高分辨率成像中是有效的。 但是，那里的回声模型是直接根据离散形式导出的。 成像空间的先前网格化以及所有散射体都精确位于网格上的假设。 因此，这里我们将回波模型推广到任意位置散射体的连续形式。 通过比较两个模型，我们首先指出了先前模型中的一个推导错误。 然后，我们分析了先前模型和SLIM方法在何种程度上会受到离网散射体的范围和角度偏差的影响。 根据我们的分析，由于先前模型中的采样间隔和离散距离仓的大小是根据传输的子脉冲的持续时间设计的，因此距离偏差对成像性能没有重大影响。 但是，角度偏差可能导致基矩阵不匹配，从而严重影响SLIM的重建结果。 因此，提出了一种基于自更新的SLIM（SUB-SLIM）方法，通过交替稀疏成像和自适应细化角箱来处理偏角网格散射体。 数值结果说明了我们的方法和相关分析的有效性。

【问题描述】实现两个多项式的运算（相加、相减）。 【基本要求】 （1）按照指数降序排列建立并输出多项式； （2）完成两个多项式的相加、相减，并将结果输出； （3）以顺序存储或链式存储结构实现多项式。

LDPC码中稀疏矩阵的LU分解算法，胡俊杨，黄荔杰，LDPC码是当前最接近香农限的信道编码算法，其纠错能力接近并有可能超越Turbo码。LDPC码的优越性能使其非常适合大量数据的广播系统应��

L1正则化技术F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w;x,y)+α∑i=1n∣wi∣假设w∗是损失函数J(w;x,y)最优解，J(w;x,y)在w∗处泰勒展J(w;x,y)=J(w∗;x,y)+J′(w∗;x,y)(w−w∗)+12!J′′(w∗;x,y)(w−w∗)2  ∵w∗是J(w;x,y)最优解，则J′(w∗;x,y)=0，则可以去除J(w∗;x,y)+12!J′′(w∗;x,y)(w−w∗)2J′′是二阶导数，当是高维的时候就变成了H矩阵了。J(w∗;x,y)+12!H(w−w∗)2∴F(w;x,y)=J(w;x,y)+α∣∣w∣∣1=J(w∗;x,y)+12!H

压缩感知(CS)是一种新的信号采样、处理和恢复理论,能够显著地降低高频窄带信号的采样频率。针对稀疏度未知信号的重建,提出了步长自适应前向后向追踪(AFBP)算法。不同于固定步长前向后向追踪(FBP)算法,AFBP的步长可变。它利用一种自适应阈值的方法选取前向步长,然后对候选支撑集进行正则化处理以保证其可靠性,接着用自适应阈值与变步长双向控制的方法选取后向步长以减少重建时间。AFBP能够自适应后向删除估计支撑集中部分错误索引以提高信号准确重建概率。在稀疏信号非零值服从常见分布条件下,用AFBP、FBP等算法进行重建的结果表明,AFBP的准确重建概率、重建精度与FBP相当,重建时间明显少于FBP,能够更高效地重建稀疏度未知信号。

电力网络稀疏算法基础