为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

提出一种新的通过加入引导信号构造Hankel矩阵经奇异值分解（SVD）滤除相应频率成分的陷波方法。根据待处理信号构造的Hankel矩阵，经SVD后其奇异值对应信号中不同频谱幅值的频率成分，提出加入某特定频率信号作为引导信号使得该频率成分成为信号中的主成分，形成易区分的奇异值对，在信号重构时除掉该奇异值对便可滤除相应频率成分。用本方法对脑磁信号进行50 Hz工频陷波处理，达到了很好的陷波效果，且该方法不受传统滤波器陷波越深受影响带宽越宽的限制。

WBS CHART PRO是专业绘制WBS图的软件，可以自由导入到PROJECT和P3里，可以很大程度的简化WBS的绘制。 在项目管理中，我们通常需要编制工作分解结构（WBS）图。附带中文的使用教程和注册码。

为了提高掘进机振动信号小波包去噪的效果,最大限度避免噪声对信号特征提取的影响,提出了基于最优小波基选取的掘进机振动信号去噪方法。该方法以信号频谱为分析依据,首先确定了小波包分解的最优分解层数,再选择最优小波基函数,实现了对掘进机振动信号的实时处理,去噪效果达到了最佳。现场试验结果也验证了该方法的有效性。

近些年，利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据，利用不同的特征提取算法提取特征，并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数，采用灰度共生矩阵提取纹理特征参数；然后将提取的所有特征进行不同的组合，构成不同的特征集；最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差；利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果；综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果，总体精度和Kappa系数可以达到94.44%和0.9305，表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.

软件工程实施标准-工作任务分解书

AR阶数确定的奇异值分解方法 奇异值分解(SVD)： A为m × n矩阵，A可分解为 A = UΣV H 其中U为m × m酉矩阵，V为n × n酉矩阵。 ,σ nn2 ) Σ = diag(σ 112 ,σ 222 , -1 酉矩阵：U = U H 主奇异值：p个大的奇异值（p个信号分量的能量） 次奇异值：其它小奇异值（扰动或误差的能量）

[UD] = UFactor(P) 返回矩阵 U 和 D，使得 U.'*D*U = P [UD] = UFactor(P,uflag) 返回矩阵 U 和 D，使得 U*D*U。' = P 当 uflag 设置为 TRUE 时。 将 uflag 设置为 FALSE 等效于仅使用一个参数运行 UFactor。 UDFactor 的算法类似于 Cholesky 分解，除了矩阵被分解为酉上三角矩阵 (U) 和对角矩阵 (D) 使得 P = U*D*U.' （或 U.'*D*U）。 注意而这等价于 P = (U*D^0.5)*(U*D^0.5).' = S*S。' 其中 S 是P的上三角平方根，不取平方根U 和 D 的计算。这使得这种分解非常适合卡尔曼滤波器（UD 滤波器）的平方根实现。 更多详细信息，请参阅 Bierman, GJ，离散的分解方法序贯估计，1977。 注意：此分解仅保证适用于

function [Q,R,x]=QR(A,b) n=length(A;Q=eye(n;R=A; for i=1:n-1 x=R(i:n,i; if all(x(2:n-i+1)~=0) x=x/norm(x,inf;delta=norm(x,2*sign(x(1; v=[x(1)+delta;x(2:n-i+1)];beta=2/norm(v,2^2; else beta=0;v=0; end

用于图像处理 图像分解 IMFs 可以将图像进行分解重构操作，适用于学习BEMD图像处理的同学。