基于IPSO-Elman的气液两相流含气率测量方法

为安全且非侵入式地测量气液两相流含气率,提出一种电阻层析成像(ERT)陈列电阻与Elman神经网络相结合的含气率测量方法。首先,为加快模型训练速度并避免数据冗余,使用主成分分析(PCA)算法对120维的阵列电阻特征降维。然后,在粒子群(PSO)算法中引入自适应惯性权重和非线性学习因子,并加入遗传算法(GA)的交叉和变异行为以加快算法收敛速度。最后,通过改进的粒子群(IPSO)算法优化Elman神经网络初始权值和阈值,并建立含气率测量模型。经对比实验发现,PCA-IPSO-Elman含气率测量模型的平均绝对百分比误差为2.92%,且训练时间较IPSO-Elman模型减少68.8%。说明所提方法可以达到预期的测量效果。

融合注意力机制与自适应模板更新的目标跟踪算法

针对基于孪生网络的跟踪算法在目标快速移动、发生较大形变、处于复杂背景等情况下容易出现跟踪性能下降的问题,提出一种融合注意力机制与自适应模板更新的目标跟踪算法。跟踪算法以SiamRPN为基础,通过在特征提取网络融合通道注意力机制与空间注意力机制,抑制图像中的干扰信息,补充目标特征在通道空间中的信息,更好地对目标进行定位。将对象在不同时刻的模板,包括初始模板、累积模板和预测模板作为帧残差模块的输入,采用残差学习策略,充分利用初始模板语义信息,自适应更新当前帧所需的模板,减少了跟踪飘移的现象。在OTB100数据集上的实验结果表明,本文跟踪算法与其他跟踪算法相比取得了更高的跟踪成功率和准确率。