基于VMD和优化CNN⁃GRU的锂电池剩余使用寿命间接预测

准确预测锂电池的剩余使用寿命(RUL)对降低电池使用风险有着至关重要的作用。为了解决电池容量在实际应用中不易获得以及单一门控循环神经网络(GRU)不能有效提取数据间的深层特征等问题,提出一种基于间接健康因子的混合神经网络模型,即融合变分模态分解(VMD)、一维卷积神经网络(1D‐CNN)和麻雀搜索算法(SSA)优化GRU的组合剩余使用寿命预测模型。采用NASA数据集验证所提模型的有效性,实验结果表明,相比于GRU、VMD‐GRU、VMD‐SSA‐GRU,所提模型具有较高的预测精度与更快的运行速度,可以应用于锂电池RUL预测。

基于MIC特征提取与BO-CatBoost的航空发动机RUL预测

针对航空发动机传感器监测的退化参数提取困难,易受噪声干扰及发动机剩余使用寿命预测精度不足等问题,利用最大信息系数、贝叶斯优化算法和类别特征梯度提升算法,提出了一种新的发动机剩余使用寿命预测模型。首先,为有效解决特征提取不足的问题,对采集的传感器历史监测特征进行最大信息系数相关性计算,提取出对发动机寿命运行周期影响较大的关键退化特征。其次,为解决剩余使用寿命预测中的梯度偏差及预测偏移问题,使用基于贝叶斯优化的类别特征梯度提升方法对航空发动机进行剩余使用寿命预测。最后,在美国航空航天局提供的商用模块化航空推进系统仿真数据集上进行实验,结果表明所提预测方法的性能较好,验证了该方法的有效性。

无人机远程通信高密度集成电磁干扰抑制技术

在高密度集成电磁干扰环境中,为增强无人机远程通信的信息可靠性与有效性,文中研究无人机远程通信高密度集成电磁干扰抑制技术。估算无人机远程通信网络中高密度集成电磁干扰信号能量,并通过自适应波束形成实现电磁干扰抑制。在入射信号动态变化时,自适应调节权重系数,形成高密度集成电磁干扰信号抑制波束,并引入基于相位补偿的抗扰波束指向优化控制方法,来控制频率跳变对电磁干扰信号抗扰波束指向的负面影响,优化电磁干扰抑制效果。测试结果显示,使用此技术后,无人机远程通信网络的信息传输误比特率从0.1降为0.02,信息可靠性与有效性得到了提升。

基于并行SDAE-Seq2Seq模型的轴承寿命预测方法

基于数据驱动的轴承寿命预测方法大多需要人工提取退化特征,而且对于不同工况下的轴承需要进行针对性优化,也是依赖专家知识和经验进行特征提取。为此,提出一种并行堆叠降噪自动编码器算法(PSDAE)来提取轴承退化特征,并结合Seq2Seq模型预测轴承剩余寿命。通过PSDAE直接对原始振动信号进行降噪、降维,得到退化特征,通过神经网络的学习和训练自动获得不同工况下的轴承退化特征。其次,引入注意力机制,将提取的特征输入Seq2Seq模型进行训练,并在PHM2012数据集上验证模型的预测效果。实验结果表明:PSDAE通过并行集成方式降低了模型的训练参数和整体误差,提取的退化特征在单调性和可预测性方面优于堆叠降噪自动编码器(SDAE),使用该退化特征有效减少了Seq2Seq模型的预测误差,提高了预测得分,具有更好的预测效果和稳定性。

卷积神经网络下的复杂场景人群计数算法研究

针对复杂场景,提出了一种基于注意力机制的多尺度融合算法,用于解决复杂场景中的人群计数问题。算法利用卷积神经网络(CNN)进行特征提取,引入通道和空间注意力机制以提高背景和人头目标的识别性能,并自适应校正位置信息。通过卷积池化金字塔和多分支特征融合结构,实现了多尺度特征的优化。采用联合损失函数,包括欧式几何距离损失函数和人数损失函数,提高了人群计数的准确性。实验结果表明,在CNN的运行环境下,该算法在平均绝对误差(MAE)和平均方误差(MSE)等评估指标上优于近年来的主流人群计数方法,对partA和partB数据集都取得显著改进。

基于多尺度局部特征融合的行人重识别方法

针对现有行人重识别方法在提取行人特征时存在特征不对齐、忽略相邻区域语义相关性、背景杂乱以及训练效率低的问题,提出一种多尺度局部特征融合的方法。首先引入空间变换网络对图像进行自适应仿射变换,实现行人空间特征对齐;接着横向均等分割不同尺度的特征图,对相邻局部块采取不同的拼接方式,以弥补切割造成的相邻块关联性信息缺失的问题;再融合全局特征与局部特征,挖掘二者之间的关联性。同时,融入随机擦除的方法对数据集进行处理,防止模型过拟合;并且使用多种损失函数对网络模型进行训练,提升模型的类内紧致性和类间差异性。将所提方法在Market-1501和DukeMTMC-ReID数据集上进行实验,Rank-1分别达到95.0%,88.8%,mAP分别达到89.2%,78.9%,结果表明所提方法能够提取更具判别力的行人特征。

小波变换和深度残差收缩网络在齿轮箱故障诊断中的应用

齿轮的精确故障诊断是确保旋转机械设备稳定可靠运行的有效手段,针对强噪声环境下齿轮箱中齿轮故障分类问题,提出了一种基于连续小波变换和深度残差收缩网络的故障诊断模型。首先,采用小波变换对一维时间序列的振动数据进行时频分析,将其转化为二维时频图作为深度残差收缩网络(DRSN)的输入;其次,在多层卷积神经网络的基础上加入残差结构中的跨层恒等连接解决了梯度消失和爆炸的问题,同时利用自适应阈值子网络实现软阈值化降噪;最后,将故障样本的时频图作为诊断模型的输入进行故障分类。实验结果证明了与其他模型相比,本文采用的故障诊断方法更容易识别故障特征,分类准确率达到了99.15%。

基于并行CNN-Self attention&LSTM的锂电池RUL间接预测

针对锂离子电池难以在线测量直接健康因子(容量、内阻)进行剩余使用寿命(RUL)预测的现状,提出基于并行CNN-Self attention与LSTM组合的锂电池RUL间接预测方法。首先基于锂离子电池放电循环数据,利用灰度关联分析筛选出能够高度体现电池容量衰减的间接健康因子;然后分别对间接健康因子使用卷积神经网络(CNN)进行特征提取和自注意力机制(Self attention)调整特征权重得到对应的特征矩阵;最后融合特征矩阵,并使用长短期记忆(LSTM)网络进行锂电池RUL预测。使用NASA锂离子电池数据集进行实验,结果表明:与传统的CNN、LSTM和CNN-LSTM模型相比,并行CNN-Self attention&LSTM模型所得到的容量衰减曲线更接近实际容量衰减曲线,误差波动范围更小,在RMSE、MAE和R2系数3种评价指标上表现更优。

基于因果推断和多头自注意力机制的学生成绩预测

学生成绩预测旨在为学校管理者提供决策支持,帮助教师改进教学手段,对学生进行学业指导,最终提高学生成绩。传统的学生成绩预测方法大多利用相关性分析选取重要因素,忽视多变量之间的间接联系和联系的方向性,而且在进行预测时没有区分输入特征的重要程度,因此提出一种基于因果推断和多头自注意力机制的学生成绩预测方法。该方法不仅使用因果推断选取与标签具有方向性联系的直接特征和间接特征,而且用多头自注意力机制区分不同特征对期末成绩的影响程度。在公开数据集上进行大量的实验,结果显示所提出方法的预测准确率高达93.06%,高于其他传统成绩预测方法。

基于数据预处理和集成机器学习的锂离子电池剩余使用寿命预测

针对锂离子电池容量退化存在局部再生现象,导致单一模型预测不准确问题,提出了一种基于数据预处理和集成机器学习的锂离子电池剩余使用寿命(RUL)预测方法。首先,利用自适应噪声完全集成经验模态分解(CEEMDAN)算法将锂离子电池容量退化序列分解成波动数据和主趋势两个部分。然后,使用时域卷积网络(TCN)和多头注意力机制(MHA)的组合模型预测波动数据部分。对于主趋势部分,选择差分自回归移动平均模型(ARIMA)进行预测。最后,集成各预测结果得到锂离子电池剩余使用寿命的预测结果。以NASA公开的数据集进行验证,实验结果表明:四组电池的均方根误差不超过1.85%,平均绝对误差在1.25%以内。证明了所提出的多模型融合方法具有良好的预测性能和鲁棒性。

基于RETINEX的多种水下图像增强算法对比

随着水下图像的应用,水下图像的重要性越来越强。本文在分析水下光学成像模型的基础上,对基于Retinex的图像增强算法,即带色彩恢复的多尺度Retinex(MSRCR),带色彩保护的MSR算法(MSRCP),自适应尺度参数的MSR算法(AUTOMSRCR)进行了系统分析,在对图像进行增强后,利用客观质量评价指标峰值信噪比、平均梯度和信息熵对处理后的图像进行对比。最后得到结论,AUTOMSRCR算法相比MSRCR,MSRCP算法能更有效提高了水下图像清晰度和对比度,并且可以修正色彩不平衡。

基于统一注意力融合网络的耕地变化检测

为了快速摸清农村乱占耕地建房底数,实现对侵占耕地房屋的检测,提出了一种统一注意力融合网络(Unified Attention Fusion Network)用于农村占用耕地建房识别。为了解决不同时相遥感影像特征相互影响的问题,首先使用孪生网络代替VGG16网络进行特征提取。其次,为了在增大网络感受野并获取更多多尺度信息的前提下减小网络模型大小,在编码阶段最底层使用了简易金字塔池化(Simple Pyramid Pooling Module,SPPM);在解码阶段,为了提高分割精度,突出有用特征,提高边缘分割精度,使用统一注意力融合模块(Unified Attention Fusion Module,UAFM)替换原始的上采样部分进行解码,获取变化检测结果。网络在占用耕地建房数据集上进行了训练和测试。实验结果表明,统一注意力融合网络在测试集上准确率(Accuracy)达到98.82%、精确率(Precision)达到89.69%、召回率(Recall)达到82.14%、F1分数(F1 Score)达到85.74%,能够快速识别不同尺度的疑似占用耕地的违建房屋,为农村乱占耕地建房整治工作提供一种技术检测方法。

基于RSM-XGBoost和KF的航空发动机RUL预测

航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题,提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先,采用高斯分布对原始振动数据进行分析,提取具有时间序列和退化趋势的特征数据,并为其设置剩余使用寿命(RUL)标签;其次,利用随机搜索算法对融合参数范围进行寻优,在极端梯度提升(XGBoost)中加入卡尔曼滤波器解决预测值不平滑和噪声干扰的问题;最后在商用模块化航空推进系统仿真数据集(C-MAPSSC)上进行了验证和分析,实验结果证明:与其他模型相比,文中采用的寿命预测方法准确度更高。

基于优化VMD和集成模型的锂电池寿命预测

针对锂离子电池容量退化趋势不平稳,导致单一模型预测精度容易受到干扰的问题,提出一种基于鲸鱼优化算法(WOA)优化的变分模态分解(VMD)和集成模型的锂电池剩余使用寿命预测方法。首先,利用WOA优化VMD的模态个数和惩罚系数;其次,通过优化后的VMD对锂电池容量退化序列进行分解,并对得到的模态分量进行相关性分析,分为趋势分量和波动分量;然后,分别使用门控循环单元(GRU)和Transformer模型对趋势分量和波动分量进行预测;最后,集成各个模型的预测结果,得到锂电池剩余使用寿命的预测结果。通过NASA的锂离子电池数据集进行实验验证,证明所提预测方法的均方根误差均小于0.04,抗干扰性和预测精度都优于对比模型。

基于边界反射效应控制的Lamb波损伤定位算法研究

基于Lamb波开展薄板损伤定位的实验研究,通过对称相消与合理布置STMR阵列的方法,最终消除边界反射效应对损伤定位结果的影响。仿真结果表明,基于对称相消方法改进的矩形STMR阵列相比传统STMR阵列在损伤定位方面更加精确;在穿透性损伤定位方面,误差缩小了62.5%;在凹陷损伤方面误差缩小了22.8%;在距离薄板边界较近的损伤时,误差缩小了50%,消除了传统诊断技术的检测盲区,实现了对于靠近结构边界附近损伤和缺陷的准确识别检测,具有较好的工程应用前景。

基于可调带宽滤波器组的频谱特征相似性判定方法

频谱特征相似性判定的目标是正确判定出频谱特征之间的相似程度。特征向量通常通过计算向量间距离来进行相似性判定,但频谱特征中由于存在频谱泄露和频移现象,导致许多传统的相似性判定方法失效。文中首先采用计算频谱频率期望来确定频谱的频移量,然后使用可动态调整带宽的滤波器组将频谱特征转化为特征向量,使之适用于传统方法。经实验数据验证,文中提出的方法可以有效抑制频移的影响,并取得较为准确的频谱相似性判定结果。

分块DPCM与5/3整数小波变换结合的天文图像无损压缩

针对海量的天文图像数据与有限的存储空间和带宽资源之间矛盾日益突出这一问题,提出一种无损压缩方法,首先将超大天文图像分块,再使用差分脉冲编码调制和5/3整数小波变换,最后使用霍夫曼算法编码。对该方法的原理和具体实现做了详细的分析与介绍,通过实验验证该方法比天文中常用的tar、PKZip、WinZip、WinRar软件在压缩比上分别提高了30%、29%、26%、2%,压缩速度远大于WinZip和WinRar;且该算法实现简单,适合硬件实现和利于并行处理。

图像无损压缩技术分析与性能比较

讨论了目前常用图像无损压缩算法的基本原理和实现方法,并对这些方法的性能做了分析比较。通过实验表明,基于整数小波变换的压缩方法具有较好的压缩比。针对无损压缩比低的问题,提出根据图像特点首先采用预测编码方法或整数小波变换方法降低图像信息量,再使用熵编码方法的方案能较好地提高压缩比。

融合翻转课堂和对分课堂的智慧教学研究与实践

从高校课堂实践出发,提出融合翻转课堂和对分课堂的智慧教学模式,对比融合两种课堂形成的智慧课堂相较于传统课堂的优势特色,总结两种课堂教学模式的融合方式,以昆明理工大学计算机科学与技术专业大一学生的限选课程Web设计技术为例,介绍融合翻转课堂和对分课堂的智慧教学实践,最后分析部分学生不适应融合教学模式的原因并提出建议和展望。

改进CenterNet的小目标安全帽检测算法

为实现对施工现场工人戴安全帽的有效检测,提升检测的精度和质量,提出了一种基于中心点网络(CenterNet)的安全帽检测方法。针对被检测目标大部分为小目标的情况,删除ResNet-50的最后一层卷积层;针对CenterNet对安全帽定位不准确的问题,使用CIoU损失函数替换了原有的损失函数;针对CenterNet对推理过程特征图信息利用不充分的问题,采用残差连接将主干网络得到的两个特征网络分别与上采样的特征图进行融合的方法;针对通道卷积没有融合不同感受野的问题,使用金字塔卷积核(PyConv)对特征图进行感受野和通道之间融合的方法。结果表明,在自制的安全帽数据集上,mAP共提升了6.5%,改进后的CenterNet方法能明显提升安全帽检测的精确度。