基于差分非平稳Transformer的液压支架立柱压力预测

液压支架立柱压力预测是回采工艺决策的重要依据,也是确保围岩稳定的基础信息之一。然而,液压支架立柱压力虽然具有一定的规律性,却无法用简单的数学模型进行预测;且在回采过程中,支架不接顶、顶板破碎、传感器检测误差等带来大量的随机噪声,使得压力数据劣化为非平稳时间序列,给压力的预测带来的很大的困难。本文在Transformer基础上,提出一种差分非平稳Transformer模型,在Transformer的编码器和解码器中分别引入差分归一化和反归一化操作,以提升序列的平稳性。同时,在Transformer中采用去平稳注意力机制,计算序列元素之间的关联关系,以增强模型的预测能力。在真实的煤矿支架立柱数据集上的对比实验表明,本文提出的差分非平稳Transformer的预测效果达到0.674,表现明显优于LSTM、Transformer和非平稳Transformer模型。

基于多重迁移注意力的增量式图像去雾算法

为提高深度神经网络去雾算法对增补数据集的处理能力,并使网络差异化处理重要程度不同的图像特征以提高网络去雾能力,提出一种基于多重迁移注意力的增量式去雾算法。通过自编码器形式的教师注意力生成网络提取标签和雾霾的多重注意力,作为特征迁移媒介网络的标签约束网络训练,形成与教师注意力尽可能相近的迁移媒介注意力,并将其融入学生去雾网络的特征中,提高学生去雾网络的去雾能力;通过增量式训练方法提高学生去雾网络对增补数据集的处理能力。结果表明:所提算法对ITS、OTS以及真实雾图上皆具有较好的处理能力,在保证去雾图像像素结构完整、颜色不失真的同时具有较好的去雾效果,算法处理后的图像在主观视觉效果和客观评价指标上皆优于对比算法。

雾霾图像清晰化算法综述

雾霾图像不仅影响视觉效果,而且模糊不清晰的图像容易为后续识别、理解等高层次任务带来困难。雾霾图像清晰化问题是一个典型的不适定问题,其成像过程难以精确建模,消除图像中的雾霾面临巨大的挑战。近年来,研究者提出大量的图像去雾算法克服雾霾引起的图像降质退化,为全面认识和理解图像清晰化算法,论文对其进行梳理和综述。首先,对雾霾图像清晰化算法进行整理,根据雾霾退化过程是否有模型支持,将清晰化算法分为基于Retinex模型、大气散射模型去雾算法和无模型图像去雾算法。大气散射模型是有模型算法中主流模型,本文详细剖析了模型成像机理,并根据其成像机制揭示大气散射模型容易受大气浓度均匀分布假设的限制,较难处理非均匀雾霾图像问题。基于深度学习的无模型图像去雾算法则不仅可以应对非均匀雾霾图像,而且去雾性能获得了极大地提升。其次,本文汇总了近年来常用去雾数据集,从数据集适应范围、规模、可扩展性等多个维度进行总结。并根据雾霾图像形成方式,对人工合成雾霾数据集和真实拍摄数据集分别从定性和定量的角度探讨了数据集对图像去雾算法的影响。

基于改进YOLOv4的综采工作面目标检测

综采工作面关键设备及人员的准确检测是实现煤炭智能化开采信息感知的重要环节。传统目标检测算法通过人工提取特征实现目标检测,易受环境影响,不具有普适性。基于卷积神经网络的目标检测算法可以自适应地提取深层信息,但复杂环境下检测精度不高、网络参数多、计算量大。针对上述问题,提出了一种改进YOLOv4模型,并将其应用于综采工作面目标检测。为准确从综采工作面复杂环境中检测到目标,在CSPDarkNet53网络中融入残差自注意力模块,保证参数共享及高效局部信息聚合的同时增强全局信息获取能力,提升图像关键目标特征表达能力,进而提高目标检测精度;为适应综采工作面目标检测高效性需求,引入深度可分离卷积替代传统卷积,以减少模型参数量和计算量,有利于模型的工业部署,提高目标检测速度。实验结果表明,与YOLOv3、CenterNet及YOLOv4模型相比,改进YOLOv4模型平均精度均值最高,达92.59%,且在参数量、计算量、检测精度上具有更优的平衡,可在煤尘干扰、光照不均、目标运动等复杂环境下对目标准确检测。

基于伪全局Swin Transformer的遥感图像识别算法

如何在多目标并列的情况下,确定符合人类思维习惯的核心目标是遥感图像识别的关键之一.因此,在全局视野下,为各目标分配符合人类视觉习惯的注意力,是甄选核心目标的有效途径之一.文中结合Transformer提取全局特征的思想和Swin Transformer对图像栅格化处理可降低计算量的优点,提出基于伪全局Swin Transformer的遥感图像识别算法.构建伪全局Swin Transformer模块,将遥感图像栅格化后的各局部信息聚合为一个特征值,替代以像素为基础的全局信息,以较小计算量为代价,获取全局特征,有效提升模型对所有目标的感知能力.同时,通过以可变形卷积为基础的感受野自适应缩放模块,使感受野向核心目标偏移,提高网络对核心目标信息的关注,从而实现对遥感图像的精确识别.在RSSCN7、AID和OPTIMAL-31遥感图像数据集上的实验表明,文中算法取得较高的识别精度和参数识别效率.

基于增强型金字塔及图像超分辨率去雾网络

使用单一卷积神经网络去雾算法容易存在对比度偏低、细节信息丢失和去雾不完全等缺陷。为了解决上述问题,提出了一种增强型金字塔模型和图像超分辨率并联去雾网络结构。增强机制作用于特征金字塔图像重建过程,用以提升去雾图像信噪比。通道注意力将编码器提取的特征信息映射到解码器,赋予每个通道不同权重,以此提高去雾效率。超分辨率网络补充更多高频特征细节,提升去雾图像的清晰度。实验证明,增强型金字塔及超分辨率网络具有较强的去雾能力,性能优于其他方法,有效抑制单一的卷积神经网络输出图像分辨率下降问题。

基于改进胶囊网络的X射线图像违禁品检测

针对X射线图像违禁品检测中存在的漏检和误检问题,提出基于改进胶囊网络的模型(DMF and SE Capsule)用于X射线图像违禁品检测。该模型在传统胶囊网络的基础上增加了特征增强(dilated convolution multi-scale feature fusion,DMF)模块和特征筛选(squeeze-andexcitation block,SE)模块。首先使用特征增强模块提取图像特征,通过增加空洞卷积层,并且将所得的高低层语义特征进行拼接融合,从而得到丰富的特征信息;然后再用特征筛选模块,以挤压激励的方式将得到的特征进行筛选;最后再经过网络的胶囊层,从而完成对违禁品的检测。为了验证模型对复杂场景下X射线图像中违禁品的检测能力,在SIXray数据集上进行实验,模型的检测准确率达到79.254%,与原始的胶囊网络(71.350%)相比提升了7.904%,因此,改进模型的检测能力提升明显。

尘雾环境下工作面护帮板视频目标定位

工作面护帮板的精确定位是液压支架动作决策的基础和关键。在采煤机截煤过程中出现的大量煤尘以及除尘设备喷出的水雾严重干扰了工作面视频中护帮板的识别准确性,从而严重影响护帮板定位的精度。针对此问题,面向工作面尘雾环境提出一种护帮板视频目标精确定位算法。采用常值暗通道先验知识,实现护帮板视频目标的清晰化,从而克服煤尘和水雾对护帮板视频目标定位的影响。同时采用摄像头转角动态基准校正机制,通过补偿校正摄像头装配误差和转角漂移,对视频中的护帮板目标实现精确定位。实验结果表明,该算法在尘雾环境下对不同摄像头转角下的护帮板视频目标实现了精确的定位,取得了良好的效果。

多时空感知相关滤波融合的目标跟踪算法

为提高不同复杂环境下视频目标跟踪的可靠性,结合目标和背景的时空特性,提出一种基于多时空感知相关滤波融合的目标跟踪算法.该算法以相关滤波为基础,通过计算目标和滤波器在帧间变化的一致性,从而确立时间特性;以跟踪目标的邻域信息为基础,引入掩模矩阵,提取目标的空间信息.最后在目标函数中,构建时空感知约束项,强化相关滤波器对时空二元信息的学习能力,进而增强了滤波器对干扰信息的鲁棒性.为增强对不同复杂环境的适应能力,在视频颜色和方向梯度特征空间中搭建独立的时空感知相关滤波器,并建立二者跟踪结果的自适应融合机制,准确计算目标的位置和尺度,从而有效地提升算法对不同复杂环境的泛化能力.为验证算法的有效性,在OTB标准数据集上采用精度图和成功率图作为评价与11种算法开展了对比实验.实验结果表明,所提算法在多种复杂环境下,对遮挡、形变、光照变化和快速移动等干扰均具有良好的鲁棒性,并对目标能够进行有效的跟踪.

基于分类冗余字典稀疏表示的图像压缩方法

JPEG和JPEG 2000标准在高压缩率条件下解压缩得到的图像会出现失真,利用冗余字典的稀疏表示可以在高压缩率下获得较高质量的解压缩图像,但单一的冗余字典表示不能充分反映图像结构。针对上述问题,提出一种利用分类冗余字典进行稀疏表示从而实现图像压缩的方法。利用KSVD方法训练平滑和细节2类冗余字典,根据字典原子与图像信号相关系数和表示误差的关系,通过改进的正交匹配追踪算法对图像进行稀疏表示,分别得到平滑表示系数和忽略较小取值的细节表示系数,将这些系数及其对应字典原子的索引值进行量化编码,完成图像压缩。实验结果表明,与JPEG、JPEG 2000以及基于单一冗余字典的方法相比,该方法在高压缩率条件下可以获得视觉效果更好的解压缩图像。

新工科背景下“模式识别”课程改革与探索

“模式识别”课程在教学过程中存在理论性强、内容偏陈旧、实践教学环节缺失等问题,与新工科理念相去甚远。针对以上问题,本文对“模式识别”课程体系进行重构,将最新知识、技术嵌入到课程体系中,并对教学方法进行项目化、立体化改进,使其在人工智能领域发挥更大的作用。

一种用于多标准接收机的宽带低噪声放大器

设计了一种应用于软件无线电接收机的300kHz～1.6GHz宽带低噪声放大器,适用于数字广播、数字电视和定位导航等系统。该放大器采用噪声抵消结构以降低输入匹配器件在输出端所产生的热噪声和闪烁噪声,能够同时实现输入阻抗匹配和噪声优化。对采用中芯国际(SMIC)0.18μm RF CMOS工艺实现的芯片的测试结果表明,3dB带宽为300kHz～1.6GHz,最大增益S_(21)为16.7dB,输入反射系数S_(11)小于-7.4dB,最小噪声系数为2.3 dB,输入参考的1dB增益压缩点为-11.6dBm,功耗为14.4mW,芯片面积为0.49mm^2。

一种有限空间内中短波宽带接收天线设计

一种适用于全球数字广播DRM系统移动终端的中短波宽带接收天线,能够集成于接收机机壳表面,在机壳表面的三维方向上分别设计有Hilbert分形天线、弯折线天线、多环环形天线,将三种天线在馈电端相连,向射频前端电路馈电。Hil-bert分形由于其自相似性和空间填充性,应用于天线设计能够实现多频带、低谐振频率等特性。通过计算和大量实验,研究了这种天线的尺寸缩减特性和灵敏度特性。测试结果表明:与专业公司提供的两款DRM接收机天线相比较,该中短波宽带接收天线在1～20MHz频率范围内,以缩小的尺寸获得了高的接收灵敏度。

基于传递注意力机制的非均匀雾图去雾算法

针对非均匀雾霾图像难以建模、去雾时容易出现残留的问题,文中提出基于传递注意力机制的非均匀雾图去雾算法.针对雾霾分布的非均匀性,在网络中构建传递注意力机制,使注意力特征图中的权重信息在各个注意力块之间流动,有针对性地处理非均匀有雾图像中的雾霾噪声.为了减少普通深度卷积导致复原图像中细节信息丢失问题,构建稀疏结构平滑空洞卷积,用于提取图像特征,在保证较大感受野的同时保留更多的细节信息.最后,并联一个轻量级的残差块结构,用于补充重构图像的色彩、细节信息.实验表明,文中算法在非均匀有雾图像数据集和人工合成有雾图像数据集上均能取得较优效果,在主观效果和客观指标上都具有较大优势.

基于混沌机制的神经网络预测控制及仿真研究

为解决一大类未知、时滞、非线性系统的预测控制问题,提出了一种基于改进的El-man动态回归神经网络预测控制算法.首先,在一般的Elman动态回归神经网络算法中加入了混沌机制,利用混沌机制固有的全局游动有效地消除了Elman网络易陷入局部极值的缺点,提高了系统的辨识速度;然后,结合广义预测控制(GPC)的反馈校正、滚动优化来完成非线性系统的预测控制.仿真结果表明:将本算法应用于非线性系统预测控制,对未建模动态具有较强的鲁棒性和良好的控制跟踪能力.

凯时注射液对无心跳兔供体肺缺血再灌注损伤的影响

目的研究凯时注射液对无心跳兔肺缺血再灌注损伤的影响,并探讨其可能的作用机制。方法将24只健康新西兰大白兔随机平均分为三组,肝素化后处死,对照组立即予以LPD液灌注及保存,实验组1在处死后1h予LPD液灌注及保存,实验组2将凯时注射液(20ug/L)加入LPD液灌注及保存,两实验组在4℃保存5h后再灌注1h,对照组保存6h后灌注1h;测定经肺氧合后动脉血氧分压值(PaO2)和肺气道峰压值(PawP),于再灌注结束后取右上肺组织,测其湿重(W)与干重(D)、计算湿/干重比(W/D)、ELISA法检测超氧化物歧化酶(SOD)、丙二醛(MDA)含量,免疫组化法检测核因子-κB及ICAM-1的表达.并用光学显微镜和透射电子显微镜观察再灌注后肺组织结构的病理变化。结果再灌注45min后,实验组1的PaO2降低最明显、PawP升高最显著,实验组2及对照组的PaO2降低程度及PawP的升高程度均低于实验组1(P<0.01);实验组1的(SOD)明显低于对照组及实验组2,实验组1的(MDA)降低程度明显高于实验组2及对照组,实验组1的肺组织(W/D)、NF-κB及ICAM-1的表达高于对照组及实验组2(P<0.01),肺组织的病理变化实验组1最重。结论凯时注射液能减轻无心跳兔肺缺血/再灌注损伤,改善肺功能,具有肺保护功能。

自适应模型更新相关滤波目标跟踪方法

为了解决目标因遮挡、跟踪框发生漂移后相关滤波跟踪算法仍持续更新目标模型和滤波器模型,导致背景信息被更新到目标模型和滤波器模型中的情况,提出一种自适应模型更新策略。采用相关滤波方法得到新的目标位置;提取新目标位置的统计协方差特征并计算其与协方差模板的相似性;根据相似性判断是否更新目标模型和滤波器模型。实验结果表明:所提方法有效解决了因目标形变、遮挡等情况导致目标模型和滤波器模型的更新问题,提高了相关滤波目标跟踪的精度。

电视胸腔镜手术300例体会

目的 探讨胸腔镜手术在胸外科领域的应用价值。方法 对胸部疾病施行 VATS手术 30 0例。结果 手术创伤小 ,患者恢复快 ,出血少 ,手术时间及术后住院日明显缩短 ,术后并发症 8例 ,占 2 .8% ,明显低于常规开胸组。结论 恰当选例下 ,VATS在胸部微创手术领域中 。