基于漏斗函数双电机伺服系统跟踪与同步控制

针对双电机驱动伺服系统具有未知非线性的问题,提出一种基于漏斗函数的跟踪与同步控制方案。首先,利用神经网络逼近和补偿复杂的非线性,在此基础上,引入滤波技术解决传统反步控制的“计算爆炸”问题,同时引入非光滑漏斗误差面确保系统的状态量被约束在预定义的漏斗边界内,结合改进的漏斗函数和反步设计技术设计了一种自适应量化漏斗跟踪控制方案。为了同时保证双电机的同步运行,同步控制器采用了平均偏差耦合策略,实现了双电机伺服系统的跟踪与同步控制。仿真结果表明,该方法可以实现对负载的跟踪以及双电机的同步。

基于scSE非局部双流ResNet网络的行为识别

针对双流网络对包含冗余信息的视频帧存在识别率低的问题,在双流网络的基础上引入scSE(Spatial and Channel Squeeze&Excitation Block)和非局部操作,构建SC_NLResNet行为识别框架。该框架将视频划分为等分不重叠的时序段并在每段上稀疏采样,提取RGB帧以及光流图作为scSE模块的输入;将经过scSE处理的特征输入非局部双流ResNet网络中,融合各分段得到最终的预测结果。在UCF101以及Hmdb51数据集上实验准确率分别达到96.9%和76.2%,结果表明,非局部操作与scSE模块结合可以增强特征时空上以及通道间的信息提高准确率,验证了SC_NLResNet网络的有效性。

深度学习在林果品质无损检测中的研究进展

林果品质与消费者和果农密切相关,在保障消费者安全、优化运输贮藏、改善后续分级、实现优质优价、提高果农收益等方面均有重要作用,然而传统的林果品质检测方法存在效率低、检测范围有限和鲁棒性差等问题。近年来,随着深度学习的迅猛发展,林果品质无损检测技术也取得了突破性的进步。该研究梳理了目前主流的深度学习模型及其作用,然后从林果安全品质、外部品质和内部品质3个方面阐述了深度学习的研究进展,发现卷积神经网络是林果品质无损检测领域应用最广泛的深度学习模型。同时结合深度学习应用现状与模型不足分析了该领域仍存在数据质量低、模型泛化能力差、实际部署困难等问题,提出未来应围绕数据增强与评价指标、建立公共数据集、多模态融合、模型融合、元学习、拓展应用、模型压缩等方面展开研究。该文旨在为深度学习在林果品质无损检测中的进一步发展提供参考,以加快林果产业的数字化、信息化进程。

基于自回归小波神经网络的机械臂自适应滑模控制

针对机械臂存在模型不确定和未知扰动的问题,提出一种动力学模型参数分块逼近的神经网络非奇异终端滑模(nonsingular terminal sliding mode, NTSM)控制方法.为加快系统跟踪误差的收敛速度,避免传统终端滑模存在的奇异性问题,采用一种非奇异终端滑模面.利用多组自回归小波神经网络(self-recurrent wavelet neural network, SRWNN)分块逼近系统未知的动力学模型参数,并采用自适应更新律调整权重.通过积分控制项补偿SRWNN的逼近误差,并使用Lyapunov稳定性理论证明了系统稳定性.使用MATLAB进行仿真分析,分块SRWNN滑模控制与滑模控制、整体SRWNN滑模控制相比,关节角度跟踪误差的平均稳态误差分别降低了31.9%、76.5%,表明此方法是一种可靠、有效的轨迹跟踪控制方法.

基于加权非负矩阵分解的异常声音检测方法研究

异常声音检测方法多用强标签数据进行训练,而高质量的强标签音频数据标注难度较大、收集成本高昂。针对现有异常音频检测方法使用弱标签数据会受到非平稳和时变噪声的干扰,导致训练结果较差、准确率低的问题,提出一种基于音频频谱的加权非负矩阵分解WNMF方法。该方法使用WNMF对弱标签和无标签数据进行标记,并分离目标声音事件和背景噪声。在适当的权值下,WNMF改变标记时不同频段音频信息的重要性,以抑制噪声,提高分离质量,使其逼近全监督模型训练的效果;之后使用卷积神经网络产生帧级预测和音频标签预测。仿真实验结果表明,该方法的准确率相比于传统NMF处理弱标签数据的方法提升了4.8%。

非侵入性军事认知神经训练研究与展望

伴随认知神经科学进入技术应用时代,军事心理训练从传统的行为训练向基于神经成像、人工智能和虚拟现实等技术的认知神经训练发展。认知神经训练包括侵入性和非侵入性两类,既可用于军事职业相关神经精神障碍的辅助治疗,更可作为以脑为靶点的预防性训练以增强认知、调节情绪和塑造行为。本文聚焦于非侵入性认知神经训练,重点梳理以重复经颅磁刺激(repetitive transcranial magnetic stimulation,rTMS)、经颅直流电刺激(transcranial direct current stimulation,tDCS)和低强度聚焦超声(low-intensity focused ultrasound,LIFU)等为代表的非侵入性脑刺激(non-invasive brain stimulation,NIBS)以及由脑电图(electroencephalography,EEG)、功能磁共振(functional magnetic resonance imaging,fMRI)和功能近红外光谱技术(functional near-infrared spectroscopy,fNIRS)介导的神经反馈(neurofeedback,NF),展望其智能化、个性化、多模态、感官化和可穿戴发展趋势,并探讨我军开展认知神经训练研究和应用需要注意的问题。

基于CNN-LSTM的超宽带NLOS/LOS分类算法研究

超宽带(ultra-wideband,UWB)室内定位系统中,非视距(non-line-of-sight,NLOS)信号的识别与分类是影响定位精度的关键技术。为解决用于NLOS识别的信道冲激响应(Channel Impulse Response,CIR)中存在的噪声干扰问题以及传统NLOS识别方法多场景下阈值选取困难等问题,论文采用一种用于CIR数据去噪的可逆变换方法,并使用卷积神经网络(Convolutional Neural Network,CNN)结合长短期记忆网络(long short-term memory network,LSTM)的结构识别NLOS信号。采用开源数据集进行训练与验证,结果显示,CIR去噪后的CNN-LSTM分类精度最高可达90.62%。表明该方法可以有效提高NLOS信号分类精度。

基于同步辐射X射线荧光光谱与一维卷积神经网络的癌症筛查方法

癌症是全球范围内引起高发病率与高死亡率的疾病之一。现有癌症检测方法耗时、昂贵、专业人员依赖性强,开发一种无损、快速筛查方法非常重要。在前期工作基础上,发展了基于同步辐射X射线荧光光谱技术(SRXRF)与深度学习技术结合的一种非靶标金属组学方法筛查癌症患者。首先,分析控制组与癌症组共269份血清样本的SRXRF谱线,得到Ca、Mn、Zn、Ge、Br在两类人群中具有代表性差异,可以作为癌症筛查的标志物;其次,对于平均光谱进行归一化(Normalization)、迭代自适应加权惩罚最小二乘法(airPLS)、Savitzky-Golay平滑(SG)、标准正态变换(SNV)的预处理,并建立偏最小二乘判别分析(PLSDA)、K近邻法(KNN)、软独立建模分类法(SIMCA)的化学计量学模型,三种模型对癌症筛查的最优准确率分别为89.89%、93.26%、90.95%;最后,基于像素级光谱,搭建三种一维卷积神经网络(1DCNN)模型,三种模型准确率分别为93.56%、95.24%、93.27%,相对于化学计量学模型均有所提高,增加卷积层的数量有助于数据特征提取,模型准确率提高了1.68%。将三种模型卷积层提取获得的特征进行t-分布随机邻域嵌入算法(tSNE)降维可视化,得到1DCNN提取的特征具有显著可分性,SRXRF结合1DCNN模型开发的非靶标金属组学方法在实现癌症的快速筛查方面具有潜力。

融合GBWO与ENN的人体尺寸预测模型

为了提高人体尺寸预测的效率和准确性,该文提出了GBWO-ENN(Grey Black Wolf Optimization-Elman Neural Network)的方法。针对传统灰狼算法易于陷入局部最优和无法平衡全局与局部搜索的平衡性问题,提出了GBWO算法。该算法融合黑寡妇优化算法中蜘蛛的运动方式对灰狼优化算法中α狼位置更新进行了优化,通过非线性递减的方法降低了收敛系数,并且提出了按位置等级更新种群的策略。随后采用GBWO算法对Elman神经网络的权值和阈值进行优化,并将GBWO-ENN模型应用于三维人体尺寸预测。实验结果表明,GBWO-ENN模型结构简单,能够准确预测人体尺寸,具有较好的预测能力。

基于一维卷积神经网络的物联网终端非干扰身份识别方法

针对物联网终端身份识别过程易受干扰的问题,设计了基于一维卷积神经网络的物联网终端非干扰身份识别方法.通过物联网终端内置的加速度传感器收集不同步态的加速度数据,并采用平滑与分窗处理进行预处理.利用步态数据融合模型分析用户在不同行为位置组合下的数据,再利用随机森林模型预测物联网终端的位置与用户行为.将行为与位置数据融合,得到步态融合数据,再将融合数据输入至构建的一维卷积神经网络模型中,经过迭代训练后输出用户的身份识别结果.实验结果显示,基于一维卷积神经网络的物联网终端非干扰身份识别方法在合适的模型参数条件下能够准确识别物联网终端用户身份.

基于NOMA-VLC系统的GWO-DNN信道估计方法

为了解决室内非正交多址(NOMA)可见光通信(VLC)信道估计方法的可靠性和用户公平性低问题,提出了一种在NOMA-VLC系统中使用灰狼优化(GWO)算法对深度神经网络(DNN)进行信号补偿和恢复的方法,即GWO-DNN信道估计方法。该方法引入非线性收敛因子和二维混沌映射,有效提升了系统可靠性和多用户传输公平性。实验结果表明:在误码率(BER)为10^(-4)时,所提方法比最小均方误差(MMSE)方法最高可获得4.3 dB的信噪比(SNR)增益,两用户的SNR差异由3.2 dB降到0.9 dB;在不同阶次的正交幅度调制下,所提方法的性能均优于MMSE方法,且调制阶次越高性能改善越明显。

基于Transformer-LSTM网络的轴承寿命预测

轴承是旋转机械设备中的重要部件,由于工况、材质、加工方式等原因,轴承寿命时长相差许多。传统的并行或串行神经网络预测方式,对数据集有一定要求。因此,需要一种能够适用于不同数据长短的轴承剩余使用寿命预测网络。为此提出了一种能够预测不同寿命时长的Transformer-LSTM串并行神经网络预测模型。通过将Transformer解码层进行重构,并与长短期记忆时序神经网络(long short-term memory,LSTM)网络结构融合,实现轴承寿命数据的串并行预测处理。试验结果表明Transformer-LSTM神经网络能够精准预测长、中、短不同寿命时长的轴承失效时间,具有较强的模型泛化能力,提升轴承寿命预测精度与模型的泛化能力。

用户生成内容场景下角色导向图神经推荐方法

近年来互联网的飞速发展不断改变着信息的生产和传递方式,随之出现了用户使用互联网的新方式——用户生成内容(User-Generated Content,UGC).该场景中内容以传播速度快、获取成本低等优势迅速占据互联网信息传播的重要地位.不同于传统推荐场景,UGC场景下用户同时扮演生产者和消费者双重角色,这使得在构建推荐模型时既需要考虑消费者与内容之间的交互信息,也需关注内容生产者对于消费者决策的影响.因此,UGC场景下个性化推荐算法研究的关键在于如何充分挖掘消费者-内容和消费者-生产者之间的关联关系.在面向UGC场景的推荐研究中,比较有代表性的模型为CPRec,该模型虽取得一定进展,但仍存在两点不足之处.其一,在模型构建层面,未能显式建模消费者-内容与消费者-生产者之间的高阶连通关系,难以学习出高质量的节点表征.其二,在模型优化层面,无法区分每个观测数据在不同训练阶段的贡献度,将影响推荐结果的质量.为此,本文提出一种新颖的角色导向图神经推荐方法RGNRec(Role-Guided Graph Neural Recommendation)用于UGC场景的个性化排序任务.特别地,基于用户的历史行为数据与内容的创作者信息分别构建了消费者-内容交互图和消费者-生产者交互图.进一步,为了显式捕获两种交互图中的高阶连通信息,构建一种双通道线性传播模块,同时刻画了消费者兴趣与内容生产者影响的扩散过程.最终,提出设计一种自适应的正样本权重生成策略,将其融入非采样损失函数,并建立双层优化机制来学习模型的参数.本文的核心贡献包括:(1)引入双通道线性传播模块,以显式解耦出自身兴趣与内容生产者效应对于用户偏好建模的不同贡献度;(2)提出权重自适应的非采样损失函数,以解决不同观测样例在模型不同训练阶段贡献不同的问题.本文分别采用经典的和最先进的图神经网络方法作为基准,在3个UGC场景Pinterest、Recipes和Reddit下进行了实验对比.在整体推荐性能方面,无论模型精度亦或训练效率上均优于各基准方法,尤其在Precision@10指标上获得了 4.31%~17.83%的提升;然后通过消融实验验证了双通道线性传播模块和权重自适应优化机制的合理性与必要性;最后通过实验验证了本文方法在缓解数据稀疏和用户冷启动方面的优越性.

基于可感知网络模型的多尺度特征图像重构研究

为重点解决深度重构模型多尺度特征表示不足和自适应性处理能力不强问题,本研究设计了压缩感知多尺度图像重构深度网络模型。以引入深度卷积神经网络模型提取图像特征为前提,利用空间金字塔池化提高多尺度特征描述能力,设计噪声滤波器强化噪声控制,改进非局部神经网络结构以提高模型的自适应性能。对比实验结果表明,本研究设计的图像深度重构模块,压缩编码后解码重构图像的方差、变异系数和信噪比控制良好;图像相位一致性特征和梯度特征质量评价较高;在采样率为50%~60%时,峰值信噪比值最高;初始图像和解码重构图像之间的相对范数l_(2)误差在0.16左右,峰值信噪比大于46dB,图像余弦相似度评价的余弦值为0.91左右、余弦夹角值为0.13°左右,特征相似性为0.80左右,结构相似比值为0.86左右,说明该模型提取的图像多尺度特征准确性和精细性较高,深度重构模块自适应性较强,误差控制准确,组成模块之间实现了高度融合。

融合外部注意力机制的序列到点非侵入式负荷分解

非侵入式负荷分解可以深度挖掘用户电力消耗数据蕴含的信息价值,为电力设备故障监测、需求响应等决策分析提供重要参考.为有效解决非侵入式负荷分解算法训练时间成本与分解精度间的冲突,提出一种融合外部注意力机制的序列到点非侵入式负荷分解算法.首先,将总负荷功率消耗序列进行数据清理、标准化等预处理,以固定窗口长度构建训练输入数据,输入数据通过编码层自动提取设备特征;然后,设计外部注意力机制增强重要特征权值;最终,输入到解码层得到负荷分解结果.利用REDD与UK-DALE两种公开数据集进行模型仿真计算,在信号聚合误差、平均绝对误差、标准化分解误差指标、模型分解曲线、特征图和用户耗能等方面进行对比分析,本文模型克服了卷积层注意力分散的缺点,增强了对有效信息的提取与利用能力,在未增加训练时间成本的前提下具有更高的分解精度.

复杂设备环境下的多状态负荷运行状态辨识方法

非侵入式负荷监测(NILM)是智能用电行为辨识中的关键组成部分。由于中压配电网下的负荷同时接入种类繁多,并且多具备变频功能,不具备恒功率特性,现有的聚焦于家庭中的负荷辨识方法难以直接应用在类似的复杂设备环境中。文中针对复杂设备环境中的负荷特点,选取了电梯作为典型负荷进行了负荷辨识实验,使用符合IEC 61000-4-30的测量数据作为输入,目标为辨识电梯是否处于运行状态。为了消除无关特征造成的运算压力,提出了基于皮尔逊相关系数的差分特征提取方法,结合卷积神经网络实现了实际含多未知负荷环境中的电梯负荷状态辨识。使用实测数据的结果表明,该方法仅需少量样本辨识出运行功耗变化复杂的电梯运行状态,且计算精确度要高于传统机器学习方法。

40 Hz节律刺激对阿尔茨海默病和认知功能的影响

阿尔茨海默病(Alzheimer’s disease,AD)等神经退行性疾病对人类健康造成了严重威胁,目前仍缺乏有效的治疗方法。近期,通过改进脑电异常的伽马节律网络来干预AD,为改善其疾病症状带来了新的希望。本文综述了近年来关于40 Hz节律刺激对AD病理和认知功能影响的研究进展。研究表明,40 Hz节律刺激能够显著改善AD小鼠模型的病理特征和人类AD患者的认知能力。此外,40 Hz节律刺激对健康人的认知功能有一定的提升作用。本文讨论了40 Hz节律刺激的神经同步原理和作用机制,并评估了其作为一种非侵入式治疗手段的安全性。最后,分析了当前研究的局限性,并展望了未来的研究方向。总之,尽管40 Hz节律刺激对健康人的认知影响有限,但显示出作为AD治疗手段的潜力,未来需要进一步研究以确认其在临床应用中的有效性和作用机制。

基于语义引导神经网络的人体动作识别算法

近年来,采用深度前馈神经网络对骨骼关节的三维坐标建模成为了一种趋势。但网络识别准确率低、巨大的参数量以及实时性差仍然是基于骨骼数据动作识别领域中急需解决的问题。为此,提出一种基于语义引导神经网络(SGN)改进的网络模型。首先,在原网络中引入了非局部特征提取模块用于增强其在高级语义指导模型训练和预测的表现,降低了其在自然语言处理任务中的计算复杂性和推理时间;其次,引入注意力机制学习每个图卷积网络层的通道权重并减少通道间的冗余信息,进一步提高模型的计算效率和识别准确率;此外,以可变形卷积模块动态学习不同图卷积网络(GCN)层通道的权重,并有效地聚合不同通道中的关节特征用于网络最后的分类识别,从而提高特征信息的利用率。最后,在NTU RGB+D和NTU RGB+D 120公开数据集上进行人体动作识别实验。实验结果表明,所提出的网络比大多数网络小一个数量级,并且在识别准确率上明显优于原网络和其他一些先进的算法。

基于小波变换与神经网络的非侵入式家电负荷监测研究

智能家电智能化程度越来越高,同一电器对应的工作模式也越来越多。目前家电的非侵入式负荷监测仅仅采用传统家电单一负荷曲线进行研究,极大局限了非侵入式负荷监测技术的应用推广。为此,以智能洗衣机不同工作模式为例,研究了同一家电不同模式下的用电负荷特征,采集了智能家电中洗衣机不同工作模式下的用电负荷数据,通过小波变换的方法对负荷曲线进行平滑与特征信息提取,并基于统计学思想对表征特征信息的特征向量进行了评价,建立神经网络模型对不同工作模式的负荷曲线进行了识别,通过MATLAB平台仿真,证明了基于小波分析特征提取及神经网络特征识别的方法在非侵入式智能家电负荷监测中的可行性,识别准确率较高,具有良好的应用推广价值。

基于光照模型的细胞内镜图像不均匀光照校正算法

细胞内镜需实现最大倍率约500倍的连续放大成像,受光纤照明及杂散光的影响,其图像存在不均匀光照,且光照分布会随放大倍率的变化而变化。这会影响医生对病灶的观察及判断。为此,本文提出一种基于细胞内镜光照模型的图像不均匀光照校正算法。根据图像信息由光照分量和反射分量组成这一基础,该算法通过卷积神经网络学习图像的光照分量,并基于二维Gamma函数实现不均匀光照校正。实验表明,经本文方法进行不均匀光照校正后,图像的光照分量平均梯度和离散熵分别为0.22和7.89,优于自适应直方图均衡化、同态滤波和单尺度Retinex等传统方法以及基于深度学习的WSI-FCN算法。