基于深度学习的铁路异物侵限快速检测方法

针对列车运行环境内因意外突发事件所造成的异物侵限而影响列车安全运行的问题,在被广泛应用于工业领域的YOLOv3目标检测模型的基础之上,提出一种融合轨道限界和侵限异物识别的快速检测方法。首先,以ResNet-18网络作为铁路限界检测的主干网络,利用辅助检测模块提升限界检测精度,达到特征提取速度快,语义信息丰富充足等目标。同时采用基于行锚框的分割算法检测轨道线坐标位置,结合标准轨距下的限界定义确定铁路异物入侵限界的范围,以减少侵限异物检测的区域。其次,设计基于Octave卷积的层内多尺度残差模块,将单通道卷积变为基于图像频率的双通道卷积,以降低卷积计算量,进一步提升异物侵限算法的检测速度。最后,引入空间金字塔模块和特征自适应融合模块,实现高、低级语义信息交换,从而增加网络对不同尺度目标的感知能力,并减少语义冲突问题。通过对比实验验证异物侵限检测算法的精度、速度和有效性。实验结果表明,所述方法能以172帧/s的速度对轨道位置和限界区域进行检测,精确度达98.12%。与其他算法相比,在大中小3种目标尺度上都超越了其他对比算法。所提出的融合轨道限界和侵限异物检测的方法,在保证精度的前提下,速度达到YOLOv3算法的2倍,能够满足列车对侵限异物的实时检测需求。

附参数的条件平差与按行独立的加权总体最小二乘法估计的一致性研究

以按行独立的变量含误差模型为背景,介绍附参数条件平差方法和按行独立的加权总体最小二乘方法在解决这类问题的原理以及精度估计方法,证明二者估计结果是一致的。旨在揭示总体最小二乘法与经典平差方法的关系,推广总体最小二乘及其扩展方法在现代测量数据处理中的应用。

行为两两NQD随机变量阵列加权和的完全收敛性

负相依在统计分析和可靠性理论中有着广泛的应用.研究了一类行为两两NQD随机变量阵列加权和的完全收敛性.利用矩不等式和有效的截尾方法,建立了行为两两NQD随机变量阵列加权和的完全收敛性的充要条件,从而推广了吴群英等建立的关于一类NA随机变量序列的完全收敛性的结论.

按行可交换随机变量三角阵列的收敛性

利用逆鞅的方法将行-列可交换随机变量的结果进行了推广,讨论了按行可交换随机变量三角阵列函数加权和的收敛性,得到了按行可交换随机变量三角阵列函数加权和的收敛性的一个结果。

行独立的B值随机元阵列的完全收敛性

B是 p型 (1≤p≤ 2 )空间 ,得到了行独立的B值随机元阵列的一个完全收敛定理 .

用于外场试验的交会测量

提出结合坐标系转换和按行独立的加权总体最小二乘法(RWTLS)的交会测量方法用于外场试验。该方法利用空间坐标系转换方法获得目标点在大地坐标下的空间角度参数;通过多余观测数建立条件方程确定起算数据间的角度位置关系,用RWTLS和高斯-牛顿迭代方法求得运动目标点在任一时刻的空间角度坐标;最后,利用对静态目标点的观测获得基距,结合目标点的空间角度坐标求得其轨迹曲线。实验结果表明:观测站的坐标误差在±0.15m以内,运动目标在X、Y、Z方向上的坐标误差在±0.4m内。与传统的两站前方交会测量方法相比,该方法无须校正经纬仪坐标系,也不必已知观测站位置参数,从而减少了对起算数据的需求,减少了布站工作量,具有直接简便、收敛速度快、精度较高等优点,在飞行目标外场测试中有良好的实用性。

特征融合与训练加速的高效目标跟踪

基于孪生网络的目标跟踪,存在特征信息欠丰富,跟踪效率有待提高,大型数据集上训练时间长等问题。针对上述问题,提出特征融合与训练加速的高效目标跟踪。增加主干网络参考特征层级,减小下采样,融合多层级参考特征图,提取目标更深度、丰富的语义信息。深度互相关操作得到候选窗口响应(Response of Candidate Windows,RoWs),在其中构建区域建议网络(Region Proposal Network,RPN),通过权衡正负锚点的数量比,使孪生网络性能更加高效、稳定。大型数据集训练孪生网络时,使用均匀滑动漂移采样,代替随机漂移采样算法,在抑制中心偏置现象的同时,显著加快了孪生网络的训练速度。跟踪基准VOT2018上的评估实验结果表明,与所有参考的主流目标跟踪算法相比,所提算法具有最佳的跟踪性能。

智能显示模块的应用

利用智能显示模块GM12641将检测到的电雷管点火头的温升曲线进行显示,并直观地显示电雷管点火头性能。

WOD阵列的弱大数定律研究

利用WOD序列的矩不等式及性质,讨论了关于指数r是R-h可积条件下WOD阵列的弱大数定律,并给出了WOD阵列弱大数定律的充分条件,这些结论推广了已有文献的相关结论.

基于多层感知器的端到端车道线检测算法

针对复杂环境中车道线检测效率低的问题,提出了一种基于多层感知器(MLP)的车道线检测算法(LaneMLP).整个算法主要由全局感知器和局部感知器组成,首先通过逐行分类模型对道路环境图像栅格化,将车道线检测转换为逐行分类任务;分类过程中使用MLP模块作为全局感知器提取车道线的全局语义信息和车道间的结构信息,使用组卷积模块作为局部感知器提取车道线的色彩和位置信息;最后对模型进行结构重参数化设计,以实现训练与推理解耦,在训练与推理过程中使用不同的模块组合,达到提高推理准确率和速度兼顾的目的.在CULane数据集上进行了验证,实验结果表明:在推理速度超过每秒350帧的情况下,准确率达到了76.8%,和SCNN算法相比,准确率提高了5.2%,推理速度也提高了5倍.

编织卷积码交织器的设计

编织卷积码(WovenConvolutionalCodes)是近年来所出现的一种新型高效纠错码,其中交织器的设计对分散突发错误、改善其纠错性能起着决定性的作用。传统的编织卷积码采用了行进列出的简单的交织方式,本文针对编织卷积码的结构特性设计了两种不同的交织器并通过系统仿真比较了它们的性能,仿真结果显示行式交织器极大地改善了系统性能,是目前为止最优的编织卷积码的交织器。

自动获取HTML表格语义层次结构方法

针对目前方法不能处理复杂表格或嵌套表格等缺点,提出了自动获取超文本标记语言(HTML)表格的语义层次结构的方法。该方法以表格的4种基本类型为基础,使用内容树表示表格的语义层次结构。方法主要包含3个步骤:识别HTML表格的属性单元格和值单元格;将表格拆分为基本表格;为拆分后的基本表格构造内容树,获取表格的语义层次结构。实验结果证明该方法能自动处理嵌套表格和复杂表格,复杂性不高,精度较好。

行混合阵列加权和最大值的完全收敛性

利用混合序列的矩不等式,得出一个关于行混合阵列加权和最大值完全收敛性定理,并从定理的特殊情况得出关于行混合阵列加权和最大值完全收敛性的一系列推论。