Brain Time Stack图像融合技术在CT中的应用

目的:分析Brain Time Stack图像融合技术在CT中的应用。方法:选取2021年3月—2022年9月衡水市第四人民医院收治的50例CT检查患者作为研究对象。所有患者进行CT检查并进行Brain Time Stack后处理。比较四组不同部位CT值、标准差(SD)、信噪比(SNR)。比较四组图像主观质量评分。分析不同部位CT值、SD、SNR与图像主观质量评分的相关性。结果:B组的延髓、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉CT值明显低于A组;C组的延髓、脑室、额叶白质、小脑内侧、小脑外侧、颞肌肌肉CT值高于A组;D组延髓、额叶灰质、颞肌肌肉CT值明显低于A组,脑室、额叶白质、小脑外侧CT值明显高于A组;C组延髓、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉CT值明显高于B组;D组延髓、脑室、额叶白质、小脑内侧、小脑外侧、颞肌肌肉CT值明显高于B组;D组延髓、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉CT值明显低于C组;D组脑室CT值明显高于C组,差异有统计学意义(P<0.05)。B组、C组、D组延髓、脑室、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉SD值明显低于A组;C组延髓、脑室、额叶白质、小脑内侧、小脑外侧、颞肌肌肉SD值均明显高于B组;C组额叶灰质SD明显低于B组;D组延髓、脑室、额叶灰质、额叶白质、小脑内侧、小脑外侧、肌肉SD均明显低于B组、C组,差异有统计学意义(P<0.05)。B组、C组、D组延髓、脑室、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉SNR均明显高于A组;C组、D组延髓、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉SNR值明显高于B组;C组、D组脑室SNR明显低于B组;D组延髓、脑室、额叶灰质、额叶白质、小脑内侧、小脑外侧、颞肌肌肉SNR明显高于C组,差异有统计学意义(P<0.05)。D组图像主观质量评分最高,差异有统计学意义(P<0.05)。延髓、脑室、额叶灰质、额叶白质、小脑内侧、小脑外侧及颞肌肌肉SD与主观质量评分呈明显负相关,SNR与主观质量评分间呈明显正相关,差异有统计学意义(P<0.05)。结论:利用Brain Time Stack图像融合技术对头部CT扫描检查图像处理,动脉期结合前一期及后一期的图像数据在处理后具有更好的质量和更少的噪音。

Prediction of Gas Emission Based on Infor-mation Fusion and Chaotic Time Series

In order to make more exact predictions of gas emissions, information fusion and chaos time series are com- bined to predict the amount of gas emission in pits. First, a multi-sensor information fusion frame is established. The frame includes a data level, a character level and a decision level. Functions at every level are interpreted in detail in this paper. Then, the process of information fusion for gas emission is introduced. On the basis of those data processed at the data and character levels, the chaos time series and neural network are combined to predict the amount of gas emission at the decision level. The weights of the neural network are gained by training not by manual setting, in order to avoid subjectivity introduced by human intervention. Finally, the experimental results were analyzed in Matlab 6.0 and prove that the method is more accurate in the prediction of the amount of gas emission than the traditional method.

Image Fusion Real-time System Based on FPGA and Multi-DSP

In order to solve complex algorithm that is difficult to achieve real-time processing of Multiband image fusion within large amount of data, a real-time image fusion system based on FPGA and multi-DSP is designed. Five-band image acquisition, image registration, image fusion and display output can be done within the system which uses FPGA as the main processor and the other three DSP as an algorithm processor. Making full use of Flexible and high-speed characteristics of FPGA, while an image fusion algorithm based on multi-wavelet transform is optimized and applied to the system. The final experimental results show that the frame rate of 15 Hz, with a resolution of 1392 × 1040 of the five-band image can be used by the system to complete processing within 41ms.

Comparison of Spatiotemporal Fusion Models for Producing High Spatiotemporal Resolution Normalized Difference Vegetation Index Time Series Data Sets

It has a great significance to combine multi-source with different spatial resolution and temporal resolution to produce high spatiotemporal resolution Normalized Difference Vegetation Index (NDVI) time series data sets. In this study, four spatiotemporal fusion models were analyzed and compared with each other. The models included the spatial and temporal adaptive reflectance model (STARFM), the enhanced spatial and temporal adaptive reflectance fusion model (ESTARFM), the flexible spatiotemporal data fusion model (FSDAF), and a spatiotemporal vegetation index image fusion model (STVIFM). The objective of is to: 1) compare four fusion models using Landsat-MODIS NDVI image from the Banan district, Chongqing Province;2) analyze the prediction accuracy quantitatively and visually. Results indicate that STVIFM would be more suitable to produce NDVI time series data sets.

Multi-rate sensor fusion-based adaptive discrete finite-time synergetic control for flexible-joint mechanical systems

This paper proposes an adaptive discrete finite-time synergetic control （ADFTSC） scheme based on a multi-rate sensor fusion estimator for flexible-joint mechanical systems in the presence of unmeasured states and dynamic uncertainties. Multi-rate sensors are employed to observe the system states which cannot be directly obtained by encoders due to the existence of joint flexibilities. By using an extended Kalman filter （EKF）, the finite-time synergetic controller is designed based on a sensor fusion estimator which estimates states and parameters of the mechanical system with multi-rate measurements. The proposed controller can guarantee the finite-time convergence of tracking errors by the theoretical derivation. Simulation and experimental studies are included to validate the effectiveness of the proposed approach.

四川地区精细化降水预报融合订正试验及检验

精细化定量降水网格预报是天气预报业务的重点和难点,基于西南区域智能数值网格模式预报系统(Southwest China WRF-based Intelligent Numeric Grid forecast System,SWC-WINGS)1 km×1 km分辨率的小时降水预报,利用时间滞后和概率匹配方法开展融合订正试验,再利用中国气象局多源融合降水系统(CMA Multi-source Precipitation Analysis System,CMPAS)三源融合降水实况格点数据,对2022年7—8月四川地区的小时降水预报融合订正结果进行检验,并在四川盆地西部一次短时强降水天气过程中进行应用,结果表明:(1)时间滞后集合降水预报相较于模式降水预报,存在小量级预报过度,大量级预报过于保守的问题;(2)时间滞后结合概率匹配的降水预报融合订正方法有效提升了各量级降水预报的TS评分,尤其1~2 h预报时效提升显著,小时雨量超过0.1 mm、5 mm、10 mm和20 mm量级的TS评分平均提升率分别为7.2%、17.2%、28.3%和36.3%;(3)一次短时强降水天气过程的应用结果表明,时间滞后结合概率匹配的融合订正方法对模式小时降水预报有较好的改进效果,尤其对大量级降水预报有较强的订正能力。

小尺度靶丸冲击波调控的冲击波测量技术优化及应用

激光聚变研究中,冲击波调控技术是实现靶丸压缩过程的熵增调谐,保证高性能内爆的关键实验技术.本文在十万焦耳激光装置上首次实现了0.375 mm半径小尺度内爆靶丸下双台阶辐射驱动的高精度冲击波调控实验测量.针对小靶丸下任意反射面速度干涉仪(VISAR)诊断有效反射区域不足的问题,通过建立的球形反射面VISAR图像光强的理论计算方法,提出了利用锁孔(keyhole)锥反射效应提升VISAR诊断空间区域的实验技术路线,使得小靶丸尺度下有效VISAR数据区域提升了近3倍.在实验中首次获得了整形内爆实验条件下低温液氘靶的冲击波测量实验数据,实现了高精度冲击波调控实验测量.实验发现,小时空尺度内爆设计条件下,由于反射冲击波的作用,激光参数的较小偏差都会对冲击波追赶后的传输行为产生显著影响,揭示了我国当前小靶丸尺度下高性能整形内爆物理过程中冲击波传输的多因素敏感性,以及冲击波调控实验对于内爆设计验证的重要性.本文提出的小靶丸冲击波调控实验技术,不仅为我国十万焦耳激光装置上整形脉冲下熵增调谐实验的开展提供了技术基础,也对基于球汇聚压缩的超高压物理研究具有重要意义.

INFORMATION FUSION STEADY-STATE WHITE NOISE DECONVOLUTION ESTIMATORS WITH TIME-DELAYED MEASUREMENTS AND COLORED MEASUREMENT NOISES

White noise deconvolution or input white noise estimation problem has important appli-cation backgrounds in oil seismic exploration,communication and signal processing.By the modern time series analysis method,based on the Auto-Regressive Moving Average(ARMA) innovation model,under the linear minimum variance optimal fusion rules,three optimal weighted fusion white noise deconvolution estimators are presented for the multisensor systems with time-delayed measurements and colored measurement noises.They can handle the input white noise fused filtering,prediction and smoothing problems.The accuracy of the fusers is higher than that of each local white noise estimator.In order to compute the optimal weights,the formula of computing the local estimation error cross-covariances is given.A Monte Carlo simulation example for the system with 3 sensors and the Bernoulli-Gaussian input white noise shows their effectiveness and performances.

基于数据驱动的分布式光伏发电功率预测方法研究进展

从综述的角度,以分布式光伏系统为对象,分析了功率预测技术的发展情况、存在的难点以及主要影响因素,梳理了应用数据驱动方法实现功率准确预测的技术路线。再以空间相关性、历史出力功率以及气象等影响因素为切入点,梳理了光伏系统数据驱动的功率预测研究现状,分析其相应的数据增强、时空图信息以及特征融合的手段,讨论了技术的优缺点。最后给出了功率预测数据驱动方法研究方向和发展建议。

外测实时数据融合方法分析

针对目前任务模式复杂、测量装备种类多且跟踪能力不同的问题,充分利用汇集于中心的大量装备测量数据,改变原有的接力分段处理的方式,研究测元级和弹道级的实时融合处理方法,给出切实可行的数学模型和方法步骤,并模拟异常数据分别计算,分析两种方法的处理精度和适用情况。该方法已经在实时处理软件中使用,保障了多项任务的实时数据处理,较传统处理方式有明显提高。

基于面向TTE的新型数据综合系统的设计与实现

针对传统总线无法实时网络传输,新型总线时间触发以太网(TTE)兼容IP协议和IEEE802.3协议,但TT业务和BE业务需设备满足TTE协议,实际工程缺少适用性的问题,设计了一种基于FPGA的时间触发以太网数据综合系统。该数据综合系统以FPGA作为核心控制器,千兆网作为主要通信接口,在满足高速率、高宽带、高灵活的前提下,设计出数据综合模块,将多种传统总线与TTE总线良好兼容。试验结果表明:系统在同步精度高达40 ns、通信抖动仅为392 ns的前提下,数据转换收发无误码现象。同时将多种数据混合编帧,具备极高的稳定性与灵活性,为TTE网络数据服务于实际工程提供了可靠的解决方案。

基于注意力机制及多分支特征融合的实时语义分割算法

为了合理平衡语义分割中的精确度与实时性,基于快速卷积神经网络模型(Fast-SCNN)提出了一种基于注意力机制及多分支特征融合的实时语义分割算法模型。该算法模型首先通过注意力模块捕获空间特征之间的相互联系,增强空间细节信息;然后合理设计融合模块,最大化利用各分支信息,实现深层特征与浅层特征更好的融合;最后引入自适应特征增强注意力模块,捕获长距离像素间的相互依赖关系。实验结果表明,文中算法模型在Cityscapes数据集上获得了71.55%的分割精度,推理速度FPS达到97.6帧/s,模型参数量为1.39 M,验证了该算法所构成网络模型的有效性。

基于时频融合的深度学习调制识别算法

自动调制识别(Automatic Modulation Recognition,AMR)能够在缺少先验信息的条件下,识别出接收信号的调制类型,在非合作通信中起着至关重要的作用。为提高调制识别的准确率,提出了一种基于时频融合的深度学习调制识别算法。该算法将调制信号的时频图作为网络的输入,使用一维卷积分别提取信号的时频特征,并通过计算时频维度上的权重来突出重要的时频信息,使网络学习到更具区分度的时频特征。为了充分利用时频特征之间的互补性和相关性,使用了基于压缩和激励网络(Squeeze-and-Excitation Network,SENet)的时频特征融合策略。利用该网络对11种调制类型进行识别,实现了最高92.5%的识别准确率;在0 dB以上时,平均识别准确率达到90.87%,优于其他的深度学习算法。

一种时频尺度下的多元短期电力负荷组合预测方法

随机因素的增加导致电力负荷数据成分日渐复杂,使短期负荷预测的难度逐渐增大。针对该问题,提出一种时频尺度下的时间卷积网络与多元线性回归相融合的组合预测模型。利用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)在时频域上将负荷数据分解为若干个频率特征不同的本征模态分量,在模糊熵准则下聚类为随机项和趋势项。采用皮尔逊系数从诸多影响因素中筛选出与电力负荷高度相关的特征,鉴于小时间尺度分析更易于挖掘局部细节特征,分别构建了随机项与趋势项的细颗粒度特征集。利用具有强非线性处理能力的时间卷积网络(temporal convolutional network,TCN)去预测随机项,利用结构简单及线性拟合效果好的多元线性回归(multiplelinearregression,MLR)去预测趋势项,将二者的预测结果进行叠加重构后获得最终预测值。在新加坡和比利时两组数据集上的实验结果证明:所提模型具有较高的预测精度、较好的泛化性能及鲁棒性。

表面肌电与三轴信息融合的运动判断实验

为了提高基于表面肌电与三轴加速度信号的运动识别准确率,提出了一套多源信息融合处理的实验流程与方法。该方法利用5层离散小波变换对表面肌电信号进行分解,充分提取不同运动产生的肌电信号中各频域的特征信息;再将分解后的表面肌电信号与三轴加速度信号通过滑动窗口的方法进行特征融合,构造融合肌电与空间运动特征的特征图;最后用融合特征图对深度学习模型进行训练,并结合自动状态机进行最终运动状态的识别。实验结果表明,多源信息融合处理方法可以提高运动识别的准确性,总体识别精度分别达到了95.4%和89.2%。该方法在实时性与准确性上均有良好表现。

基于语音节奏差异的情感识别方法

语音情感识别在金融反欺诈等领域有着重要的应用前景,但是语音情感识别的准确率提升变得越来越困难。现有基于语谱图的语音情感识别等方法难以捕捉节奏差异特征,从而影响识别效果。文中基于语音节奏特征的差异性,提出了能量帧时频融合的语音情感识别方法。其关键是,针对语音中高能量区域进行频谱筛选,以高能语音帧的分布和时频变化来体现个体的语音节奏差异。在此基础上建立基于卷积神经网络(CNN)和循环神经网络(RNN)的情感识别模型,实现对频谱的时域和频域变化特征的提取与融合。在公开数据集IEMOCAP上进行实验,结果表明,该基于语音节奏差异的语音情感识别与基于语谱图的方法相比,在加权准确率WA和非加权准确率UA指标上分别平均提升了1.05%和1.9%;同时也表明个体的语音节奏差异对提升语音情感识别效果具有重要作用。

基于自适应多曝光融合的高动态范围表面测量方法

为解决结构光测量高动态范围表面物体时出现局部过度曝光或曝光不足的问题,提出一种改进的多曝光融合方法,利用自适应曝光代替手动曝光,并对图像融合过程进行优化。首先,将初始曝光时间下拍摄的图像利用直方图进行分析,将被测物体表面反射率不同的区域分为若干组,分别计算出每个组别的最佳曝光时间;在此基础上,拍摄不同组别对应最佳曝光时间下投射白光和条纹的图像,并去除图像中超过设定阈值的高灰度值区域,再将投射白光处理后的图像制作成掩模图,与相同曝光时间下投射条纹处理后的图像相乘,进而对多组相乘后的图像进行亮度压缩与融合;最后,通过CLAHE算法提高融合后所生成条纹图的对比度与清晰度,并对条纹解相后进行点云重建和尺寸测量。实验结果表明:文中方法中自适应曝光相较于手动曝光具有高效性和准确性,U型卡、连接块、圆盘三个高动态范围表面物体的点云重建率分别高达99.98%、99.74%、99.76%,测量出的标准块阶梯高度差绝对误差为0.062 mm,相对误差仅为0.69%,该方法有效解决了高动态范围表面物体测量时点云缺失的问题,提高了三维轮廓的测量精度。

基于多尺度特征信息融合的时间序列异常检测

目前大多数的时间序列都缺少相应的异常标签,且现有基于重构的异常检测算法不能很好地捕获到多维数据间复杂的潜在相关性和时间依赖性,为了构建特征丰富的时间序列,提出一种多尺度特征信息融合的异常检测模型。该模型首先通过卷积神经网络对滑动窗口内的不同序列进行特征卷积来获取不同尺度下的局部上下文信息。然后,利用Transformer中的位置编码对卷积后的时间序列窗口进行位置嵌入,增强滑动窗口中每一个时间序列和邻近序列之间的位置联系,并引入时间注意力获取数据在时间维度上的自相关性,并进一步通过多头自注意力自适应地为窗口内不同时间序列分配不同的权重。最后,对反卷积过程中上采样得到的窗口数据与不同尺度下得到的局部特征和时间上下文信息进行逐步融合,从而准确重构原始时间序列,并将重构误差作为最终的异常得分进行异常判定。实验结果表明,所构建模型在SWaT和SMD数据集上与基线模型相比F1分数均有所提升。在数据维度高且均衡性较差的WADI数据集上与GDN模型相比F1分数降低了1.66%。

面向无人驾驶场景的实时语义分割算法研究

针对现有无人驾驶场景中分割精度与运行速度之间难以取得平衡的问题,提出一种新型的实时语义分割算法。首先,利用残差结构(Residual)构建出高效特征提取单元(EFEU)以更好地感知空间和语义信息;其次,采用了一种双边结构,其中空间分支结合池化操作保留浅层空间信息,上下文分支用来提供大的感受野,捕获深层上下文信息,两条分支在网络的不同阶段合并,以加强不同层次之间的信息传播。最后结合深度可分离卷积和通道重排操作构建上下文融合模块,将不同层次之间的信息进行融合,进一步提高模型的分割效果。在常用的数据集上进行实验,实验结果证明了所提方法的有效性。

基于特征融合的窄带雷达短时观测回波序列空中目标识别

窄带雷达因其成本低、作用距离远的优点在防空制导领域有着广泛应用,随着高速机动平台的发展,传统的基于长时间观测回波序列特征建模的目标识别方法已不再适用。针对窄带雷达对短时间观测回波(OEST)序列特征识别能力较差,并且易受诱饵目标干扰,导致识别结果可靠性不高的问题,该文提出一种采用多特征自适应融合的窄带雷达OEST序列空中目标识别方法。首先,对编码层和分类层进行训练,通过构建通道-空间注意力模块,自适应地突出高可分性特征,然后,构建最大边缘正交损失函数,增大不同类别特征间距,缩小同类特征间距,并使类间特征正交,以此提升分类性能;最后,固定编码层与分类层参数,利用重构误差对解码层进行训练,确保模型具备对诱饵等库外目标的准确鉴别能力。实验部分在观测序列长度为100的条件下,分类准确率和鉴别率分别达到94.37%和96.78%,由此可得,所提方法能够有效提升窄带雷达的分类性能和对诱饵目标的鉴别能力,进而提高识别结果的可靠性。