面向导航的动态多尺度路网数据模型

导航应用需要动态多尺度路网数据的支持。描述交通特征的时空多尺度语义,利用象形符号扩展的UML表示法,设计适用于导航的动态多尺度路网数据模型。模型以车行道为拓扑数据建模的基本单元,以完整道路为几何数据建模的基本单元,实现路网拓扑/几何的分离与多尺度表达,以及交通状态、交通事件、统计行程时间等动态信息与路网的集成表达。试验表明,本文提出的模型为相应的数据结构设计与数据库实现奠定了良好的基础,能有效支持导航应用。

脆性颗粒材料的动态多尺度模型研究

脆性颗粒材料的多尺度模型一般包含微观尺度的基本粒子、细观尺度的颗粒和宏观尺度的颗粒堆积体3个尺度。基于离散元方法(DEM)构建多尺度模型,并将该模型应用于动态加载。首先,对多尺度模型所涉及的两种接触模型和两种黏结模型的参数进行分析,详细讨论微细观模型参数与宏观材料常数之间的联系。然后,选用Hertz-Mindlin接触模型[1]和平行键黏结模型,建造石英砂的动态多尺度模型。通过选择合适的强度和局部阻尼参数发现,模型宏细观尺度上的动态压缩响应与对石英砂的相关试验结果吻合很好。利用多尺度模型和选定的参数,探讨与动态加载密切相关的局部阻尼机制对多尺度模型各个尺度上力学响应的影响。结果表明,阻尼越大则颗粒材料对波的衰减能力越强,但过高的阻尼会使团簇强度和模型的宏观压缩曲线都表现出异常的加载速度效应(后者实际是阻尼引起的微惯性效应)。另外,高阻尼会过度衰减颗粒破碎过程产生的应力波,从而阻碍颗粒破碎。最后,应用改进的动态多尺度模型,对脆性颗粒材料的动态破碎特性进行研究,发现该模型不但能给出与试验相吻合的颗粒级配曲线,还能揭示出颗粒破碎过程中微裂纹分布的空间不均匀性,即颗粒破碎过程中波的产生机制和衰减机制相互作用导致的微裂纹聚团分布的现象。

一类动态多尺度系统融合估计算法的分析

为了进一步认识基于状态空间投影的一类动态多尺度系统的融合估计算法本质,本文对该算法进行了分析．首先,将该融合估计算法和在最细尺度上直接进行卡尔曼滤波的算法性能进行了比较,并用仿真进行了验证．结果表明,在最细尺度上,融合估计效果比直接进行卡尔曼滤波的效果好．其次,从计算过程和计算量方面,与一般的时间配准方法进行了对比分析．结果表明,该融合估计算法用比较严谨的数学模型代替了时间配准,可以在每个尺度上获得基于全部观测信息的最优估计,但计算量比时间配准方法大．本文的研究为基于状态空间投影的一类动态多尺度系统的融合估计算法的实际应用奠定了基础．

基于M带小波的动态多尺度系统融合估计

研究一类动态多尺度系统的融合估计方法,这类系统具有已知的动态系统模型约束,由具有不同采样率的多个传感器独立观测,传感器的采样率以M(M>2)倍递减.用M带小波变换来拟合状态在各尺度空间的投影关系,建立了满足标准卡尔曼滤波条件的系统模型.进行卡尔曼滤波后,可以获得系统状态最优估计值.仿真结果验证了该动态多尺度系统融合估计算法的有效性.

非线性状态方程约束下的一类动态多尺度系统建模和估计算法

该文提出了非线性状态方程约束下的一类动态多尺度系统的模型及估计方法,该系统的状态方程是非线性的,多个传感器在状态空间的一个闭子空间序列中对系统状态进行观测。该文用状态空间投影方程将多个尺度联系起来,建立了一种新的集中式系统模型,该模型满足UnscentedKalmanFilter(UKF)条件。给出了基于Haar小波的模型的具体形式和估计算法,MonteCarlo仿真结果验证了该文算法的有效性。

一类动态多尺度系统的模型和估计算法

多传感器信息融合是信息学科的重要研究方向,本文的目的就是对分布在多个尺度上的传感器信息进行融合。本文针对一类动态多尺度系统,在国内外相关研究的基础上,提出一种新的动态多尺度系统建模方法。该模型满足标准卡尔曼滤波条件,给出了基于Haar小波的实现方法,基于此可以获得各个尺度上目标状态线性最小方差意义下的最优估计值。仿真结果令人满意,最细尺度上用本文方法进行估计优于直接进行卡尔曼滤波的效果。

我国建筑业低碳行为绩效的动态多尺度评价研究

按经济、环境、社会三重底线原则,建立建筑业低碳行为的绩效评价指标,构建低碳行为绩效评价的全排列多边形图示评价模型,避免了确定指标权重的困扰。选取东、中、西部12个省份2010—2014年的相关数据为研究对象,研究结果表明:我国建筑业低碳行为的绩效总体水平不高,但呈逐年上升趋势;其中江苏省建筑业低碳行为的绩效最好,其次是广东省。从单项绩效比较看,经济绩效和社会绩效明显高于环境绩效,我国建筑业在节能减排方面还需要采取更为有效的措施。

一种新的动态多尺度系统最优估计算法

给出了一类动态多尺度系统基于Haar小波的序贯式最优估计算法,该算法具有较低的计算复杂度和较高的实时性,为多传感器信息融合提供了一种新的方法。仿真结果验证了这种方法的有效性。

基于Haar小波的一类动态多尺度系统最优估计算法

提出一种基于状态空间投影方程的动态多尺度系统建模方法 ,给出了基于 Haar小波的模型的具体形式。该模型满足标准卡尔曼滤波条件 ,执行卡尔曼滤波 ,可获得各个尺度上目标状态线性最小方差意义下的最优融合估计值 ,仿真结果令人满意 ,并为动态多尺度系统建立了一种新的估计理论框架。

基于多尺度动态卷积和边缘增强的低剂量CT去噪

计算机断层扫描(CT)技术广泛应用于疾病检测与筛查,然而在扫描过程中产生的X射线辐射会对人体造成伤害.采用低剂量CT可以减少患者的辐射暴露,但是重建的图像会有显著的噪声和伪影,干扰医生的诊断.针对这一挑战,众多学者提出了基于传统卷积神经网络的低剂量CT去噪算法,并已取得显著成就.然而,传统卷积在不同像素位置共用相同卷积滤波器,这会忽略不同图像区域的内容差异,导致去噪结果的过度平滑化.为避免这一问题,本文提出一种基于多尺度动态卷积和边缘增强的低剂量CT去噪网络MDCEENet,旨在在去噪过程中保留更多的图像纹理和结构细节.MDCEENet是自编码器结构,包含编码器和解码器两个主要模块.具体而言,将低剂量CT图像及其边缘信息输入到编码器中,通过多尺度特征流MFS和边缘信息流EIS,分别提取多尺度图像特征和图像边缘特征,并将它们融合成引导信息GI,引导解码器中多尺度动态卷积块MDConvBlock的参数生成.在GI的引导下,MDConvBlock模块对上采样特征进行多尺度空洞卷积计算,旨在获取更高质量的重建图像.本文在Mayo Clinic公开的两个数据集上执行了相关实验,通过实验结果可知,MDCEENet的去噪效果优于DnCNN、RED-CNN、WGAN、CNCL、NBNet,获得了最优的平均峰值信噪比和平均结构相似性指标,这表明本文提出方法的优越性.本文还在这两个数据集上进行了消融实验,来说明MDCEENet中引入多尺度动态卷积和边缘信息的有效性,以及与ADFNet网络的区别.实验结果表明了本文提出的方法相比于ADFNet更适用于低剂量CT去噪任务.

无人机街景影像的多尺度扩展卷积神经网络语义分割

视觉环境感知作为无人机智能导航、自主控制的关键环节,是执行多样性任务的先决条件。因此,如何为无人机智能决策和控制提供精准的视觉语义信息显得尤为重要。针对城市交通复杂场景无人机鸟瞰图像的语义分割算法进行研究,主要工作为:①对航拍数据集进行数据增强,增强模型训练鲁棒性;②针对无人机大场景目标尺寸多样,提出动态多尺度扩张卷积模块提取目标区域多尺度特征,利用残差神经网络结构增加模型深度的同时防止梯度消失;③利用特征融合增强模块在不同尺度融合深层和浅层特征,突出目标多尺度信息表征能力,抑制背景噪声;④后端通过二叉树边缘修正模块对分割图像进行优化,提高目标边界之间的分割效果。为验证算法有效性,实验部分与当前最新语义分割算法进行对比。实验结果表明,所提方法在多个评价指标上均优于比较方法。

一类动态多尺度系统的最优滤波

研究一类动态多尺度系统的最优滤波,这类系统由具有不同分辨率的多个传感器独立观测,而系统具有已知的动态系统模型约束.假设传感器的信号采集带宽成倍递减,相应的采样频率也成倍递减.用Haar小波变换来拟合状态在各尺度空间的投影关系,给出该类多尺度系统的离散模型,并证明了其可以直接应用Kalman滤波的条件.基于线性时不变系统,研究了系统的可控可测性以及滤波的稳定性,并给出了一个判定定理,证明系统只要在最细尺度上可控可测,则Kalman滤波是稳定的.最后以匀速直线运动过程为例,验证了所提建模与估计方法的有效性.

一种基于动态多尺度聚类的湖泊选取方法

当前湖泊选取方法多采用整体选取的形式,且难以兼顾湖泊的属性特征、分布特征和拓扑特征。通过分析和模仿制图专家人工选取湖泊的认知行为和过程,提出一种顾及分布特征和拓扑特征保持的基于动态多尺度聚类的湖泊选取方法。首先设置面积阈值以选取大面积湖泊,然后通过缓冲区选取'孤立'湖泊,接下来对湖泊群进行动态多尺度聚类来划分出湖泊分布密度不同的区域,对不同区域按开方根规律确定选取数量指标并采用不同选取策略,其中对包含湖泊数量较多的区域依据由主成分分析法定量计算出的重要性综合评价进行迭代选取,直至达到选取数量指标。实验对比表明,该方法在综合考虑重要性的前提下,有效地保持了选取前后湖泊群的形态结构和密度对比。

基于多尺度动态模型的自适应跟踪算法

1引言 随着小波理论的发展和进一步完善,小波理论中的多尺度分析思想越来越受到人们的重视.Basseville M,Chou K C等[1,2]率先将多尺度分析引入随机过程,提出了多尺度随机过程理论,并对多尺度随机过程的建模问题进行了深入的研究.

基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。

单传感器多尺度状态融合估计算法

该文在离散小波变换理论和动态多尺度系统理论的基础上,建立了一种基于单传感器的多尺度状态融合估计新算法。该方法利用离散小波变换,对Kalman滤波模型的状态方程和观测方程分别进行多尺度处理,构建多尺度Kalman滤波模型,充分利用状态估计和观测数据在不同尺度上的特征进行融合估计,获得了优于单尺度Kalman滤波及已有多尺度状态融合估计方法的处理效果。并利用Monte Carlo仿真验证该算法的有效性。

电力市场与电力系统的动态交互仿真平台(一)功能设计

由3篇论文组成的系列文章为电力市场和电力系统动态交互仿真研究设计了仿真平台DSPMPS(dynamic simulation platform for power market&power system)。作为首篇,梳理电力市场仿真的需求与仿真平台的技术支撑,提出设计目标。基于信息获取、知识提取、决策支持3个要素,介绍DSPMPS的功能设计,以作为支撑层和应用层的设计依据。着重解决的问题包括实验经济学方法,跨领域的动态交互仿真,风险的在线定量分析,多目标多控制手段的决策支持。已经开展的研究工作验证了其功能设计的有效性。

复杂系统数据挖掘的多尺度混合算法

任何复杂系统都要受到某些基本规律的约束,包括宏观、中观与微观的多层次规律的约束.怎样从一个系统的这些偶然现象(观测数据)中找出它的必然规律,是知识发现(KDD)与数据挖掘(DM)的首要任务,也是研究目标.建立了一个基于演化计算与自然分形相结合的多尺度的动态预测系统.它以微分方程描述系统的宏观行为,以自然分形刻画系统的微观行为.同时,以股票市场数据(君安证券股票数据)和科学观测数据(武汉汛期雨量数据)为例,进行了分析与预测模拟.数值实验表明,该系统的描述(拟合)性能优越,即使是对起伏波动很大的时间序列,也能拟合得很好,预测效果也较好.

电力市场与电力系统的动态交互仿真平台(三)应用层设计

3篇系列文章中的前2篇分别介绍了电力市场与电力系统动态交互仿真平台(dynamicsimulation platform for power market&power system,DSPMPS)的功能设计和支撑层。利用支撑层提供的仿真应用开发接口及工具,按功能设计要求,以软件积木方式搭建反映广义阻塞、支持图形化决策试探的各种可伸缩应用。从物理系统与经济系统动态交互的典型问题中提炼出高使用频率的模型,设计仿真组件库,以提高组件的可重用性。采用功能强大的电力系统稳定性量化分析软件包FASTEST作为物理仿真引擎。利用仿真标记语言编写实验脚本,配置多角色多参与者的各种仿真应用。通过典型的仿真实验过程说明了该平台的设计特点。

电力市场与电力系统的动态交互仿真平台 (二)支撑层设计

由3篇论文组成的系列文章介绍了电力市场与电力系统动态交互仿真平台(dynamicsimulation platform for power market&power system,DSPMPS)。在第1篇关于功能设计的基础上,文中建立了仿真应用开发接口,以支持在服务器端及客户端扩展各种内核组件。利用IT技术,以可视化、网络化的实验形式来建立多角色博弈;以事件驱动和面向服务机制模拟多尺度时间、空间、目标的复杂动态交互;以标准化、积木化的形式实现高效灵活的用户定制及扩展开发;按国际标准创建开放且高效的多核运算架构。下一篇将介绍以软件积木方式,在支撑层上搭建反映广义阻塞、支持图形化决策试探的各种仿真应用。