用抽水井旁含水层压缩测量确定单位储水量

如果不确知抽水井和观测井之间的距离,那么根据观测井的抽水降深数据计算的单位储水量和给水度值可能不准确。因为抽水井和观测井垂直准线间偏差1°,可使两井间750m深处的实际距离增加26.1m。在不知道抽水井和观测井之间的距离时。

面向航天光学遥感场景压缩感知测量值的舰船检测

基于压缩感知的航天光学遥感成像系统可以在采样阶段通过硬件同时完成采样和压缩。在面临舰船检测任务时,系统需要重建原始场景,CS的场景重建过程计算量大、内存要求高且耗时。本文提出了直接对成像系统测量值进行舰船检测的算法——基于压缩感知和改进YOLO的测量值舰船检测算法。为了模拟成像系统的分块压缩采样过程,利用步长和卷积核尺寸相等的卷积测量层对场景进行卷积运算,将高维图像信号投影到低维空间得到全图CS测量值。得到场景的测量值后,测量值舰船检测网络从测量值中提取舰船的位置信息。在主干网络中导入SENet模块,利用改进后的主干网络来提取测量值的舰船特征信息;利用特征金字塔网络强化特征提取的同时融合浅层、中层和高层的特征信息,进而完成舰船的位置信息预测。其中,CS-IM-YOLO将卷积测量层和CS测量值舰船检测网络连接起来端对端训练,大大简化了算法的预处理过程。通过数据集HRSC2016评测算法性能,实验结果表明:CS-IM-YOLO对于SORS场景CS测量值舰船检测的检测精度为91.60%,召回率为87.59%,F1值为0.90,和AP值为94.13%。这充分表明该算法可以对SORS场景的CS测量值进行高质量的舰船检测。

基于改进目标Gram矩阵的鲁棒测量矩阵优化

测量矩阵优化是压缩感知的重要内容,其中目标Gram矩阵的设计和测量矩阵的更新是测量矩阵优化过程中的两个重要步骤。然而在目前的优化模型中,两个步骤效果无法同时达到最优,如何使两个重要步骤的效果同时达到最优成为亟待解决的问题。针对上述问题,提出了一种基于改进目标Gram矩阵的鲁棒测量矩阵优化方法。首先,证明了所采用目标Gram矩阵的优越性,即整体降低测量矩阵与稀疏基的三种相关性;其次,证明了所采用测量矩阵更新方法的优越性,即降低稀疏误差影响,提高测量矩阵的鲁棒性;最后,将最优目标Gram矩阵应用于最优测量矩阵更新方法,提高了信号重构精度。实验结果表明,提出的测量矩阵优化方法有效提高了二维信号重构质量。

压缩感知伪随机动态功率信号的电能测量方法

针对压缩感知检测方法不能准确测量伪随机动态测试信号电能量值的问题,该文首先分析了动态测试信号的频域稀疏性,证明动态测试信号满足压缩感知检测的条件;然后采用系统稳态优化的方法,构造了一种确定型压缩感知测量矩阵,证明其符合限制等距特性(RIP)条件,最后提出了一种新型压缩感知动态测试信号电能量的测量方法。实验结果表明:该文压缩感知测量方法的理论相对误差优于传统的采样功率电能测量方法,能够实现m序列动态测试信号的电能量值准确测量。

基于图稀疏正则化多测量向量模型的高光谱压缩感知重建

压缩感知重建是解决高光谱现有成像模式数据量大冗余度高问题的一个有效机制。针对高光谱图像的多通道特性,该文建立了高光谱压缩感知的多测量向量模型,编码端使用随机卷积算子对各通道进行快速采样,生成测量向量矩阵。解码端构建图稀疏正则化的联合重建模型,在稀疏变换域将高光谱图像分解为谱间的关联成分和差异成分,通过图结构化稀疏度量表征关联成分的空谱相关性,并约束谱间差异成分的稀疏性。进一步提出模型求解的交替方向乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。对多个实测数据集进行了对比实验,实验结果验证了该文模型与算法的有效性。

动态测试信号模型及电能压缩感知测量方法

首先建立了动态测试信号统一模型,并给出两种实现形式。将动态测试信号分解为稳态信号和动态本征信号,根据动态本征信号先验结构信息构造压缩感知(CS)测量矩阵,推导了动态测试信号CS间接测量模型,解决了动态电能量值溯源和准确测量的理论问题;提出了动态测试信号电能量值CS间接测量新方法,并建立了智能电能表动态误差测试系统。最后,实验验证和不确定度分析表明,CS间接测量方法能够测试不同条件下智能电能表的动态误差。

活塞压缩高测量方法及误差分析

压缩高是活塞关键尺寸之一,而且是协作件的百检项目,一般在活塞平顶时形成并保证,也有在精镗时形成的.形成方式一般由活塞结构和工艺条件决定.无论活塞压缩高是怎样形成的,均受机床、夹具、刀具、温度、操作者素质等因素影响.

HDTV未压缩信号的测量

经过多年的努力,高清晰度电视(HDTV)终于已实用化、商品化。事实上,该项技术是数字电视(DTV)的前奏,属于DTV的范畴。该技术的出现也要求设计出更多、更新的数字元件和子系统,解决测量问题也迫在眉捷。尽管本文主要是满足从事HDTV设计的工程人员的需要,然而对研究其它类型通信信号的技术人员也是十分有益的。

一种滚动轴承振动信号的数据压缩采集方法

针对目前滚动轴承振动信号频带越来越宽,依据传统香农-内奎斯特采样定理进行数据采集时,将会得到巨量振动数据,对存储、传输和处理带来困难的问题,提出了一种滚动轴承振动信号的数据压缩采集方法。首先分析了振动信号在正交字典傅里叶基上的近似稀疏性,即可压缩性;然后融入振动信号在傅里叶基上稀疏性的结构信息,得到其优化的测量矩阵并进行压缩测量;最后基于压缩测量值采用正交匹配追踪算法对原始振动信号进行重构。通过仿真试验,结果表明,该方法既可以得到较高的信号压缩比又有着精确的信号重构性能,在不丢失振动信息的情况下,大大减少了原始振动数据量。

基于块稀疏贝叶斯学习的雷达目标压缩感知（英文）

高速采样和传输是目前雷达系统面临的一个重要挑战。针对这一问题,该文提出一种利用信号块结构特性的雷达目标压缩感知方法。该方法采用一个简单的测量矩阵对信号进行采样,然后运用块稀疏贝叶斯学习算法恢复信号。经典的块稀疏贝叶斯学习算法适用于实信号,该文将其扩为可直接处理雷达信号的复数域稀疏贝叶斯算法。相对于现有压缩感知方法,该方法不仅具有更好的信号重构精度和鲁棒性,更重要的是其压缩测量矩阵形式简单、易于硬件实现。数值仿真实验结果验证了该方法的有效性。

机械故障信号的压缩域信源净化与1.5 维谱诊断方法

压缩感知技术通过构造满足约束等距性质(restricted isometry property,RIP)的观测矩阵,能够实现数据的有效降维(即压缩测量),但与之相伴的是如何从压缩信号中高质、高效地重构原始信号.为了规避烦琐的重构流程,提出了一种基于压缩域特征辨识的故障诊断方法.在压缩感知的基本框架下,以行阶梯观测矩阵替代主流的高斯随机测量矩阵,实现对原始信号的压缩测量.针对随机噪声对于压缩观测信号的干扰,建立基于最大相关峭度反卷积(maximum correlation kurtosis deconvolution,MCKD)与1.5维谱的微弱故障特征提取方法,即通过MCKD增强压缩信号中的周期冲击成分,剔除传递路径与背景噪声的干扰,进而采用1.5维包络谱提取故障特征频率.结果表明:该方法不但规避了经典压缩感知的复杂重构过程,而且在受到强噪声干扰的条件下,也能获得准确的故障诊断结果.

宽带压缩感知信号源个数估计算法

基于压缩感知的信号采集系统是目前宽带信号采集的重要发展方向,将其应用于通信侦查或频谱监测等宽带接收任务时,接收信号实际是处于宽带频率范围内的多个时域重叠的窄带信号,此时多分量压缩感知信号中的信源个数就成为后续信号处理的关键。本文针对调制信号在循环平稳域具有稀疏性和可区分性,提出一种基于重构稀疏循环谱特征的信源个数估计算法。算法以重构误差的变化率作为迭代终止条件,应用改进的正交匹配追踪算法重构混合信号的循环谱,并应用循环谱的对称性实现信源个数估计。仿真表明,算法在-12dB条件下,信源个数估计准确率可以达到99%。

多分量压缩感知信号调制参数估计算法

基于压缩感知的模拟信号采集系统可以解决宽带信号采集困难以及数据量过大的问题,已经成为目前信号采集的重要发展方向。在将该技术应用于通信侦查或频谱监测等接收任务时,接收机所截获的信号实际是处于宽带范围内的多个时域重叠窄带信号的混合,如何快速精确地从压缩信息中估计出各分量的调制参数便成为后续解调的必要条件。针对该问题提出一种基于循环累积量的调制参数估计方法,算法不需要先验信息,在不重构原始信号的前提下,由压缩测量值直接推导出混合信号的循环累积量,利用信号调制参数和循环频率之间的关系,实现对每个信号分量载波频率和码元速率的精确盲估计。实验证明算法针对MPSK、MQAM两种类型的混合信号切实有效,且计算复杂度小、精确度高、抗噪声性能好。

m序列伪随机动态测试信号建模与压缩检测方法

针对智能电网中动态负荷对电能计量的影响问题,建立了m序列伪随机动态测试信号的参数模型,并分析了该测试信号的统计特性;证明了该动态测试信号的频域稀疏性,采用压缩感知理论建立了伪随机动态测试信号的压缩感知检测系统模型,采用稳态优化方法构建了压缩感知测量矩阵;在此基础上,针对m序列伪随机动态测试信号,提出了电能量值的压缩感知测量方法;仿真分析了长度为255位、511位、1023位单周期和多周期m序列动态测试信号的相对误差,误差均小于10^(-12),可忽略不计,表明所提压缩感知测量方法能够准确测量伪随机动态测试信号的电能量值。

基于粒子群优化算法和BP神经网络的变频压缩机功率预测

本文针对变频压缩机的功率测量困难,测量误差大等问题,提出了一种仿真测量模型。利用粒子群算法寻找全局最优粒子,用它初始化BP神经网络的阈值和权值,测量变频压缩机的功率。本文共建立了3种仿真模进行对比,分别为BP神经网络模型、GA-BP神经网络模型和PSO-BP神经网络模型,然后分别通过3种模型的内插、蒸发温度外推和冷凝温度外推的测试方法对变频压缩机进行功率测量,对比分析其预测结果的平均相对误差和拟合程度。结果表明:基于粒子群算法优化的BP神经网络模型明显优于其他两个模型,特别是在冷凝温度外推测试中,较其他两个神经网络相对误差降低了1. 11%、2. 64%,3种测试方法下的平均相对误差均小于1%,拟合程度在0. 9以上,表明基于粒子群算法优化的BP神经网络模型对变频压缩机功率有较好的测量能力,而且有较强的泛化能力。

中短距离地下管道长度测量方法的研究

中短距离(12km以下)地下集输管道的长度准确测量,现有通用的测量方法误差较大,通过捶击振动测量方式和利用压缩气体方式能够较好解决这个问题,保证测量的准确性。

多夹头压缩袜检测装置设计及动夹头位置计算

为研究多夹头压缩袜检测装置设计及其动夹头位置计算,压缩力分布是医用压缩袜产品的关键参数,如何提高其压缩力检测的精度、适应性及重复性是一个重要问题。针对此问题,设计一种多夹头压缩袜压缩力测量装置,采用非均匀三次B样条拟合人体腿型,计算出测量过程中动夹头的具体位置,即压缩袜拉伸后不同位置的拉伸长度。

基于稀疏信号重构的无线传感网络目标定位

提出了一种新的基于稀疏信号重构的无线传感网络目标定位方法。针对目标定位问题,将多目标位置表示为离散化测量空间上的稀疏向量,则多传感节点声音信号能量测量值向量可分解为测量矩阵、稀疏矩阵与稀疏向量的乘积,通过稀疏信号重构方法可以恢复目标位置稀疏向量,实现多目标定位。传统L1范数稀疏信号重构法要求测量矩阵和稀疏矩阵乘积满足受限等距性条件,在目标定位问题中难以满足。采用贪婪匹配追踪算法重构稀疏向量,基于噪声信号能量幅值终止迭代搜索,进行多目标定位。实验表明,基于贪婪匹配追踪稀疏信号重构目标定位方法能准确实现多目标定位,定位精度优于基于正交匹配追踪的稀疏信号重构目标定位方法和基于单纯形搜索的最大似然估计目标定位方法。

七孔探针可压缩流场测量研究

介绍了七孔探针用于亚音速可压缩流的标定方法。作为一种可以同时获得流动速度大小、流动偏角、总压和静压的气动测量装置,七孔探针被广泛应用于各种流动测量,包括可压缩流动。但是它的校准过程周期很长,代价昂贵,影响了探针的推广。本文以数值计算为手段,对七孔探针进行亚音速可压缩流校准与测量的研究。结果表明,其校准拟合精度流动角为2%,内外区的总静压相对标准偏差都没有超过3%,高于相同状态下的实验校准精度。在实际应用中,本方法用于指导传统实验标定方法,可以节约大量的标定时间和成本,使七孔探针在亚音速可压缩流的测量变得简单可行。

Vehicle detection method for expressway by MPEG compressed domain

A method which extracts traffic information from an MPEG-2 compressed video is proposed. According to the features of vehicle motion, the motion vector of a macro-block is used to detect moving vehicles in daytime, and a filter algorithm for removing noises of motion vectors is given. As the brightness of the headlights is higher than that of the background in night images, discrete cosine transform （DCT）coefficient of image block is used to detect headlights of vehicles at night, and an algorithm for calculating the DCT coefficients of P-frames is introduced. In order to prevent moving objects outside the expressway and video shot changes from disturbing the detection, a driveway location method and a video-shot-change detection algorithm are suggested. The detection rate is 97.4% in daytime and 95.4% in nighttime by this method. The results prove that this vehicle detection method is effective.