基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。

并行双通道内超临界水流动不稳定性数值分析

采用时域法对超临界水冷堆(SCWR)中可能出现的并行通道流动不稳定性进行分析,建立适用于并行双通道内超临界水流动不稳定性分析的数值计算模型,对质量、动量及能量方程进行隐式差分离散求解,自行编制计算程序SCIA。采用SCIA分析双通道结构堆芯流动特性,计算得到超临界条件下的水动力曲线,研究了系统参数对超临界水流动稳定性的影响规律。结果表明:静态流动不稳定性在SCWR中很难发生;超临界下的系统参数影响规律与亚临界具有相似性。

基于概率切片累积特征的轴承双向传感器信息融合故障诊断

针对采集的轴承振动信号易受环境的影响而导致存在许多不确定性因素的现实情况,采用一种基于概率切片累积特征的轴承双向传感器信息融合故障诊断方法实现对轴承故障的定性分析。首先利用概率盒理论(P-box)将来自水平和垂直方向传感器的时域信号分别进行概率盒建模,从而减小认知不确定性带来的消极影响并充分提取多方位振动信号中故障信息;然后提取模型概率切片累积特征输入到构建的双通道并行卷积神经网络(PCNN)自适应训练,在此基础上通过在网络的全连接层之前添加一个融合层进行双向特征信息融合;最后利用归一化指数函数实现故障部位的辨识。某铁路局机务段轮对轴承数据分析结果表明,所采用方法在应对故障程度不均衡数据集时仍具有较高的准确性和稳定性,且在不同噪声条件下具有一定的鲁棒性。

Si/SiO2吸放气率测试及机理分析

本文基于材料放气测量原理,采用定容、流导、双通道等方法,对Si衬底、SiO2以及Si/SiO2等有代表性的集成电路制造材料的放气率进行了测试。研究了室温条件下测试系统的本底放气率对测量结果的影响,并在定容、流导测量方法的基础上,通过精确计算本底放气率的方式,计算材料放气率;为了进一步准确进行本底放气率测量,采用双通道并行法,在测量过程中同时对系统本底放气率进行直接测量;在测量中为了研究材料放气率随温度变化规律,采用光辐射加热,温度控制范围为50℃~130℃,分别研究了不同温度下其吸放气的规律,并用QSM分析了气体的成分。

空间变分辨率机理在红外成像制导中的应用研究

提出了基于对数极坐标映射的内外场景并行处理系统模型:内场景区域由笛卡儿坐标系表达对应识别通道,外场景区域由对数极坐标表达对应兴趣点选择和警戒通道。双通道模式缩减了图像数据量,而且任务并行化,是一种实时处理成像信息的有效的方法。