小管径气液两相流空隙率波传播的多尺度相关性

空隙率波是气液两相流系统的特殊物理现象,理解空隙率波的传播特性对揭示两相流流型转变与流速测量物理机理具有重要意义.本文首先考察了典型非线性系统的多尺度互相关特性,发现去趋势互相关分析方法可有效揭示系统的多尺度非线性动力学特征;然后,通过采集垂直上升小管径气液两相流电导传感器阵列上下游空隙率波动数据,提出采用多尺度去趋势互相关分析方法探测空隙率波传播的多尺度互相关特性,并提取了低尺度空隙率波互相关水平增长率;另外,通过计算空隙率波空间衰减因子,考察了气液两相流空隙率波传播的结构不稳定行为.结果表明,空隙率波结构的多尺度互相关特性与其空间衰减特性具有较好的物理关联性:对于气液两相流过渡流型,低尺度空隙率波互相关水平增长率较高,且与较为稳定的空隙率波传播特性相对应;而当气液两相流空隙率波明显衰减或放大时,空隙率波互相关水平增长速率一般较低.

SiamBM:实现更佳匹配的Siamese目标跟踪网络

基于孪生网络的目标跟踪算法通常采用简单的互相关匹配方式,然而这种简单的匹配方式会引入大量无关信息,弱化目标区域的响应。基于无锚框的孪生跟踪网络虽然避免了锚框参数的调整,但由于失去了先验性信息,并不能很好地适应目标物的尺度变化。因此,针对上述所存在的问题,本文提出了一种基于孪生网络的目标跟踪匹配增强算法SiamBM。通过将目标的边界框坐标信息进行编码,为跟踪模型提供有效的指导信息;采用深度可分离互相关级联像素匹配互相关的方式,进一步提高跟踪模型的判别能力;采用多尺度互相关的方式,增强跟踪模型的尺度适应能力。在OTB100数据集上,SiamBM的成功率和精确率分别达到了0.684和0.906,相比基准模型分别提高了5.2%和4.2%。实验结果表明,与目前主流的跟踪器相比,SiamBM取得了相当有竞争力的结果,在各项数据集指标上取得了优越的性能。

一种多尺度相似性学习的目标跟踪算法研究

基于深度学习的目标跟踪算法由于其良好的性能已经成为目标跟踪领域的主流算法之一。其核心思想是进行前后帧的相似性学习从而完成模板帧与搜索帧的匹配。其中,相似性学习是影响跟踪算法性能的关键一环。以孪生网络的相似性学习为切入点,对现有的深度互相关(DW-XCorr)的相似性学习方式进行改进,提出了一种多尺度相似性学习的目标跟踪算法。该算法在SiamRPN的基础网络框架下,构造多尺度互相关(Multi-Scale Cross Correlation,MS-XCorr)模块,对原有的互相关操作进行多尺度的改进,从而增加学习特征尺度的多样性,提高了跟踪网络相似性学习的效率,最终使得算法跟踪性能有进一步提升。在实验部分,将改进后的算法与其基线进行了对比实验,该算法在成功率(Success Rate)、精度(Precision)及平均精度(Norm Precision)上均有提升,成功率提高了4.3%,精度提高了4.4%,平均精度提高了4.0%。实验表明,多尺度互相关模块相较于深度互相关模块具有更强的相似性学习能力,提出的多尺度相似性学习的目标跟踪算法在目标光照、形态变化、遮挡以及干扰等复杂场景下具有更好的跟踪性能。

基于小波分析的供热管道泄漏计算机检测

本文采用小波变换对采集的供热管道次声波信号进行奇异值分析。为了突出尖峰突变点,提出了改进的高频系数重构算法。在多个尺度上对泄漏信号进行逐层互相关分析,以便准确判定突变点所在位置。通过在每一层高频信息加入权值函数进行小波多尺度互相关分析,提高了重构信号的信噪比,减小了均方误差。