流体饱和多孔隙介质多参数反演的小波多尺度-正则化高斯牛顿法

将小波多尺度方法和正则化高斯牛顿法相结合,充分利用两种方法的优点,以小波尺度分解作为引导算子确保反演算法的搜索路径,在每一个分解后的尺度上采用正则化高斯牛顿法作为求解算子以解决反问题的不适定性问题,构造了小波多尺度-正则化高斯牛顿法,有效地解决了流体饱和多孔隙介质多参数反演过程中的局部极值和不适定性的问题.通过与传统的正则化高斯牛顿法数值比较,显示了小波多尺度-正则化高斯牛顿法法是一个大范围收敛方法.数值模拟的结果验证了方法的有效性和可行性.

弹性波反演的多尺度全变分法

通过引入全变分正则化来代替传统的Tikhonov正则化,在多尺度算法思想基础上,构造一种快速有效的反演方法—多尺度全变分法。针对待反演参数不连续的情况,提高了算法精度。通过对弹性波方程反演模拟,结果表明:所提出的多尺度全变分法是一种稳定,快速和精确的反演方法。

基于部分重构辛几何模态分解的光伏直流电能质量去噪

光伏直流系统中纹波、突变和噪声等扰动影响电能质量评估准确度,为克服传统辛几何模态分解(SGMD)存在计算效率随着数据量增加迅速降低以及重构时无效辛几何初始单分量影响分解准确性的问题,提出了基于部分重构辛几何模态分解(PRSGMD)的光伏直流电能信号去噪方法。PRSGMD利用复合多尺度模糊熵(CMFE)能够克服光伏直流电信号初始单分量相似性度量突变的不足,构建了正则化复合多尺度模糊熵(RCMFE)算子,评估各初始单分量重构后的复杂度并约束残余量能量最小,结合部分重构阈值指标筛选出部分显著初始单分量进行重构,从而有效提升分解效率并避免微弱无效初始单分量影响分解准确度。仿真和实验分析结果表明,PRSGMD能有效滤除噪声并分离光伏直流电信号中的复合扰动。

基于深度学习的医学影像配准综述

图像配准是医学影像处理与智能分析领域中的重要环节和关键技术.传统的图像配准算法由于复杂性较高、计算代价较大等问题,无法实现配准的实时性要求.随着深度学习方法的发展,基于学习的图像配准方法也取得显著效果.文中系统总结基于深度学习的医学图像配准方法.具体地,将方法归为3类:监督学习,无监督学习和对偶监督/弱监督学习.在此基础上,分析和讨论各自优缺点.进一步,着重讨论近年来提出的正则化方法,特别是基于微分同胚表示的正则和基于多尺度的正则.最后,根据当前医学图像配准方法的发展趋势,展望基于深度学习的医学图像配准方法.

铁路清洁自洽能源宜能空间识别

为了智能识别铁路沿线的清洁自洽能源宜能空间,构建了一个包含210张分辨率为4800像素×2986像素的铁路遥感图像数据集;针对遥感图像处理领域中多尺度融合单元通道信息不兼容的问题,提出了自注意力机制模块,以增强对多尺度特征的捕捉能力;针对不同尺度高分辨率遥感图像预测结果存在的差异性,提出了多尺度一致性正则化方法(MSCR),以增强模型对不同尺度图像处理的鲁棒性;综合自注意力机制模块与多尺度一致性正则化方法,对经典的图像分割HRNetV2方法进行了改进,构建了MSCR-HRNetV2方法;在自建的铁路遥感图像数据集和公开的Potsdam遥感图像数据集分别对MSCR-HRNetV2方法进行验证。研究结果表明:在铁路遥感图像数据集上,改进的MSCR-HRNetV2方法取得了81.37%的平均交并比,相较于原HRNetV2方法提高了3.13%,与主流图像分割方法DeepLabV3+相比,提高了3.86%;在Potsdam遥感图像数据集上,MSCR-HRNetV2方法的平均交并比达到了75.96%,相比HRNetV2方法提高了2.01%,与DeepLabV3+相比提高了2.19%。可见,改进的MSCR-HRNetV2方法显著提高了高分辨率遥感图像的语义分割性能,从而智能识别铁路沿线的清洁自洽能源宜能空间,为交通能源融合系统的规划和设计提供了重要的技术支撑。