基于多尺度混合算法的电压跌落数据挖掘系统设计

针对当前数据挖掘受到跌落事件海量数据影响,出现电压跌落幅值和相位跃变挖掘精度低的问题,设计基于多尺度混合算法的电压跌落数据挖掘系统。根据构建的电压跌落数学模型,分析电压跌落事件。设计数据挖掘引擎,通过查询优化器获取查询结果,获取电压跌落数据动态特征信息。采用多线程应用浏览器,通过浏览器集群获取挖掘结果。根据电压跌落数据偏好顺序特征结构,按照数据特征等级分类构造多尺度数据集合,划分多尺度层次。构造子孙尺度数据集频繁项集,计算不对称短路和电弧炉节点、电铁冲击和电铁节点之间形成的差值序列,确定电压跌落数据多尺度混合组挖掘结果。由实验结果可知,该系统电压跌落幅值与实际值一致,电压相位跃变与实际值存在最大为3°的误差,证实所设计系统能有效提高数据挖掘精度。

一种用于陀螺随机漂移预测的多尺度混合建模方法

针对陀螺随机漂移时间序列由于非平稳和非线性造成单一预测模型难以准确跟踪其变化趋势的问题,提出了一种基于集合经验模态分解(EEMD)和灰色极端学习机(GELM)的多尺度混合建模方法。首先,利用集合经验模态分解将随机漂移时间序列按照频率高低分解为多个本征模式分量和一个余量;然后针对不同类型时频特性分量选择合适激活函数和隐层神经元数目的GELM分别进行预测;最后,以等权相加的方式得到最终预测结果。将该方法用于某型激光陀螺随机漂移预测中,仿真结果表明:混合预测模型能够准确预测陀螺随机漂移,预测精度比残差GM(1,1)和GELM预测模型分别提高了33.43%和23.47%,可为激光陀螺的漂移补偿、故障预报和可靠性诊断提供依据。

可压缩流体流动多尺度混合有限元数值方法研究

可压缩流体是天然油藏中广泛存在的一种流体,研究其在多孔介质中的渗流规律对于油藏开发具有重要意义。本文采用多尺度混合有限元方法,对可压缩流体渗流问题进行了研究。考虑流体的可压缩性以及介质形变,推导得到了可压缩流体渗流问题的多尺度计算格式。数值计算结果表明,多尺度混合有限元适于求解非均质性和可压缩流问题,具有节省计算量、计算精度高等优势,对于实际大规模油藏模拟具有重要意义。

基于多尺度混合模型多特征融合的单目标跟踪

为实现高动态环境中的目标跟踪,本文提出了一种基于多尺度混合模型多特征融合的单目标跟踪算法。该算法自适应提取并融合多种图像特征从而实现复杂环境中的目标实时跟踪。针对图像目标的高动态特性及环境遮挡等问题,算法通过计算当前观测样本的置信度完成模板的自适应更新。利用国际计算机视觉学会目标跟踪数据库中具有典型特征的十个标准视频对跟踪算法进行测试。测试结果表明,在高动态环境及目标存在大变形情况下,本文提出的跟踪算法比同类算法的跟踪精度有显著提高。

裂缝介质渗流多尺度混合有限元数值模拟研究

针对裂缝介质具有多尺度特点,建立了Darcy/Stokes-Brinkman多尺度耦合模型,采用多尺度混合有限元方法,对裂缝介质渗流问题进行了研究。阐述了多尺度混合有限元方法的基本原理,并推导得到Darcy/Stokes-Brinkman方程的多尺度混合有限元计算格式。数值计算结果表明,大尺度Darcy模型能够捕捉到小尺度上裂缝网络渗流特征;与网格粗化、传统有限元方法相比,多尺度混合有限元方法的基函数具有能反映单元内参数变化的优点,在保证计算精度的同时能够减少计算量,对于裂缝油藏具有良好的适用性。

扭曲片强化裂解炉管多尺度混合特性分析

通过耦合丙烷裂解自由基动力学,对装有扭曲片的裂解炉管中的反应流体进行模拟计算,深入分析了流体多尺度混合特性与结焦速率及产物分布之间的相互关系。计算结果表明,相比于空炉管,扭曲片强化炉管虽然压力损失增加5.31%,但在扭曲片下游轴向长度与炉管总长度之比为0.228截面处湍动能提高39.6%,全管特征微观混合时间仅为空炉管时对应值的1.72%,表明扭曲片对裂解过程有较好的介观和微观混合强化作用,该作用提高了管内场分布协同性,使得努赛尔准数(Nu)和史伍德准数(Sh)分别提高7.50%和2.34%,烯烃收率提高5.88%,管壁平均温度下降24.01 K。旋流产生的径向分速度提高了近壁区湍动程度,使得扭曲片强化炉管径向距离(r)与炉管半径(R)之比(r/R)为0.993处的流体停留时间比空管时的对应值降低53.01%,缓解了近壁高温区流体的过度裂解结焦。此外,扭曲片强化炉管微观尺度上的混合强化促使管内达到均匀分子尺度的反应区域比空炉管增大了5.29%,解释了烯烃收率提高的原因。

非均质油藏多尺度混合有限元数值模拟方法

采用多尺度混合有限元方法研究了强非均质油藏中的油水两相渗流问题。与传统有限单元法相比,多尺度有限单元法的基函数具有能反映单元内参数变化的优点,因此这种方法能在大尺度上捕捉解的小尺度特征从而获得较精确的解。笔者阐述了多尺度混合有限元方法的基本原理,推导得到了油水两相渗流问题的多尺度混合有限元计算格式。数值计算结果表明,相对于传统的网格粗化技术,多尺度混合有限元能够捕捉小尺度上的非均质特征而具有更高的计算精度;而相对于普通混合有限元方法,多尺度混合有限元方法在保证计算精度的同时能够减少计算量。

基于多尺度混合注意力与度量融合的小样本行人重识别

针对行人重识别中可用行人图像不足导致的小样本问题,以双相似网络为基础,提出一种基于多尺度混合注意力与度量融合的小样本行人重识别方法.首先,将多尺度混合注意力机制引入特征嵌入模块,即在不同尺度层内的特征提取中引入空间注意力,在不同尺度层间的特征融合中引入通道注意力,实现更具判别力的小样本行人特征提取;然后,在度量模块,提出欧氏距离与余弦距离融合的双重度量方法,实现行人特征的空间绝对距离和方向差异的综合度量,提升行人相似性度量的可靠性;接着,采用双重度量方式和关系度量方式,分别获得行人特征的相似度得分;最后,通过加权融合获得联合度量得分,构建联合损失实现网络的整体优化和训练.在Marketmini、Duke-mini和MSMT17-mini三个小型数据集上的实验表明,所提出方法在5-way 1-shot和5-way 5-shot两种模式下的平均识别准确率分别达到90.40%和95.69%、86.77%和94.96%、71.08%和82.63%,与其他小样本学习算法相比,识别性能有较大提升.

基于VMD-WOA混合多尺度分解的区间组合预测模型

针对传统的点预测模型难以适用于随机性复杂系统和非线性非平稳时间序列预测的问题,提出基于VMD-WOA混合多尺度分解的区间组合预测模型。首先,引入基于鲸鱼优化(WOA)的变分模态分解(VMD)混合分解算法,得到最优区间模态子序列;其次,对各区间模态分序列使用指数平滑方法(Holt′s)、支持向量回归(SVR)和BP神经网络预测,得到3个单项预测结果,运用组合预测模型得到模态组合子序列;最后,对模态组合子序列重构,得到最终的区间组合预测序列。为了验证模型的有效性,选取AQI数据进行预测分析,实验表明所提出的基于VMD-WOA的区间组合预测方法具有较高的预测精度和良好的适应性。

基于循环多尺度卷积混合器的老电影修复方法研究

本文针对老电影序列的多种损伤及混合退化问题,提出一种循环结构的卷积混合器网络,可通过深度学习技术自动修复老电影中的受损画面。该网络包括时间融合模块和空间恢复模块,其中,时间融合模块通过比对相邻帧的特征来定位当前帧的损伤,并使用光流引导相邻帧填补当前帧的受损区域,空间恢复模块使用多尺度卷积混合器来处理融合后的时间信息,实现对老电影画面的逐帧修复。此外,本文构建了一个用于模拟老电影损伤的数据集,通过损伤纹理模拟老电影非结构化损伤,设计退化模型模拟老电影的结构化损伤。实验结果表明,该方法可以同时保证老电影单帧修复的质量以及整体的时间一致性。

综合多尺度信息和注意力机制的水下图像增强

针对水下图像由于水的散射和吸收而存在颜色失真和细节丢失等问题,提出了一种综合多尺度信息和注意力机制的生成对抗网络模型来增强水下图像。首先,为了充分利用和增强图像的局部信息和全局信息,使用局部编码器和全局编码器分别提取图像的局部特征和全局特征,并互相融合以实现互补性。接着,设计多尺度混合卷积来捕捉多尺度信息,增加网络对不同尺度特征的适应性。然后,利用注意力机制增加特征提取的准确性,加强网络对高价值特征的关注度。最后,重复使用多尺度混合卷积和注意力机制进一步细化特征后,逐步上采样得到增强图像。与六种经典和最新的方法相比,提出的模型不仅在主观评价中取得了最好的视觉感受,而且在整个测试集上,峰值信噪比(PSNR)、结构相似指数(SSIM)、水下图像质量指标(UIQM)和自然图像质量(NIQE)四种客观评价指标分别取得了22.499,0.789,2.911和4.175的平均分数,均优于六种对比方法,较对比方法中的最优值分别提升0.353,0.002,0.025和0.307,证明提出的模型不仅能够矫正图像颜色失真,而且在恢复图像细节、增加图像对比度和清晰度等方面均有较好的表现,具有良好的应用前景。

构建混合多尺度神经网络自动分割Graves眼病的放疗临床靶区

目的:构建混合多尺度神经网络(HMnet)实现放疗临床靶区的自动勾画,提供一个高精度的CT影像自动分割模型。方法:HMnet是一种端到端的卷积神经网络,使用深度残差网络提取特征,由4个不同内核的卷积层组成的多尺度特征融合模块进行处理,以适应不同尺度大小的临床靶区;再引入注意力残差模块对多尺度特征融合模块输出的有效特征进行强化。共采用117例Graves眼病病例的CT影像数据和临床靶区轮廓训练和评估HMnet,选择骰子相似系数(DSC)、95%豪斯多夫距离(95HD)作为评估指标。结果:采用HMnet进行Graves眼病放疗临床靶区自动勾画的DSC为0.8749,95HD为2.5254 mm,均优于Unet、Vnet、ResAttUnet3D网络,也优于同一位医生两次勾画结果的平均DSC。结论:HMnet能准确实现Graves眼病放疗临床靶区的自动勾画,可提高放疗医生的工作效率及勾画的一致性。

基于多尺度混合有限元的离散裂缝两相渗流数值模拟

裂缝性介质通常具有多尺度特征,离散裂缝模型虽具有计算精度高、拟真性好的优点,但传统数值方法在解决此类多尺度流动问题时,难以突破计算量大的瓶颈,不利于实际应用.对此,本文将离散裂缝模型和多尺度混合有限元相结合,仅需进行宏观大尺度计算,通过多尺度基函数来刻画小尺度裂缝精细流动特征,在保证计算精度的同时降低了计算量.在小尺度上,采用模拟有限差分法构建离散裂缝模型的多尺度基函数,该方法不仅具有良好的局部守恒性,而且适用于任何复杂离散裂缝网格.文章详细阐述了离散裂缝模型多尺度混合有限元两相流动数值计算格式的建立,重点介绍了如何使用模拟有限差分法构建离散裂缝模型的多尺度基函数,并采用超样本技术进一步提高计算准确性.数值结果表明,本文计算方法不仅能够准确捕捉离散裂缝性介质中的精细流动特征,而且具有很高的计算效率.

基于离散缝洞网络模型的缝洞型油藏混合多尺度有限元数值模拟

针对缝洞型油藏具有多尺度特征,基于离散缝洞网络模型,建立了Darcy/Stokes-Brinkman多尺度耦合数学模型,采用多尺度混合有限元方法,对缝洞型油藏的流体流动问题进行了研究。阐述了多尺度混合有限元方法的基本原理,推导得到了Darcy/Stokes-Brinkman多尺度模型的多尺度混合有限元计算格式。数值计算结果表明,在大尺度模型上进行计算能够捕捉到小尺度上的流动特征;相对于传统有限元,多尺度混合有限元能够捕捉小尺度上的非均质特征而具有更高的计算精度,在保证计算精度的同时能够减少计算量。

基于广义多分辨似然比和混合多尺度自回归预报模型的图像无监督分割

提出广义多分辨似然比(generalized multiresolution likelihood ratio,简称GMLR)的概念,给出其Bayes准则下的假设检验和判别准则。GMLR不仅能融合信号的多个特征量,增大不同信号间区分度,而且在融合时无需假定各特征量之间的相互关系,这使得它能进行比较精确而方便的判别分析。在SAR(synthetic aperture radar)图像分割应用背景中,利用混合多尺度自回归预报(mixture multiscale autoregressive prediction简称MMARP)模型估计预报图像的GMLR的原假设和备择假设参数,然后将判别准则应用到预报图像,从而对原SAR图像进行分割。实验与几种流行的SAR图像分割方法进行了比较,结果表明了该理论方法的显著性:不论从分割的精度,对噪声的敏感度,还是从边缘的光滑度考虑,都优于上述通常的分割方法。

离散-连续混合多尺度模型在计算流体力学中的应用进展

综述离散-连续混合多尺度模型在计算流体力学中的应用研究进展,介绍混合多尺度模型的研究意义、建立方法及发展进程;重点评述混合直接蒙特卡洛方法及纳维叶-斯托克斯方程的方法在稀薄气体流动研究中的进展和混合分子动力学方法及纳维叶-斯托克斯方程的方法在纳微液体流动研究中的进展;简单介绍其他混合多尺度方法;总结混合多尺度模型的优缺点并展望其未来研究方向。

高速列车撞击盾构隧道的混合多尺度动力分析模型

列车脱轨会对隧道结构产生重大损害,为此提出一种在保证计算精度的前提下能大幅度提高计算效率的列车撞击盾构隧道混合多尺度动力分析模型,以降低列车脱轨事故的潜在风险。首先,建立考虑管片接头效应的常规非多尺度模型及2种单一多尺度模型(同类型单元粗细网格耦合多尺度模型和不同类型单元壳-体耦合多尺度模型),通过3种模型的管片静力学试验结果对比分析,验证2种单一多尺度模型的适用性;然后,将2种单一多尺度模型结合成混合多尺度模型,应用于列车撞击盾构隧道动力分析中,并与采用常规非多尺度模型的计算结果进行对比。结果表明:在静力荷载下,2种单一多尺度模型在位移、应力及损伤面积的分布规律上与常规非多尺度模型一致,计算值误差均在3.5%以内,且计算时间缩短了50%左右;在撞击荷载下,混合多尺度模型与常规非多尺度模型计算所得的管片位移和拉压损伤发展规律一致,但混合多尺度模型计算数值偏大,除拉伸损伤面积误差为8.56%外,其余结果误差均在5%以内;混合多尺度模型在保证计算精度的前提下,将计算时间缩减了62.4%,为类似问题提供了更为高效的解决方案。

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

SAR图像无监督分割的空间变化混合MAR模型方法

提出SAR(Synthetic Aperture Radar)图像的空间变化混合多尺度自回归(Spatially Variant Mixture Mul-tiscale Auto Regressive,SVMMAR)模型方法,该模型不仅能刻画SAR图像的空间变化性,而且利用了SAR图像多尺度序列的统计特性;采用的分类器是像素标号的极大似然估计,细化的同时简化了传统Bayes分类器;该模型无需预先抑制斑点噪声,就能获得精确分割结果;并且理论上证明了在图像粗尺度确定分类个数的合理性,在此基础上提出一种在粗尺度确定分类个数的新方法,大大减少了运算量.

基于遗传算法的SAR图像多尺度分割

基于最大期望(EM)算法与遗传算法(GA),提出一种有效的多尺度SAR图像无监督分割方法。该方法首先利用混合多尺度自回归(MMAR)模型描述SAR图像中由于雷达斑点所引起的不同尺度和同一尺度内像素之间的统计相依性;然后将GA与EM结合给出MMAR模型的参数估计算法。这种算法利用最小描述长度(MDL)准则,能够选择模型的分量数;最后利用Bayes分类器实现图像的分割。该方法集遗传算法和EM算法的优点,对初始值有较少的敏感性,避免局部最优解,提高了分割精度。实验结果表明GA-EM方法优于EM算法。