已建区排水管网评估及多尺度分区改造策略

为评估已建区现状排水管网情况并以问题为导向提出针对性的多尺度分区管网排水能力提升优化策略,以北京市东城区为例,构建基于InfoWorks ICM的城市综合流域排水模型,选用两场实测降雨分别进行参数率定及模型验证,结果表明模型具有较高的精度与可靠性。在此基础上,利用该模型对1a、3a、5a、10a四种不同设计重现期、历时1h降雨情景下的排水管网排水能力进行模拟,分三个尺度对研究区域模拟结果的分析如下:(1)城市尺度的管网排水能力不足1a一遇、1～3a一遇、3～5a一遇、5～10a一遇、10a一遇的管线长度比例分别为52%、10%、4%、6%、29%;(2)地块尺度功能分区排水能力排序为:公园绿地≥居民小区>商务行政办公区>商业区;(3)道路尺度的主次干道管线排水能力不足1a一遇、1～3a一遇、3～5a一遇、5～10a一遇、10a一遇的管线长度比例分别为38%、9%、4%、7%、42%。针对不同尺度下排水管网排水能力的现状评估结果,诊断并分析排水能力不足的问题及成因,以期通过系统性的管网现状评估及优化方案,为国内其他老城区的管网排水能力提升提供一套适用性的优化改造策略。

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集--凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。

大地电磁测深多尺度解释策略研究

如何提高大地电磁法对不同深度、不同规模异常体的分辨率/识别能力是其面临的主要问题之一.针对此问题,文章从大地电磁测深最优化反演的概念出发,提出大地电磁多尺度解释策略的概念,通过建立典型地电模型,对比分析了全频数据、高频数据以及不同剖面长度的大地电磁正演模拟和反演计算结果,论证了多尺度解释策略既能有效识别深部总体构造轮廓,也能有效识别浅部不均匀异常体的空间分布特征.从理论上为提高大地电磁法在实际工作中的解释分辨率及解释精度提供了较好的技术参考.

基于多尺度分割的高光谱图像稀疏表示与分类

针对高光谱特征的稀疏表示,提出了一种基于多尺度分割的空间加权算法用于高光谱图像分类。该算法采用更合理的邻域定义挖掘空间先验信息,优化类边缘像元的稀疏表示。首先,通过多尺度分割提供邻域空间约束;结合拉普拉斯尺度混合(LSM)先验,分别对每个邻域组内像元进行空间加权的稀疏表示。然后,采用概率支持向量机(SVM)分类,同时提供像元的分类标签及其置信度。最后,以此置信度为权重,对多尺度分类图进行加权融合,生成最终的分类图。实验显示,本文算法能够增强光谱特征表示的稀疏性和鲁棒性,提高总体分类精度;在小样本训练下,单类的分类精度可提升30%左右,表明该算法在高光谱应用中具有较强的实用性。

基于自适应非稳态相位校正的时频域多尺度全波形反演

本文提出非稳态相位校正时频域目标函数,通过缩小观测数据与模拟数据在波形相位上的差异来缓解全波形反演过程中对应波形匹配错位的问题(周波跳跃).同时引入自适应相位校正因子,可以根据观测数据与模拟数据的差异来调整相位校正量的大小.在构建非稳态相位校正时频域全波形反演目标函数的基础上,利用链式法则详细推导了对应的伴随震源,并从理论上证明了该方法的可行性与优越性.数值测试过程中结合了低通滤波多尺度反演策略,进一步缓解全波形反演过程中的强非线性问题.缺失低频分量测试结果表明,利用自适应非稳态相位校正时频域多尺度全波形反演方法结合常规全波形反演方法在缺失7Hz以下低频分量的地震数据中仍然能够得到高精度的反演结果.震源不准确测试结果表明,即使震源子波相位差异较大,利用非稳态相位校正方法仍然能够一定程度上缓解周波跳跃现象.测试结果综合证明了本文提出的方法在构建初始速度建模,缓解周波跳跃等方面具有一定的优势.

基于轻量化YOLO网络的热轧带钢表面缺陷检测

针对热轧带钢表面缺陷检测中检测精度不高、卷积特征对尺度敏感的问题,设计了高效的特征提取模块(FEM)和增强的多尺度特征模块(MFM),并提出了一种基于深度学习的轻量化的热轧带钢表面缺陷检测方法,即Better Lightweight YOLO(BL-YOLO)。实验结果表明,该缺陷检测网络在性能和消耗之间达到了很好的平衡,以61.9 fps达到了80.1的mAP。

基于多特征融合的多尺度立体匹配算法

针对现有算法对光照变化敏感、非连续区域与纹理区域易出现误匹配的问题,提出一种基于多特征融合的多尺度立体匹配算法。该方法基于多尺度框架,联合使用三种特征:颜色特征、Census特征、LBP特征。首先,基于上述三种特征的互补性,通过加权融合计算初始匹配代价。然后,在每个尺度上使用最小生成树聚合匹配代价。最后,结合各尺度信息得到视差图。实验结果表明,在多种复杂场景中,该算法都能够提高立体匹配精度,且基本达到实时性的要求。

多尺度半耦合卷积稀疏编码的遥感影像超分辨率重建

传统的卷积稀疏编码超分辨率方法在特征空间转换时仅引入线性投影关系,且在特征图的学习中未能考虑局部细节信息,使重建结果在边缘和细节方面不尽如人意.为此,将卷积稀疏编码理论引入遥感影像的超分辨重建框架中,提出一种多尺度半耦合卷积稀疏编码的超分辨率重建方法.首先对输入影像进行多尺度分解,提取出平滑分量和多个尺度的纹理分量,并对最终的平滑分量进行双三次插值重建;然后将每个尺度的纹理分量进行半耦合卷积稀疏编码重建,利用非线性卷积算子作为每个尺度下纹理分量的高分辨率特征图与低分辨率特征图之间的投影函数,并在特征图的学习中引入非局部自相似性结构进行约束优化,从而更好地重建出每个尺度下的纹理分量;最后将重建后的平滑分量和每个尺度下的纹理分量进行叠加,获得最终的重建影像.以4种不同传感器的遥感影像作为实验影像,与几种先进的超分辨率重建方法对比的实验结果表明,所提方法获得的重建影像在定量分析指数PSNR和FSIM方面均优于其他方法,表现出更为清晰的边界和细节信息,且具有一定的抗噪性能.

基于基塘系统的珠江三角洲多尺度水敏设计研究

珠江三角洲是位于中国东南部以河流为主导的洪泛平原。由于堤防建设、河流渠化和城市化带来纳水空间的减少,珠江三角洲地区的河流、雨水和海洋所引起的洪水风险增加。为了防范洪水风险,需要采取更具适应性的城市化战略,在考虑多尺度研究视角的同时,重视珠江三角洲传统水利方法(即生态农业),例如利用传统水管理方法的基塘系统。确定基于该地区传统水陆混合农业实践的多尺度水敏设计的景观设计原则。顺德地区地处珠江三角洲西江和北江之间洪水易发的低地,这种传统水陆混合农业系统已经有着悠久的历史并促使其形成了与水共生的传统。通过学习传统的水陆混合农业实践,发现新的设计原则,从而减轻洪水风险,同时促进可持续的城市化。这种新的方法将不仅服务于顺德区,而且包括整个珠江三角洲,以增加对于洪水的适应性。

一种基于改进快速扫描法的多尺度近地表层析方法

复杂山地近地表速度结构复杂,横向速度变化快,建模精度低,严重影响后续偏移成像质量。初至波层析反演是解决复杂近地表速度建模的有效手段,但面临着计算精度和计算效率均需提高的问题。为此,提出了一种基于改进快速扫描法的多尺度近地表层析速度建模方法,分别从正演和反演两个方面提升初至波层析反演精度。在正演方面,提出基于改进快速扫描法的初至波走时计算方法,应用双线性插值技术,在保持快速扫描算法高效率的基础上提高计算精度;在反演方面,利用改进散射积分法求解层析矩阵,并通过多尺度层析策略提高反演精度。将提出的近地表建模方法应用于丁山工区的实际资料处理,结果表明,改进快速扫描法使得正演计算量大幅度减小,在其它条件不变的情况下,多尺度层析策略反演得到的速度模型精度高,偏移成像剖面与原始剖面相比,近地表范围内同相轴连续性更好,为后续中深层速度建模提供了良好的保障。

基于U-Net的多尺度视网膜血管分割方法

视网膜血管的形态和结构一直是高血压、冠心病、糖尿病等疾病的重要诊断指标之一,其检测和分割具有十分重要的意义。为了解决视网膜血管分割中,血管末梢缺失和细小血管断裂的问题,提出了一种基于U-Net改进模型的多尺度分割方法,通过在编码阶段和解码阶段之间采用增加卷积块的方式来保持对不同尺度下的特征提取,同时对增加的卷积块采用密集连接的方式解决由于网络加深带来的浅层特征缺失和梯度消失问题,从而增强模型的特征提取能力并提高分割性能。此外,采用Dice损失函数解决数据集中正负样本不均衡的问题。实验采用CHASE_DB1和DRIVE两个数据集进行训练和测试,通过与U-net、Residual U-net、Ladder-Net以及R2U-Net的对比表明,由于保留了多尺度的细节信息,该方法取得了更好的分割效果。实验证明,该方法能够有效提取健康视网膜图像和病变视网膜图像中的血管网络,能够较好地分割细小血管。

面向多故障模式的多尺度相似性集成寿命预测

针对传统相似性方法忽略设备故障模式、退化速度以及监测数据长度间差异性的问题,提出多故障模式下多尺度相似性集成(MFM-MSEN)方法,以提高寿命预测精度并表征预测不确定性.通过训练故障分类模型,设计时序加权预测策略,识别设备故障模式,实现训练与测试设备间的分类匹配并降低匹配复杂度.在此基础上提出多尺度集成策略,可克服单尺度方法的数据利用率限制,并增强预测泛化性能,在多个尺度上匹配健康指标间的相似性,进一步采用核密度估计集成多尺度预测结果,以高精度拟合剩余寿命概率分布.实验结果证明,MFM-MSEN方法具有应对设备退化差异的优越性.

认知无线ad hoc网的多尺度跨层路由协议

近年来,随着可用频谱资源的日益稀缺和无线业务量的剧增,认知无线自组网相关的研究得到广泛的关注,其中路由问题是应用中需要解决的重要问题之一.由于频谱机会具有动态性,认知无线网的路由问题要将功率控制、路径选择和信道分配联合起来,实现跨层优化设计.文中提出一种多尺度认知路由协议,根据用户的业务类型和服务质量需求进行尺度选择,并结合频谱机会为认知用户提供适用的解决方案.通过网络拓扑模型指出多径路由问题,并分别结合物理层、介质访问控制层和网络层的分析提出了多尺度优化模型.实验表明,该路由方法在端到端时延、吞吐量和数据投递率等参数上,都能够一定程度地改进服务质量.

感兴趣区域高效提取算法(英文)

感兴趣区域在临床医学图像分析中占有重要地位.提出了一种基于单调推进曲线进化的感兴趣区域提取新方法.首先,通过极小化ROI(region of interest)能量函数,推导出区域速度函数项,并与基于边界的速度函数融合,提出融合ROI信息的单调推进Snake模型.ROI信息能够增强曲线深入到对比度低且细窄的区域中的传播能力.其次,提出了多初始化快速推进算法,选择性地种植种子曲线有助于局部区域的生长从而进一步改善分割结果.此外,为提高计算效率,在多尺度空间进行数值求解,其中利用快速解传递方法实现粗一级尺度到细一级尺度解的传递,可以加速收敛.利用医学图像分割实验对该方法进行评估,结果表明:该方法能够快速、精确地提取低对比度和细窄的ROI区域.与现有方法相比,该方法的高效性同时体现在分割结果和计算代价上.

基于U-Net改进模型的多模态脑肿瘤分割方法

诊断脑肿瘤时,如果能从多种模态的核磁共振成像(MRI)图像中精准分割出脑肿瘤区域,将有助于医生快速和准确的诊断。针对分割脑肿瘤时出现的边界分割不精准问题,该文提出了一种基于U-Net改进模型的脑肿瘤分割方法。该方法将U-Net每级编码器的特征图保留,来捕获分割目标的边界细节信息,进而对保留的特征图采用自注意力模块计算通道级别注意力,加强分割目标的边界空间信息提取,最后使用尺度融合模块统一特征图的尺度和通道数,来融合分割目标的边界信息,作为解码器的输入,从而提高分割性能。该方法在BRATS2017数据集上进行训练和测试,在Dice、SE、SP三个评估指标的参考下,通过消融实验证明了融合多尺度模块和自注意力机制的有效性,并与U-Net、ResUNet、SGNet、RelayNet四种网络模型进行对比实验,表明由于融合了分割目标边界的细节和空间信息,该模型得到的分割区域更加接近真实脑肿瘤区域。

基于视觉与激光结合的堆叠工件定位方法研究

目标的快速精准定位是实现基于视觉的机械手在复杂工况下对工件进行自动抓取的关键技术,基于单目视觉与激光传感技术,提出一种采用AdaBoost算法配合多激光传感技术实现对堆叠工件快速精确定位的方法。该方法采用基于局部二值模式特征的AdaBoost算法结合多尺度策略对视觉获取的RGB图片进行检测,获取工件水平位置信息;结合主动跟踪激光传感系统,获取堆叠工件表面的法向量,确定工件的空间位姿。搭建了硬件实验平台,在此实验平台上开发了一套视觉与激光结合的堆叠工件定位抓取系统,并以非标零件为实验对象,在堆叠情况下进行多组实验,在模拟车间自然光照环境下,工件的识别率为96.4%,平均耗时为18 ms,工件定位的平均坐标偏差为1.17 mm,法向量平均偏差为1.39°,机器人抓取率为98.2%。实验结果表明:该方法定位准确、速度快,在自动化生产线上具有可行性。

基于HiFi-GAN的改进型高效声码器

HiFi-GAN声码器通过采用缩减网络层的通道数或层数的方式来有效减少模型参数、提高推理速度,但此种方式也严重损害了生成语音的质量。针对此问题,提出了两点改进措施:1.采用多尺度卷积策略对输入Mel谱进行处理来有效表征特征信息;2.采用一维深度可分离卷积替换生成器网络中的标准一维卷积。实验结果表明,多尺度卷积策略有效提升了模型性能,提高了生成语音的质量,而一维深度可分离卷积显著减少了模型参数量并加快了模型推理速度。通过将这两者结合,有效提升了HiFi-GAN模型的性能,具体来说,模型参数量约减少了67.72%,在GPU、CPU上的推理速度分别提升了11.72%、28.98%。此外,语音质量也得到略微提升,平均主观意见分(Mean Opinion Score,MOS)提升了0.07,客观语音质量评估(Perceptual Evaluation of Speech Quality,PESQ)得分提升了0.05。

基于改进全卷积网络的多尺度感知行人检测算法

当前行人检测的一个主要挑战是在复杂的场景中检测出不同尺度的行人,尤其是远尺度行人。由于不同尺度的行人会表现出不同的视觉外观特征,鉴于此提出了一种多尺度感知的行人检测算法。在全卷积网络结构中引进可形变卷积层,扩大特征图的感受野;通过级联区域建议网络提取多尺度行人建议区域,引入多尺度判别策略,定义尺度判别层,判别行人建议区域的尺度类别;构建一个多尺度感知网络,引进软非极大值抑制(Soft-NMS)检测算法,融合每个网络输出的分类值和回归值,获取最终的行人检测结果。实验表明,本文提出的检测算法在基准数据集Caltech和ETH上的检测误差较低,检测精度优于当前其他检测算法,适用于检测远尺度行人。