基于局部信息融合和估计投影法的多区域电力系统状态估计

在多区域互联电力系统中,由于状态变量维数高和大量量测数据处理等问题,集中式估计的实现变得困难。提出一种基于局部信息融合和估计投影法的多区域电力系统状态估计新算法。首先,各区域独立运行加权最小二乘迭代得到本地估计值,并将协调中心边界状态估计值及对应的协方差子矩阵发送至协调中心;得到各区域边界信息后,协调中心采用最小二乘信息融合算法对系统边界状态作协调估计,并返回边界协调估计值至各区域;最后,根据边界协调估计值,各区域通过估计投影法对其内部状态作修正。该方法适应于全系统有/无相量测量单元(PMU)的情况,且所需通信量少,易于实现。算例仿真结果表明,所提算法具有良好的估计精度和实时性。

融合全局和局部信息的水平集乳腺MR图像分割

针对乳腺核磁共振成像的灰度不均匀现象,提出一种融合全局和局部信息的水平集图像分割方法(global and local combined C_V,GLCCV)。该方法将图像的局部信息融入基于全局信息的Chan-Vese(C_V)水平集方法;根据局部灰度拟合均值占全局灰度均值的比例,构造自适应平衡指示函数调节全局和局部效应之间的均衡;加入惩罚项以避免重新初始化。对比实验表明,该水平集分割模型能够有效分割多种灰度不均匀场景下的乳腺MR图像,在抗噪和精确性方面优于融合前的分割方法。

基于局部空间信息表征融合和信息深度残差提取的点云分类分割算法

点云作为一种能提供丰富空间信息与物体几何特征的数据表达形式,在自动驾驶和机器人等领域有着广泛的应用前景。点云数据具有无序性的特点,早期研究者利用深度学习工具完成点云的分类分割任务时,一般采用结构化表示方法(如将点云转换成体素,多视图),但这些方法会导致部分三维空间信息损失和预处理计算量大等问题。PointNet创新性地使用共享的MLP(多层感知机)处理每个点云的向量,有效地解决了点云的无序性问题。PointNet的扩展版本PointNet++利用Encode-Decode结构进行局部特征提取。整体采用Encode-Decode结构,提出了PointRFE神经网络模型。其中,设计了能够对局部进行更充分表征的局部信息表征融合(Local Information Representing and Fusing,LIRF)模块,该模块融合了局部采样点特征,局部点云仿射变换特征和局部空间几何结构信息特征;设计了信息深度残差提取(Information Deep Residual Extractor,IDRE)模块,该模块通过带有瓶颈残差结构的共享MLP(多层感知机)对LIRF模块输出的融合特征进行深度提取。该网络模型分别在ModelNet40、ScanObjectNN和ShapeNetPart数据集上进行实验,验证网络模型在点云分类分割任务上的性能。实验结果表明,提出的网络模型在ModelNet40分类数据集整体分类精度达到93.6%;ScanObjectNN分类数据集上达到84.7%;ShapeNetPart部件分割数据集上达到86.0%。本文提出的模型在各数据集上的测试准确率均在该领域内达到先进水平。PointRFE能够充分地表征和高效地学习点云局部信息,可以很好地完成点云分类分割任务。

基于特征分离的复杂环境三维手部姿态估计算法研究

基于视觉的三维手部姿态估计是实现人机交互的重要技术手段。目前,视觉手部姿态估计算法易受光照变化、遮挡和环境噪声等复杂环境因素干扰,导致模型的鲁棒性无法得到保障。这些多变的环境因素使得传统的深度学习方法在真实场景中难以取得令人满意的结果。针对这一难题,本文提出了一种基于特征分离的手部姿态估计算法,通过对手部图像中的关键特征进行精炼来提升模型在不同环境中的鲁棒性。首先,对编码器进行基于频域增强的预训练,从而减少环境噪声对于底层视觉特征提取的影响;其次,在解码阶段提出了一种用于分离因果特征和非因果特征的双分支结构,通过减少非因果特征对于姿态估计任务的影响以提高模型应对复杂环境的能力;最后,通过融合全局姿态信息和局部关节信息,实现了不同尺度的统一优化,并基于两个公开数据集的定量分析和定性分析,验证了本文所提出方法的准确性和鲁棒性。