轨迹预测中局部自注意力时序编码网络

针对传统编码器应用于轨迹预测时,难以捕捉短暂停车或急转弯等局部时间尺度下的轨迹变化(简称局部变化)从而影响预测准确性的问题,提出一种局部自注意力时序编码架构(Loc-SelfAttention)。该算法充分利用小尺度卷积核的优越局部感知能力,敏锐地捕捉和提取局部变化的特征,并利用自注意力机制,根据局部变化对于未来轨迹分布的影响程度动态赋予提取的局部特征注意力权重,从而过滤噪声和杂点,筛选出有效的局部特征,提高轨迹预测准确性。实验结果表明:Loc-SelfAttention算法在Argoverse运动预测基准上与HOME轨迹预测算法相比,最小平均位移误差降低3.7%,最小最终位移误差降低3.1%,失误率降低4.8%,在自动驾驶和智能交通管理等领域具有一定应用前景。

EMD方法在齿轮故障诊断中的应用

将EMD(EmpiricalModeDecomposition)方法应用于机械故障诊断中,提出了一个新的齿轮故障诊断方法.EMD方法基于信号的局部特征时间尺度,能把复杂的信号分解为有限的内在模态函数(IntrinsicModeFunction)之和,这种自适应的分解方法非常适于非线性和非平稳过程的分析.用该方法对齿轮故障振动信号进行了分析,结果表明该方法能够有效地降低噪声,提高信噪比,突出齿轮故障振动信号的故障特征,从而提高齿轮故障诊断的准确性.