基于bang-bang控制平滑正则化的动力制动轨迹优化

针对行星定点软着陆实时在线制导的任务需求,结合行星着陆轨迹优化技术在动力学特征、约束条件、不确定环境方面的特点,以燃料最优为性能指标,提出了一种平滑正则化处理不连续切换点的方法。而以燃料最优为性能指标的着陆问题,其推力或推力加速度大小为最多切换两次的bang-bang控制,用间接法将其转化为一个两点边值问题会带来对初值敏感、算法复杂度高且依赖于导数的数值算法无法求解的问题。为此,对比了以末端高度为性能指标的气动制动和以燃料最优为性能指标的动力制动,对动力制动中的推力bang-bang控制问题,通过对切换函数的分析将其控制形式分解为3种情形,进而引入偏差参数,对bang-bang控制的不连续切换点进行平滑处理,使其转化为可以直接用数值算法求解的连续可导函数,并通过数值仿真验证了该方法的可靠性、快速性和精确性。结果表明:相较于直接法中的伪谱法,该方法对初始值不敏感,降低了算法复杂度,收敛性好且终端误差较小,解决了模型对初始值敏感、数值算法无法直接求解bang-bang控制的难题。

基于并行可分离卷积和标签平滑正则化的脑电情感识别

近年来,基于深度学习和脑电图(EEG)的情感识别方法取得了较好的效果。然而,现有方法依然存在脑电情感特征提取不够全面、受人工错误标注的情感标签影响较大等问题。对此,提出了并行可分离卷积和标签平滑正则化(PSC-LSR)网络模型。首先,通过注意力机制,赋予EEG重要时间点和重要通道更大的权重,得到EEG的浅层情感特征;其次,采用并行可分离卷积模块全面提取EEG情感信息,得到深层情感特征;最后,在优化模型参数时采用了情感标签平滑正则化方法,使模型对错误标签有更大的容错概率,增强了网络模型的泛化性和鲁棒性,提高了脑电情感识别的准确率。提出的方法在两个数据集进行了验证,其中,在DEAP数据集中,唤醒和效价两个维度的平均准确率分别达到了99.23%和99.13%;在Dreamer数据集中,唤醒和效价两个维度的平均准确率分别达到了97.33%和97.25%。

基于RepVGG-A0改进的公路车型识别网络

针对当前车型识别过程中检测精度与实时性难以平衡的问题,提出了一种基于RepVGG-A0改进的公路车型识别网络,利用结构重参数化思想融合多分枝网络以提升网络推理速度。使用混合空洞卷积替换传统卷积,强化了模型对大目标的识别能力。在网络主干中插入融合残差结构的坐标注意力(RES-CA)模块,提升了网络对有效特征信息的提取能力,同时避免了梯度消失与梯度退化造成的影响。此外采用了标签平滑正则化方法对损失函数进行改进,降低了模型过拟合对检测结果的影响,提升了模型的泛化性。经验证,本方法在公路车辆数据集BIT-Vehicle上的识别准确率达到了97.17%,较原模型提升了2.67%,优于现有的ResNet-18,VGG等网络模型,同时保证了模型的检测速度。

三维重力、重力梯度和大地电磁数据的平滑聚焦结构约束联合反演

多种地球物理数据联合反演解释能够显著提高勘探分辨率,近年来,基于交叉梯度结构约束的联合反演得到了广泛研究.该方法有效克服了单一方法反演易受多解性影响和不同方法反演结果结构不一致等问题,已成为目前最流行的联合反演技术之一.传统的重力和大地电磁联合反演常因重力纵向分辨能力弱,导致密度模型可靠性较低,进而使联合反演结果有失准确.因此,本文在重力数据的基础上加入了包含更多高频信息的重力梯度数据,以更好地恢复出地下密度结构,进而提高联合反演的分辨率.同时,本文又提出了一种平滑聚焦的正则化方法,并将其应用于重力、重力梯度和大地电磁数据的三维联合反演中.平滑聚焦正则化法是平滑和聚焦正则化方法的结合,它既能保证异常体轮廓在大尺度上的光滑性,减少局部假异常,又能捕捉反演解的小尺度细节,增强反演结果的稀疏性,得到尖锐的异常体边界.通过设置聚焦强度阈值避免了聚焦和平滑聚焦反演中存在的过度聚焦问题.此外,为了减弱交叉梯度结构约束对反演模型向真实模型迭代的限制,本文还提出了一种间断式联合的交叉梯度联合反演新策略,令单独反演和联合反演交替进行.模型试算结果表明:重力梯度信息的加入有效提高了密度模型的可靠性,从而改善了联合反演的效果;平滑聚焦正则化法使大地电磁的反演结果更加准确,提高了电阻率模型的可靠性;间断式联合的反演策略既保证了交叉梯度法的结构相似约束,又能让迭代模型响应向观测数据充分拟合,使联合反演结果更还原真实模型.

基于联合损失胶囊网络的换衣行人重识别

目前的行人重识别(Re-ID)研究主要集中在短时间情形,即一个人的衣着不太可能发生改变的情况。然而现实中更常见的是长时间的情况,这时一个人有很大的机会更换衣服,Re-ID模型应该考虑这种情况。为此,研究了一种基于联合损失胶囊网络的换衣行人重识别方法。所提方法基于换衣行人重识别胶囊网络ReIDCaps,使用与传统的标量神经元相比包含更多信息的矢量胶囊,用其长度表示行人身份信息,用其方向表示行人衣着信息;采用软嵌入注意力(SEA)防止模型过拟合;使用特征稀疏表示(FSR)机制提取具有判别性的特征;增加标签平滑正则化交叉熵损失与CircleLoss的联合损失以提高模型的泛化能力和鲁棒性。在三个换衣行人重识别数据集Celeb-reID、CelebreID-light和NKUP上进行实验,实验结果表明所提方法与目前已有的Re-ID方法相比具有一定优势。

基于短语级注意力机制的关系抽取方法

关系抽取是自然语言处理的重要研究内容,是知识图谱构建的关键技术。目前,在神经网络中引入注意力机制进行关系抽取成为主流方法,现有方法一般结合句子单词和实体相关性计算注意力,没有考虑短语和实体关系之间的相关性,并且对实体信息利用不够充分。针对该问题,提出基于短语级注意力机制的关系抽取方法。首先用卷积层对词向量做卷积,以滑动窗口的方式得到短语级的向量表示,然后利用短语与实体关系之间的相关性计算注意力。为了使实体信息利用更充分,用卷积层和池化层分别提取实体短语的深度特征表示,并引入TransE的思想表示两个实体关系的特征。最后,采用分段池化方法得到深度特征。为了减少远程监督中错误标签的干扰,使用标签平滑正则化(LSR)把原来的“硬”标签改为“软”标签。实验结果表明,该方法能够有效利用短语信息和实体关系信息,对实体关系抽取效果有较大的提升。

基于深度卷积生成对抗网络和拓展近邻重排序的行人重识别

行人重识别任务旨在识别不相交摄像头视图下的相同行人.这项任务极具挑战性,尤其是当数据集中每个行人仅仅有几张图片时.针对行人重识别数据集中行人图片数量不足的问题,提出一个从原始数据集中生成额外训练数据的方法.在这项工作之中存在2个挑战:1)如何从原始数据集之中获取更多的训练数据;2)如何处理这些新生成的训练数据.使用深度卷积生成对抗网络来生成额外的无标签行人图片,并采用标签平滑正则化来处理这些新生成的无标签行人图片.为了进一步提升行人重识别准确度,提出了一种新的无监督重排序框架.此框架既不需要为每组图像对重新计算新的排序列表,也不需要任何人工交互或标签信息.在Market-1501,CUHK03和DukeMTMC-reID数据集上的实验验证了所提方法的有效性.

融合注意力机制的高效率网络车型识别

为了解决现有的车型识别算法对车型特征描述不充分的情况,提出融合注意力机制的高效率网络车型识别算法.利用高效率网络中的复合缩放方式来平衡网络的深度、宽度和分辨率,将深度可分离卷积集成到基础特征提取模块中来提高模型准确率.增加双通道的残差注意力机制来关注图片中的关键信息,获得含有更加丰富语义信息的特征图.在网络的末端添加单独的softmax分类器,使用标签平滑正则化对损失函数进行处理,减小模型过拟合的问题.在BIT-Vehicles数据集上进行实验,结果表明,提出方法的平均分类准确率为96.83%,较改进前的模型提高了1.11%,优于现有DCNN、Faster-CNN的改进算法,较Faster R-CNN提升了7.16%.

多源传感器数据下基于注意力机制与长短期记忆网络的轴承故障诊断与寿命预测

针对滚动轴承故障在噪声环境下诊断效果不佳的问题,提出了一种多源传感器数据下基于注意力机制与长短期记忆(long short-term memory,LSTM)网络的轴承故障诊断新方法。首先,将多源传感器采集的1维数据进行归一化处理,通过构建带AdaBN(Adaptive Batch Normalization)技术的双通道孪生卷积网络提取有效特征并进行数据融合。其次,将融合数据输入具有同时考虑通道间关系和位置信息功能的改进1维CoordAtt(Coordinate Attention)中。再次,通过LSTM层提取时间特征,通过标签平滑正则化改进后的损失函数来评估诊断效果,使用新型优化器Adan进行优化。最后,将得到的诊断模型应用于测试集,输出故障类别诊断结果。将模型在不同测试集比例下进行诊断精度对比实验,判断出最佳比例为0.3,并在噪声环境下进行测试。实验结果表明,所提方法能更好地对抗噪声环境的影响。在C-MAPSS数据集上的实验结果验证了CoordAtt-LSTM模型在寿命预测中的有效性。

图像样式风格迁移的行人再识别方法

现有行人再识别模型的训练集,来源于有限的固定采集设备,样本样式风格缺乏多样性.通过循环生成对抗网络,使不同摄像机捕捉到的图像数据进行样式风格迁移,可以通过较低成本来提升样本风格的多样性.为了提高模型的泛化能力,设计了一种新的正负样本融合训练方法.首先,把样式风格迁移后的样本作为负样本,样式风格迁移前的样本作为正样本,将正负样本同时送入模型训练;进一步,为了防止过拟合,也为了考虑错误标签位置的损失,采用了标签平滑正则化;同时,为了更多地关注困难、易错分的样本,实现对负样本的损失优化,采用了焦点损失函数.实验结果表明,所提方法在Market-1501数据集和DukeMTMC-reID数据集上的识别准确率分别提升了1.51%和2.07%.