基于归一化循环前缀相关谱的无人机识别技术

基于射频的无人机识别技术具有探测距离长、环境依赖性低的优点,已成为无人机监控系统不可或缺的技术手段。如何在低信噪比条件下有效识别无人机是当前热点问题。为保证良好的图传质量,无人机通常采用带有循环前缀结构的正交频分复用(OFDM)调制作为图传链路的调制方式。据此特性,首先提出一种基于归一化循环前缀相关谱和卷积神经网络的无人机识别算法。依据对无人机信号的OFDM符号周期和循环前缀长度的分析结果,计算信号归一化循环前缀相关谱。当归一化循环前缀相关谱的计算参数与无人机信号的调制参数匹配时,谱线中会出现若干相关峰,峰的位置分布反映了无人机信号帧结构、突发规则等协议特征。然后,利用卷积神经网络对归一化循环前缀相关谱进行特征分析和提取,从而识别无人机。最后,利用通用软件无线电平台USRP X310对5款无人机的射频信号进行采集,构建实验数据集。实验结果表明,该算法优于基于频谱和基于时频谱的算法,且在低信噪比下仍然有效。

矩形超高层建筑归一化横风向脉动风荷载谱模型

为研究超高层建筑横风向脉动风荷载谱特性,在B、D两类紊流风场中开展了不同长宽比矩形刚性模型测压试验。结果表明:横风向脉动风荷载特性主要受紊流风场、气动外形和旋涡脱落等因素影响,矩形柱截面的长宽比变化将影响功率谱幅值及能量分布。当矩形柱截面长宽比小于3时,横风向脉动风荷载谱特性主要受旋涡脱落控制,但当长宽比超过3后,矩形柱侧面分离再附流动的影响逐渐加强,具体表现在:功率谱峰值减小、带宽增大及高频区出现较小谱峰。根据风洞试验结果和矩形柱横风向脉动风荷载谱特性,提出了归一化横风向脉动风荷载谱模型,该经验公式物理意义明确、形式简洁,有一定的工程参考意义。

谱归一化CycleGAN的轴承故障迁移诊断研究

深度学习无需先验特征提取的优点使其受到了工业设备的智能故障诊断领域研究的青睐,但深度学习的低鲁棒性和较高的数据要求阻碍其实际应用。为适应在工业现场复杂多变的工况,该文提出了一种基于谱归一化(spectral normalization, SN)和循环一致对抗网络(cycle-consistent adversarial networks, CycleGAN)的SN-1DCycleGAN网络用于变工况条件下的故障数据迁移生成和诊断。首先,搭建一种适应振动数据生成的1DCycleGAN网络,用于获得同种工况下正常信号与故障信号的映射关系。使用谱归一化对网络进行改进,有效的防止CycleGAN网络训练过程中训练不稳定情况。其次,通过不同工况的正常数据生成自适应的故障数据,实现变工况迁移生成的目的。最后,3种评价指标以及分类器准确率对数据生成质量进行定量评估,并使用仿真与试验信号进行验证。试验结果表明,SN-1DCycleGAN在一维振动信号上具备一定迁移效果,可对变工况数据进行增强,提升分类器的准确率。

色谱归一化法测定丙酮中微量杂质含量

丙酮中主要含有乙醛、丙醛、苯、甲醇和双丙酮醇等有机微量杂质,这些微量杂质含量是影响丙酮产品质量的关键控制指标。丙酮国家标准GB/T 6026—2013采用色谱内标法测定丙酮中的各种有机微量杂质含量,虽然该方法准确度较高,重复性也较好,但该方法需要进行样品处理,样品运行时间也相对较长,操作相对较为繁琐,结合中间控制分析倒班岗位人员流动性强、样品多且分析频次高的特点,无法满足中控分析岗位操作简便快捷、快速报出分析报告的具体要求,不适宜在中控分析岗位采用。通过采用色谱归一化法测定丙酮中的微量杂质含量,对色谱试验条件筛选和优化,建立测定丙酮中微量杂质的分析方法。与丙酮国家标准GB/T 6026—2013相比,本方法操作简便快捷,分析数据准确可靠,可大幅提高分析速度,适合中控分析岗位对丙酮产品馏出口样品中各种微量杂质含量的监控。

基于谱归一化条件生成对抗网络的图像修复算法

基于生成对抗网络的图像修复算法在修复大尺寸缺失图像时,存在图像失真较多与判别网络性能不可控等问题,基于谱归一化条件生成对抗网络,提出一种新的图像修复算法。引入谱归一化来约束判别网络的判别性能,间接提高修复网络的修复能力,并根据控制判别网络性能对谱归一化进行理论分析。通过类别信息约束特征生成,保证修复图像的内容不变性,引入扩展卷积算子对待修复图像进行像素级操作,解决修复图像缺乏局部一致性的问题。在此基础上,运用PSNR、SSIM等图像评价方法及分片Wasserstein距离、Inception分数、流形距离度量、GAN-train和GAN-test等流形结构相似度评价指标对修复图像进行综合评价。实验结果表明,与CE、GL等算法相比,该算法获得的修复图像在主观感受和客观评价指标上均有明显提高。

基于多角度约束与谱归一化的图像修复算法

针对图像修复任务过于困难的问题,采用基于生成对抗网络的双判别器模型,通过增设局部判别器追踪图像局部缺失区域信息,有效提升了修复准确性。但模型在产生合理语义性信息方面并不乐观。为此,提出Multi-Angle GAN模型。在双判别器模型基础上增设分类器和Vgg19特征提取网络,分别向生成网络提供类别、风格和内容损失约束。针对GANs判别器设计存在的训练不稳定问题,向判别器设计中引入谱归一化和Wasserstein距离。在CelebA、Places2数据集上进行大量实验,结果表明,Multi-Angle GAN较之前方法在PSNR和SSIM上分别提升0.6~0.8 dB和0.02~0.05。

几条地震波的归一化时-频反应谱分析

时-频反应谱是地震动幅值、频谱和持时三要素构成的空间三维谱.基于此,本文提出归一化时-频反应谱定义与计算方法,计算三条典型地震波的归一化时-频反应谱,对比分析表明:不同地震记录的时-频反应谱的幅值在时间和周期两个轴上的分布差别很大,具有不同时-频反应谱的地震波可能对结构地震响应产生不同影响;对12层钢筋混凝土框架结构模型进行弹塑性时程分析,通过结构地震反应、结构损伤曲线与输入地震动的归一化时-频反应谱对比,发现结构最大反应并不一定是造成结构倒塌的直接原因,用结构弹性阶段反应最大值进行抗震设计存在一定局限性,从而证明归一化时-频反应谱可有效用来分析地震动特性和结构破坏机理.

归一化时-频反应谱与结构损伤曲线的应用

为了研究归一化时-频反应谱和结构损伤曲线在抗震设计中的应用价值,对某十层RC框架结构采用地震动特性截然不同的唐山地震天津波SN方向和集集地震波SN方向进行弹塑性时程分析,对比了2种工况下结构损伤曲线在地震波归一化时-频反应谱上的表现.结果表明,结构的最大地震反应并不一定造成结构最大破坏,而随后很小的反应也可能最终导致结构倒塌,选用不合理的地震记录进行抗震设计是不可靠的,故传统的反应谱理论存在一定的局限性.结构损伤曲线通过自振周期的变化可以反映结构的塑性发展,与同时具备地震动三要素(振幅、频谱和持时特性)的归一化时-频反应谱相结合,可有效预测结构的损伤机制,从而为大震下结构的抗倒塌设计提供参考依据.

地震波的归一化时-频反应谱

在介绍时-频反应谱的基础上,提出归一化时-频反应谱,计算并对比分析了3条常用地震波的归一化时-频反应谱,推断了不同地震波可能对结构地震响应产生的不同影响。分析表明,归一化时-频反应谱有利于分析地震波的工程特性和结构的地震破坏机理,可以反映地震动持时对结构的累计破坏作用。

一种基于时频域归一化二次谱的信号特征检测方法

针对传统的基于傅里叶变换的信号特征检测方法在频率域内没有考虑时间分辨率,而基于小波变换的方法对缓变信号特征检测困难等问题,提出了一种基于时频域归一化二次谱的信号特征检测新方法.该方法首先在频率域内对原始信号的振幅谱进行傅里叶变换,再将其归一化,获得归一化二次谱,这种二次谱的自变量具有时间量纲,它既能反映信号的频率特征,也能反映信号的时间特征.然后,基于二次谱进行特征检测,同时可采用补零或加窗等方法对数字信号进行处理,以防止频谱泄露,从而克服了单纯频谱分析的不足.针对大型杆件与石油管线传导信号的特征检测结果表明,所提方法能对被测物的完整性做出准确、有效的诊断.

CycleGAN-SN:结合谱归一化和CycleGAN的图像风格化算法

为解决CycleGAN算法图像风格化质量不高、网络稳定性不强的问题,提出了CycleGAN-SN算法。在CycleGAN算法判别网络的每一个卷积层后添加谱归一化层,通过幂迭代法估算卷积层参数矩阵的谱范数,采用随机梯度下降法更新卷积层参数。由于参数在每一次更新中的变化量很小,只需迭代一次即可快速估算出矩阵的最大奇异值。根据得到的最大奇异值,对卷积层参数进行归一化处理,使得整个判别网络满足1-Lipschitz连续。在4个常用风格图像数据集上进行实验,并与CycleGAN算法进行对比,结果表明:所提算法能够在保留原有图像细节的基础上,生成色彩鲜艳、纹理清晰、风格渲染充分的风格化图像;在训练过程中的损失函数振荡幅度小,能够使用更大的学习率进行训练,稳定性较强;能够有效减少网络收敛所需的步数,收敛速度较快;在测试阶段一次性风格化751幅图像时,时间最多仅增加0.63 s,几乎没有额外的时间消耗。

谱归一化Wasserstein distance迁移网络

现有的Wasserstein distance在迁移学习中已经取得了巨大的成功,然而,以往方法对Lipschitz约束实施方式不好。为了克服这一问题,提出一种能够学习领域自适应能力的新方法,即谱归一化Wasserstein distance迁移网络(spectral normalization Wasserstein distance transfer network,SNWDTN)。该方法首先求出权值矩阵的谱范数,然后利用谱范数再对权值矩阵进行谱归一化处理,以设计出能够满足Lipschitz约束条件的谱归一化层,从而为Wasserstein distance的使用提供更好的约束条件满足。通过公共数据集的实验结果表明,SNWDTN取得了比以往方法更好的效果。

基于自注意力机制和谱归一化的GAN表情合成

为实现更具真实感的表情图像合成,探讨一种基于自注意力机制和谱归一化的生成式对抗网络(GAN)表情合成方法。通过在生成器中引入2层自注意力模块,使生成器能够在局部建立丰富的上下文关系,输出更加真实的表情细节;同时,在鉴别器中引入谱归一化,使鉴别器的训练更加稳定。实验结果表明,该模型在主观视觉和FID图像评价指标上均优于其他典型算法,图像质量和表情细节有明显提高。

基于多损失融合与谱归一化的图像超分辨率方法

图像超分辨率重建研究存在结果客观衡量指标不断变优,但是视觉感知质量依旧平滑的问题。同时,应用生成对抗网络的超分辨率模型中的鉴别器(discriminator)设计存在一个普遍的问题,即训练不稳定问题。针对以上问题作出两点改进:提出多损失融合的方法,寻求一种在PSNR指标与感知质量之间的平衡,通过将均方误差损失、感知损失、风格损失与对抗损失进行融合的方法,在提高PSNR值的同时,改善图像视觉质量;在基于生成对抗网络的超分辨率模型的鉴别器设计中引入谱归一化(spectral normalization),以实现更稳定有效的训练。结果显示,改进后的方法得到了更高的PSNR指标与更逼真的视觉感知质量,并进一步表明感知质量对于超分辨率重建的重要性。

一种基于谱归一化的两阶段堆叠结构生成对抗网络的文本生成图像模型

文本生成图像是机器学习领域非常具有挑战性的任务,虽然目前已经有了很大突破,但仍然存在模型训练不稳定以及梯度消失等问题。针对这些不足,在堆叠生成对抗网络(StackGAN)基础上,提出一种结合谱归一化与感知损失函数的文本生成图像模型。首先,该模型将谱归一化运用到判别器网络中,将每层网络梯度限制在固定范围内,相对减缓判别器网络的收敛速度,从而提高网络训练的稳定性;其次,将感知损失函数添加到生成器网络中,增强文本语义与图像内容的一致性。使用Inception score评估所提模型生成图像的质量。实验结果表明,该模型与原始StackGAN相比,具有更好的稳定性且生成图像更加逼真。

基于特征参数归一化的鲁棒语音识别方法综述

目前,自动语音识别系统往往会因为环境中复杂因素的影响,造成训练环境和测试环境存在不匹配现象,使得识别系统性能大幅度下降,极大地限制了语音识别技术的应用范围。近年来,很多鲁棒语音识别技术成功地被提出,这些技术的目标都是相同的,主要是提高系统的鲁棒性,进而提高识别率。其中,基于特征的归一化技术简单而有效,常常被作为鲁棒语音识别的首选方法,它主要是通过对特征向量的统计属性、累积密度函数或功率谱的归一化来补偿环境不匹配产生的影响。该文主要对目前主流的归一化方法进行介绍,其中包括倒谱矩归一化方法、直方图均衡化方法以及调频谱归一化方法等。

基于强震记录的位移谱模型可靠性研究

鉴于目前规范中基于力的结构抗震设计不能合理预测长周期结构的最大位移响应,亟需发展能更好反映结构和构件性态的位移设计方法,而长周期位移设计谱是其中关键要素。现有研究对归一化位移谱形状有了较好的认识,但受于长周期强震记录的限制,模型仍存在一定局限性,尚不能满足长周期结构抗震设计需求。针对目前所提出的震级相关四线段归一化位移谱预测模型,本文通过典型地震数据检验不同场地条件和断层距分组内模型的可靠性,并与现有规范中位移谱模型进行对比。结果显示0~20 s内,预测模型给出的位移谱与实测记录结果较一致;与EC-8模型和ASCE 7-10等规范位移谱模型相比,推荐预测模型更符合强震观测数据结果。

毫米波雷达与雨滴谱仪观测弱降水的对比分析

针对毫米波雷达测量的数据需要进行验证,提出利用雨滴谱反演雷达观测量:回波强度、径向速度、速度谱宽和归一化的功率谱密度数据对比毫米波雷达在最低有效观测高度处探测弱降水数据的方法及分析毫米波雷达观测量误差来源。结果表明:2种观测仪器得到的回波强度随时间变化趋势大致相同但变化幅度差异较大,误差主要源于雷达天线的积水;径向速度由于空气的上升速度、湍流等影响使两者数值有一定差异,但是变化趋势却十分接近。速度谱宽两者结果是演变趋势和变化范围都非常接近;两者归一化功率谱值曲线随速度变化趋势相似,然而由于空气的上升速度、湍流等影响导致两者曲线出现整体平移。

根据行星际闪烁(IPS)的双频互谱估计太阳风速度

本文讨论了观测频率为232MHz和327MHz时，利用互谱的方法估计太阳风速度的可能性、考虑路径积分效应，结果表明在17°≤ε≤50°范围内，对于几种可能的太阳风速度分布，由互谱所得结果与太阳风速度值差别小于15％．

基因预测算法中阈值的傅里叶质谱分析

蛋白质编码区预测中阈值选择对预测结果的影响不容忽视。研究提出以归一化的功率谱密度作为判别DNA序列编码区和非编码区的阈值,以FIR(Finite impulse response,FIR)窄通带滤波器NPBF(Narrow pass band filter,NPBF)作为编码区预测算法核心,采用DNA序列集HMR195和ALLSEQ作为测试集,以碱基层的近似相关系数(Approximate correlation,AC)为预测准确率测度指标,对所提出方法与现有方法的预测结果做了比较。结果表明,采用新阈值得到的预测准确率最高,算法简单直观。