现有的深度哈希图像检索方法主要采用卷积神经网络,提取的深度特征的相似性表征能力不足.此外,三元组深度哈希主要从小批量数据中构建局部三元组样本,样本数量较少,数据分布缺失全局性,使网络训练不够充分且收敛困难.针对上述问题,文中...现有的深度哈希图像检索方法主要采用卷积神经网络,提取的深度特征的相似性表征能力不足.此外,三元组深度哈希主要从小批量数据中构建局部三元组样本,样本数量较少,数据分布缺失全局性,使网络训练不够充分且收敛困难.针对上述问题,文中提出基于类相似特征扩充与中心三元组损失的哈希图像检索模型(Hash Image Retrieval Based on Category Similarity Feature Expansion and Center Triplet Loss,HRFT-Net).设计基于Vision Transformer的哈希特征提取模块(Hash Feature Extraction Module Based on Vision Transformer,HViT),利用Vision Transformer提取表征能力更强的全局特征信息.为了扩充小批量训练样本的数据量,提出基于类约束的相似特征扩充模块(Similar Feature Expansion Based on Category Constraint,SFEC),利用同类样本间的相似性生成新特征,丰富三元组训练样本.为了增强三元组损失的全局性,提出基于Hadamard的中心三元组损失函数(Central Triplet Loss Function Based on Hadamard,CTLH),利用Hadamard为每个类建立全局哈希中心约束,通过增添局部约束与全局中心约束的中心三元组加速网络的学习和收敛,提高图像检索的精度.在CIFAR10、NUS-WIDE数据集上的实验表明,HRFT-Net在不同长度比特位哈希码检索上的平均精度均值较优,由此验证HRFT-Net的有效性.展开更多
有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model...有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model predictive control,M-MPC),其本质在于通过增加开关频率提升控制精度,并未起到优化效果。为解决FCS-MPC在低采样频率下控制效果差的问题,同时为了能以较低的开关频率最大限度地提升控制精度,在分析FCS-MPC开关频率与控制误差间非线性关系的基础上,提出一种新的控制集扩充方法。通过构建12个新的电压矢量来扩充控制集,显著提升了FCS-MPC在低采样频率下的控制精度,且带来的开关频率增加较小。同时,在相同开关频率下,所提方法能够取得更优于M-MPC的控制效果。此外,通过调节目标矢量的权重还可改变其扩充模式,保留了FCS-MPC简单、直接的特点。最后,通过对比仿真及实验验证所提方法的有效性。展开更多
文摘现有的深度哈希图像检索方法主要采用卷积神经网络,提取的深度特征的相似性表征能力不足.此外,三元组深度哈希主要从小批量数据中构建局部三元组样本,样本数量较少,数据分布缺失全局性,使网络训练不够充分且收敛困难.针对上述问题,文中提出基于类相似特征扩充与中心三元组损失的哈希图像检索模型(Hash Image Retrieval Based on Category Similarity Feature Expansion and Center Triplet Loss,HRFT-Net).设计基于Vision Transformer的哈希特征提取模块(Hash Feature Extraction Module Based on Vision Transformer,HViT),利用Vision Transformer提取表征能力更强的全局特征信息.为了扩充小批量训练样本的数据量,提出基于类约束的相似特征扩充模块(Similar Feature Expansion Based on Category Constraint,SFEC),利用同类样本间的相似性生成新特征,丰富三元组训练样本.为了增强三元组损失的全局性,提出基于Hadamard的中心三元组损失函数(Central Triplet Loss Function Based on Hadamard,CTLH),利用Hadamard为每个类建立全局哈希中心约束,通过增添局部约束与全局中心约束的中心三元组加速网络的学习和收敛,提高图像检索的精度.在CIFAR10、NUS-WIDE数据集上的实验表明,HRFT-Net在不同长度比特位哈希码检索上的平均精度均值较优,由此验证HRFT-Net的有效性.
文摘有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model predictive control,M-MPC),其本质在于通过增加开关频率提升控制精度,并未起到优化效果。为解决FCS-MPC在低采样频率下控制效果差的问题,同时为了能以较低的开关频率最大限度地提升控制精度,在分析FCS-MPC开关频率与控制误差间非线性关系的基础上,提出一种新的控制集扩充方法。通过构建12个新的电压矢量来扩充控制集,显著提升了FCS-MPC在低采样频率下的控制精度,且带来的开关频率增加较小。同时,在相同开关频率下,所提方法能够取得更优于M-MPC的控制效果。此外,通过调节目标矢量的权重还可改变其扩充模式,保留了FCS-MPC简单、直接的特点。最后,通过对比仿真及实验验证所提方法的有效性。