改进自适应无参经验小波变换在变压器高频局放电流噪声抑制中的应用

变压器是电力系统中的关键设备,局部放电(partial discharge,PD)是致使变压器绝缘劣化的主要原因,也是绝缘劣化的重要表现形式。针对高频PD信号中窄带干扰和白噪声这些复杂的噪声信息,提出一种基于互信息和样条插值拟合优化频谱分割的改进自适应无参经验小波变换的降噪方法。该方法以无参经验小波变换为基础,计算经无参经验小波变换分解的各个时域分量的互信息值进行合并优化得到新的频谱分割点,然后在各个频段内提取峰值点,将这些峰值点进行三次样条插值拟合得到拟合曲线,将拟合曲线的极小值点作为最新频谱分割点进行划分得到各个时域分量,最后计算各个分量的峭度值,去除峭度值小于3的分量,将剩余分量进行通用阈值降噪重构达到PD信号降噪效果。仿真、实验室和现场测试表明,与现有小波变换降噪和基于经验模态分解降噪的方法进行对比,文中的方法能够更加有效抑制变压器高频PD信号中的噪声信息。

基于无参注意力和联合损失的行人重识别

现阶段行人重识别一般只考虑二维特征,将各个特征点统一处理,存在特征提取不足的问题,故提出基于无参注意力的行人重识别(PFNet)来解决上述问题.该模型在Res Net-50网络上进行改进,分别在第一个残差块和第三个残差块后引入无参注意力机制,该注意力机制能根据图片本身特点赋予各特征点合适的权重,可以保留更丰富的信息特征且不会引入额外参数.接着使用自适应平均池化层保留主要特征且捕捉特定域的判别特征,然后使用ID损失、三元组损失和自适应加权排序损失的联合损失函数来训练模型.算法在Market-1501、DukeMTMC-reID和CUHK03三个主流的行人重识别数据集上的首位命中率分别达到95.5%、90.9%和84.3%,平均精度均值分别达到89.6%、81.6%和82.0%.实验结果表明,使用注意力和联合损失函数的策略可以提高模型精度.

基于自适应无参经验小波变换和选择集成分类模型的运动想象

运动想象模式识别率的提高对脑机接口(BCI)技术的应用具有重要意义,本文采用自适应无参经验小波变换(APEWT)和选择集成分类模型相结合的方法提高脑电(EEG)信号的分类识别准确率.首先,通过APEWT将EEG信号分解成不同的模态;然后,使用最优模态重构后的信号计算其能量谱(ES)特征,使用最优模态分量计算其边际谱(MS)特征;最后,将不同时间段的ES特征和不同频段的MS特征输入到构建的选择集成分类模型中,从而得到其分类结果,并将该方法与其他4种组合方法进行比较.实验结果表明,本文方法具有较好分类准确率和实时性,其平均分类正确率高于其他4种方法,同时较近期使用相同数据的文献也有优势.本文为在线运动想象类BCI的应用提供了新的方法和思路.

基于改进的自适应无参经验小波变换的滚动轴承故障诊断

为实现滚动轴承故障周期冲击特征的有效提取,解决经验小波变换Fourier谱分割存在的问题,提出了一种改进的自适应无参经验小波变换方法。首先,利用自适应无参经验小波变换对信号Fourier谱进行自适应分割;然后,利用峭度指标对谱边界进行合并,并重构滤波器组对信号进行分解;最后,选取峭度值最大的分量进行包络解调提取故障特征。仿真和工程应用验证了所提方法的有效性,分析结果表明该方法的性能优于集合经验模态分解和经典经验小波变换。

CDMA系统基于无参似然率准则的盲多用户检测

提出了一种应用于DS-CDMA通信系统中的干扰抑制盲算法,该算法在经典ICA算法中增加了无参似然率(nonparametric likelihood ratio,NLR)准则,使分离出的数据的误码率减小,系统性能明显提高.仿真结果表明这种新算法与另外两种未采用NLR准则的算法相比具有更好的抑制干扰的能力,降低了系统对信噪比的要求.

无参比标准品的液相色谱定量分析法

液相色谱中无参比标准品的定量分析法具有对未知物可不必进行鉴定、不必了解它的任何物理性质和复杂样品中各组分未达完全分离时均可定量分析待测组分的优点。本文介绍了无参比标准品的折光率检测法,吸收度检测法和电导检测法定量分析的基本原理及实验方法。

局部自交干扰的无参模糊图像自适应去燥仿真

针对当前局部自交干扰的无参模糊图像去噪方法去噪精度低、去噪后图像信息丢失严重的问题,提出基于NSCT的无参模糊图像自适应去噪方法。定义被污染图像,设置阈值参数,利用图像污染中心点坐标值与阈值参数的比较,判断像素点是否隶属污染比较严重的区域。定义图像重污染区域的邻域值和影响噪声邻域灰度变化的阈值,根据阈值大小来确定图像各像素点周围的灰度值变化特点,获取无参模糊图像区域信息。利用图像区域信息涵盖函数值的输入,给出图像NSCT变换结果。结合图像噪声分布特性实现图像去噪阈值的改进,对变换域内的系数进行处理,将处理结果实行NSCT逆变换,获取去噪之后的无参模糊图像。仿真结果表明,上述方法可有效提升图像无噪精度,去噪后图像信息完整程度可达99. 6%。所提方法能够高效解决当前方法中存在的问题,使用强度和可借鉴性均较为优越。

无参的2DNMFA和SVD模糊融合的二维/三维人脸图像识别

针对二维边际费希尔分析算法中识别率对近邻大小敏感的问题,以及自然界中人脸图像存在姿态和表情等复杂变化,单一的特征提取方法无法满足进一步提高识别率的问题,本文首先提出基于皮尔逊相关系数的二维无参边际费希尔分析算法,进一步提出二维无参边际费希尔分析和奇异值分解算法模糊融合的人脸识别方法。该融合算法利用奇异值分解和改进的二维边际费希尔方法分别提取人脸图像的代数特征和可鉴别结构化特征,综合利用两类特征的优点,基于模糊决策原理对隶属度融合。在CIS三维实时人脸库、Texas三维人脸库及UMIST人脸库的实验结果表明:该算法的分类性能优于单一的二维边际费希尔分析算法或奇异值分解算法。

变权无参考视频质量评价模型研究

传输信道失真是导致视频图像质量损失的重要原因,而不需要任何附加传输信息的无参考客观评价是监测视频传输质量受损的主要方法。为了提高无参考客观评价模型的准确性和效率,提出模拟人类视觉特性的变权评价模型。变权评价模型综合考虑视频的空域和时域两类质量指标,引入运动强度来量化视频内容中的运动变化程度,根据统计学习的非线性回归法建立变权控制函数;通过变权控制函数动态调整清晰度和平滑度权值来模仿人类视觉特性。实验结果表明该变权评价模型与主观评价符合度高,优于现有评价方案。

基于保特征无参数投影的快速几何重建

为了使现有的无参数化投影算法拥有更好的保特征能力,提出一种保特征的基于无参数投影的点模型几何重建算法.首先,提出一个结合联合双边滤波器的局部优化投影算子,并利用点集的空间信息和几何特征信息,有效地保持了几何模型的特征;进一步,使用八叉树剖分技术对算法进行加速,为处理大规模点云提供了支撑;此外,还给出了自适应局部支撑的计算方法.实验结果表明,文中算法比无参数化投影算法保特征、速度快.

一种针对高斯模糊图像的无参质量评价方法

针对模糊图像高频分量的特性,提出了一种针对高斯模糊图像的无参质量评价方法。该方法利用小波变换对模糊图像提取高频分量,在高频分量功率谱上构造评价指标。实验结果表明提出的评价指标优于PSNR和SSIM,其客观评价分数与主观评价分数具有更好的一致性。

基于空域特征的监控图像质量无参评估方法

针对监控图像受到多重噪声影响的特点,及安防对监控图像的信息量大小、子区域质量的特殊要求,提出一种基于空域特征的图像质量无参评估方法。该方法在图像自然场景统计模型空域特征基础上,引入图像二维信息熵作为特征之一;另外,提出分块分析方法,将图像的子区域质量并入图像特征;最后,通过机器学习优化特征权重,得到图像质量评价模型。交叉验证实验中,该方法对监控图像质量评估结果与主观质量得分的线性相关系数、斯皮尔曼等级相关系数均值分别为0.783和0.687,相对空域上的无参考质量评价方法 BRISQUE分别提高了0.7 d B和1.5 d B。实验结果表明,算法对监控图像质量评估结果与专业人士主观评价结果一致性明显高于对比算法。

室内机器人TDOA异步无参测距定位方法研究

针对超宽带室内机器人定位系统中TDOA的时钟难以同步以及测量存在各种干扰问题,提出一种室内机器人TDOA异步无参测距的定位新方法。该方法将实际测量计算而来的时间作为校正因子,为主基站构建异步时钟下无参考节点的测距算法模型,由主、从基站的测量信息可直接计算出机器人到达距离差;提出关联权值滤波算法获得到达距离差状态矩阵,有效降低信号干扰。并从测量性能、测距及定位等方面进行误差分析。实验结果表明,测距精度98%维持在10 cm以内,且不会随着长时间运行发生测量偏移,具有较好的定位精度,可满足室内机器人的定位需求。

一种基于核心顶点的无参图聚类算法

针对许多经典的图聚类算法存在输入参数难以确定、时间复杂度过高、聚类精度较低等缺点,提出了一种无须输入参数的基于核心顶点的图聚类算法(NGCC)。该算法将相似的顶点分配到同一个簇后,再利用PageRank算法发现核心顶点以形成初始簇;然后将剩余的未标记顶点进行分配,形成最终簇结构。实验结果证明,NGCC算法在无须任何参数的条件下,在不同规模数据集上的聚类质量与对比的经典图聚类算法相当或更优,而且适用范围更广。

一种无参数的局部线性判别分析方法

为了解决因引入局部化思想的线性判别分析(Linear Discriminant Analysis, LDA)方法需要人工设置邻居个数而无法以自适应的方式挖掘数据的局部结构问题,提出了一种无参数的局部线性判别分析(Parameter-free Local Linear Discriminant Analysis, Pf-LLDA)方法。该方法首先建立了一个关于权重矩阵和变换矩阵的统一优化模型。然后,通过使用交替方向的方法迭代求解出了与数据局部结构相关的权重矩阵和与判别分析相关的变换矩阵。从而使得Pf-LLDA在无需人为设定邻居个数的情况下,自适应地挖掘出了数据的局部结构并最终实现了局部线性判别分析的能力。在仿真数据集和手写体真实数据集上的实验结果表明,Pf-LLDA挖掘出数据局部结构的同时实现了更优的判别分析结果。

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

基于NanoDet-SimAM小尺寸松材线虫病受害木检测

针对小尺寸松材线虫病受害木检测精度及检测效率低的问题,提出了一种融合深度网络和注意力机制的小尺寸松材线虫智能检测模型。采用无人机(UAV)搭载小型相机在220 m高度拍摄小尺寸松材线虫受害木图像,应用图像旋转、缩放、添加高斯噪声和模拟光照强度等数据处理方式扩充数据集,设计轻量级深度网络NanoDet和SimAM注意力模块融合模型NanoDet-SimAM对小尺寸松材线虫受害木进行精准检测。结果表明,该模型相较于Faster R-CNN、Yolov4、Yolov5s及NanoDet等检测网络模型,具有更高的检测精度、速度和稳定性。

基于SCC-YOLO的指针式仪表轻量化检测方法

针对指针式仪表检测模型结构复杂、占用内存量高、参数计算量大而导致的不易部署问题,提出一种基于YOLOv5的轻量化仪表目标检测网络SCC-YOLO。采用轻量化主干ShuffleBlock_lite结构重新设计网络主干,引入卷积核重构的深度可分离卷积,通过SimAM无参注意力机制模块进一步提升特征提取能力。融合坐标卷积CoordConv与CARAFE轻量化上采样模块提高模型特征融合性能。利用数据增强技术构建真实场景下和复杂场景下的指针式仪表图像数据集。对比实验结果表明:SCC-YOLO模型能大幅提升指针式仪表的检测效率,模型的参数量平均降低27.3%,计算量平均降低54.8%,精度上综合提升1.3%。轻量化的设计使其能够在移动端与边缘设备更容易部署,能够满足真实场景下的指针式仪表检测任务要求。

基于改进双流视觉Transformer的行为识别模型

针对现有行为识别方法中抗背景干扰能力差和准确率低等问题,提出了一种改进的双流视觉Transformer行为识别模型。该模型采用分段采样的方法来增加模型对长时序列数据的处理能力;在网络头部嵌入无参数的注意力模块,在降低动作背景干扰的同时,增强了模型的特征表示能力;在网络尾部嵌入时间注意力模块,通过融合时域高语义信息来充分提取时序特征。文中提出了一种新的联合损失函数,旨在增大类间差异并减少类内差异;采用决策融合层以充分利用光流与RGB流特征。针对上述改进模型,在基准数据集UCF101和HMDB51上进行消融及对比实验,消融实验结果验证了所提方法的有效性,对比实验结果表明,所提方法相比时间分段网络在两个数据集上的准确率分别提高了3.48%和7.76%,优于目前的主流算法,具有较好的识别效果。

基于马尔可夫转移场和轻量级网络的非侵入式负荷识别

负荷识别是非侵入式负荷监测(non-intrusive loadmonitoring,NILM)的关键一步。针对目前识别方法存在网络参数量大、识别率低的局限性,提出了一种基于马尔可夫转移场(Markov transition field,MTF)和轻量级网络的非侵入式负荷识别方法。首先,利用归一化后的电压电流计算马尔可夫状态转移矩阵,在时域上排列每个状态转移概率构建MTF。其次,对MTF降采样以适应神经网络的学习,利用伪彩色编码技术得到RGB彩色图像。最后,在轻量级网络Shuffle Net V2中加入SimAM无参注意力模块作为特征提取网络,以较少的参数量实现负荷分类识别。使用公共数据集PLAID和WHITED对所提方法进行实验,结果表明,SimAM-ShuffleNetV2在两个数据集的识别准确率分别达到了98.99%和99.22%,参数量分别为0.37 M和0.41 M,比现有的方法具有更高的识别准确率和更少的参数量,验证了所提方法的有效性和优越性。