基于ACFM的Q235钢表面裂纹检测与特征重构研究

为保障管线安全,研究Q235钢常规裂纹特征,针对裂纹量化和重构精度不高等问题,探究Q235钢常规裂纹的特征重构方法。建立ACFM有限元仿真模型,通过仿真分析常规裂纹的长度和深度特征量的分布规律。结果表明:用三点插值法可确定波峰及波谷的相对位置,通过自适应拟合算法建立了裂纹长度和深度的重构方程;最后试验验证长度特征检测误差为5.98%,深度特征检测误差为3.86%。

可靠性特征重构下的发电机组变工况热力性能动态仿真分析

煤气含量和热应力等的影响下,发电机组变工况热力性能不稳定,对此,进行了发电机组变工况热力性能动态仿真分析。分析燃气-蒸汽联合循环效率影响指标,模拟发电机组热力学特征,选中热效率、低端循环模型、[火用]效率中的任意样本,计算同类和异类样本集相关度,保留相关度较高的发电机组热力学特征样本,持续改进发电机组的热力学特征,获得包括热平衡、[火用]平衡等相关内容的变工况能量平衡计算结果,确认变工况热力性能。仿真实验结果表明,调节焦炉煤气和高炉煤气含量、燃气初温、压气机压缩比等条件后,燃烧室和余热锅炉是产生[火用]损失较多的部分,发电机组热效率受到燃气初温、压气机进口温度、压缩比等多方面限制,可结合实际工况调节压缩比以使发电机组达到最优状态。

基于特征重构的YOLO目标检测模型实现

目标检测是计算机视觉领域的四大核心任务之一,它涵盖了目标的分类和定位,至今已有近二十年的研究历史。YOLOv5在YOLO系列目标检测算法中广泛应用,这得益于其稳定的工程实践能力,以及可以较好地平衡检测精度和速度,但YOLOv5算法的检测精度距两阶段目标检测器的性能还有差距。因此本文选取其作为研究对象,对其进行改进,力求在保证检测速度基本不变的同时尽可能地提升精度。针对YOLOv5s目标检测算法不能充分利用特征信息的问题,对YOLOv5s进行改进后,提出一种基于特征重构模块的目标检测模型(F-YOLOv5s)。该特征重构模块将w-h平面上的特征信息转移到空间维度,能够减少下采样带来的信息损失,从而提高目标检测的准确率。实验表明,在PASCAL VOC2007和VOC2012数据集上,本文提出的特征重构模块能有效提高特征信息的利用率,使得检测精度大幅度提升。

基于特征重构自愈残差网络的神经元形态分类

针对不同类别神经元之间的形态相似度高、类内区别性大,容易导致神经元分类准确率不高的问题,提出了一种基于特征重构自愈残差网络的神经元形态分类方法。针对传统卷积造成边缘像素弱化和填充策略带来新像素侵蚀特征的问题,在基础网络后端构建特征重构模块来保留重要的中心特征并过滤受损的边缘特征。利用自注意力权重模块和排序正则化损失方法增强对神经元形态特征的关注。自注意力权重模块为每个样本重新分配权重,以此捕获样本重要性进行加权损失;排序正则化模块则将这些权重按降序重新排序,分为高低2组权重,同时通过在2组平均权重之间强制执行边距进行正则化处理。所提方法在大鼠神经元形态数据集上进行实验,实现了较为优良的分类效果,在Img-raw、Img-resample和Img-XYalign数据集上进行十二分类的准确率分别达到了96.7%,86.94%,85.84%。与其他分类方法相比,所提方法具有更高的神经元形态分类准确率,相较于基础网络ResNet18,有效地提升了神经元形态分类准确率。

基于深度卷积特征重构的井漏事故预测

面向海上石油钻井井漏事故预测需求,以中国海油乐东10-1油田监测数据构建样本,利用ReliefF算法提取事故关键参量,并计算滑窗内积获取时序特征矩阵,以突出表达事故时序变化及关联耦合特征。设计并搭建深度卷积特征重构网络,训练学习正常钻井的特征表达规律,在测试阶段基于网络模型的特征重构误差捕捉事故前的征兆异常,实现井漏事故预测。结合钻井实际工程需求,研究并定义事故预测准确率和虚警密度指标评价算法结果,实验验证表明所提方法对井漏事故的预测准确率为75%,且虚警率低,表现优于自动编码器等常规算法,可为海上石油事故预警应用提供技术支撑,指导钻井作业安全生产。

半监督特征重构的无约束条件下人脸表情识别方法

针对无约束条件下人脸表情数据的标签不足问题,本文提出了半监督特征重构的人脸表情识别方法。首先,构建了多头卷积神经网络,每个卷积头倾向于提取不同的特征,以丰富特征多样性;其次,使用五官关键点坐标构建结果用于提取局部特征的关键特征分支;再次,构建了自训练重采样模块,利用少数类的高精度预测补充标签数量;最后,使用一致性正则损失和伪标签方法学习无标签数据。分别在包含400个标签的RAF-DB和FERPlus数据集和包含250个标签的CIFAR-10数据集上进行测试,实验结果表明,所提方法的识别率分别达到68.88%、77.38%和95.75%,方法优于经典的半监督学习方法。

基于A3C的特征重构工艺路线规划方法

针对柔性加工系统中零件发生特征重构的工艺路线规划问题,结合异步优势演员-评论家(A3C)算法的并行、异步、响应速度快以及决策经验可复用性、可扩展性的特点,提出了基于A3C算法的特征重构工艺路线规划方法。在零件发生特征重构的背景下,基于马尔可夫决策过程定义了状态、动作空间和奖励函数。针对A3C智能体在选取机床、刀具和进刀方向时可能会陷入局部最优,提出了随机贪婪策略,以扩大解的空间、提高解的质量,且为了避免A3C智能体在零件发生特征重构时陷入大量的试错中,提出了快失败策略,以加快智能体规避特征约束的能力,提高响应速度。仿真实验证明,所提方法能有效解决零件发生特征重构的工艺路线规划问题,且相比基于遗传、蚁群和模拟退火算法的工艺路线规划方法,所提方法在零件发生特征重构时响应速度更快,解的质量更高。

基于结构光的空间大目标特征重构与位姿测量

针对因缺少空间非合作大目标的全局特征而难以实现相对位姿测量的问题,提出利用点状光源与单目光学相机组成点结构光视觉测量系统进行特征重构与位姿测量的方法。以非合作大目标上尺寸未知的局部矩形特征为测量对象,首先建立点结构光视觉测量系统相对位姿测量模型;接着利用相对约束关系给出特征重构方法并获得隐性特征点;然后利用特征点计算测量系统与非合作大目标之间的相对转移矩阵得到相对位置和姿态。通过数字仿真校验该方法的有效性并对测量误差因素进行分析,仿真结果表明该测量方法是有效的。

基于特征重构的辅助风格设计技术

研究了与风格创新设计系统实现相关的用户需求识别、风格数据库构造与检索以及特征组件置换与重构技术.以形式文法的方式描述了用户风格创新需求的精确结构,定义了需求识别向量并给出了用户需求识别算法.描述了风格数据库的结构并给出了风格数据库的实体关系模型.在此基础上,着重探讨了基于组件继承与置换的特征重构技术,提出了最大化特征重构策略并给出了一种组件置换算法.最后通过构造原型系统进行了用户需求识别实验以及风格特征重构实验,对所提出的理论、策略和算法等进行了验证分析.

场面信道特征重构的非视距多点定位性能研究

任何有关非视距(Non-Line-of-Sight,NLOS)的先验信息知识都可显著提高定位精度.基于国内某机场场面实际NLOS环境,借鉴移动通信和航空信道研究成果,建立了一种基于已知先验信息的、低空场面信道传输特征重构的多点定位信道模型.推导了入射波在高斯分布下的多普勒功率谱的解析式,得到信道中相对运动产生的频率扩散情况.对比了信道相关系数的实际值和理论值,来描述所建立信道的相关性.分析了不同天线配置下的信道容量,和先验知识比较对所建立的信道进行评估.仿真结果表明,所建立信道能够准确地描述出机场场面NLOS环境的特征,可用于多点定位系统设计和时间差定位算法的研究.

异构三维CAD模型制造特征重构技术研究

针对异构CAD/CAPP/CAM系统的特征集成,提出一种异构三维CAD模型制造特征重构过程:确定基本形状特征分类,在此基础上构造设计特征库和制造特征库;通过基于产品数据交换标准(STEP)的特征识别技术实现异构三维CAD模型设计特征提取,并采用基于参数化二维图素多态耦合的特征识别方法,提高特征识别系统的代码重用性;运用成组技术建立制造特征族后,通过特征映射实现制造特征重构。

深度特征重构与权重分配的交通标志识别算法

针对目前基于深度学习的交通标志识别方法在空间不变性以及深度有效特征利用率不足等方面存在的问题,提出了一种基于特征重构与权重分配的交通标志识别算法.首先,将交通标志输入预处理空间变换网络,获得具有空间不变性的图像;然后,压缩卷积特征,提取全局特征信息,得到不同通道特征对网络识别交通标志的贡献率,多层全连接学习深度特征重要性,引入缩放参数r,减少网络参数计算,并分配深度特征权重,完成特征重构;最后,确定阶段特征中卷积特征需要重构的位置,完成3个阶段特征的重标定.在公开的德国交通标志数据集(GTSRB)上进行实验,对43类12630张交通标志测试集,识别率可达到99. 32%.

面向实体边界模型的设计特征重构

实体模型只提供产品低层次的几何信息而不具备高层次的特征信息,导致模型的修改十分困难,因此需要从实体模型中重构设计特征将实体模型转换为特征模型.利用分割环查找算法识别出零件模型中的布尔分割环,构建分割环关系图,根据分割环关系图识别模型中的设计特征构建零件的特征模型.最后对该方法的有效性予以验证.

基于特征重构的类圆形密集嘴棒精确计数

类圆形颗粒计数问题是工业生产过程中提高自动化水平的一个瓶颈,开发准确率高、实时性高、鲁棒性好的自动在线计数设备具有重大意义。以嘴棒计数为研究对象,基于特征重构的算法,实现在线实时非接触式的密集嘴棒精确计数。通过面阵相机采集已装箱的密集棒材俯视图作为计数对象,首先通过形态学算法提取棒材角点信息;其次结合棒材尺度信息,并采用归一化能量特征重构棒材区域特征;然后采用最大稳定极值区域算法准确分割出孤立的棒材区域,再根据该区域实现了棒材精确计数。该方法能有效应对密集棒材图像的亮度不均,对棒材形变鲁棒性好。实际测试验证了所提方法的可行性,在50 ms时间内能精确计数图像中的数千只棒材,平均计数准确率可达99.95%。

基于特征重构CycleGAN的红外遥感图像生成

本文提出一种基于特征重构CycleGAN数据生成算法。对CycleGAN网络添加特征重构损失,使得可见光图像在风格、内容、特征方面生成近似符合红外数据特性的图像。该方法可以通过可见光图像与红外图像的互相迁移的生成学习,达到一种以可见光图像生成红外图像数据的作用,有效解决红外遥感领域的样本不足问题。实验结果表明,本方法生成的红外图像能够保持较好的特性。

基于矩阵特征重构的深度学习负荷监测方法

为解决负荷特征学习和训练模型难以求解、识别准确率不高的问题,文章提出了一种基于奇异值特征矩阵重构的深度学习非侵入式负荷监测方法,首先利用奇异值分解算法对采集到的混合信号进行负荷分离,并设定奇异值的门限,保留通过门限的左右奇异值矩阵,然后获取处理后的左右奇异值矩阵的克罗内克积,实现信号的特征矩阵重构;将大量典型家电的运行电流数据转换成重构特征矩阵的形式,并使用卷积神经网络模型进行训练,从重构的特征矩阵中提取独立负荷特征,进而建立能够处理重构特征矩阵数据的卷积神经网络模型,并基于该模型提取数据特征,从而达到辨识负荷特征的目的。

多维非线性特征重构与融合的复杂产品工期预测方法

制造企业复杂产品零部件种类众多、加工和装配工序复杂,质量、工艺、设备等各类数据呈现多维度、多尺度、多噪声等特点,工期的关键影响特征提取难度大,预测精度难以保证。针对上述问题,提出一种多维非线性特征重构与融合的复杂产品工期预测方法,首先提出基于集成堆栈式自编码器的多维非线性特征重构与融合方法并构建相应模型,建立特征间的复杂关联耦合关系,形成工期关键因素特征池;基于深度学习算法构建多维非线性重构与融合的复杂产品工期预测模型,实现复杂产品工期的准确预测。选取某企业断路器和3D打印产品为对象进行工期预测的应用验证和对比分析,本方法的均方根误差平均值为1.28,平均绝对百分比误差平均值为3.01%,与未进行特征重构融合的方法,以及支持向量机、神经网络等方法相比,在精度方面均有提升,方均根误差至少降低了约10.87%,平均绝对百分比误差至少降低了约7.74%,证明所提方法的有效性和实用性。

特征分块重构的视频行人重识别算法

基于视频的行人重识别是将一段视频轨迹与剪辑后的视频帧进行匹配,从而实现在不同的摄像头下识别同一行人。但由于现实场景的复杂性,采集到的行人轨迹会存在严重的外观丢失和错位,传统的三维卷积将不再适用于视频行人重识别任务。针对这一问题,提出三维特征分块重构模型,利用第一张特征图在水平分块的级别上对后续特征图进行对齐。在保证特征质量的前提下充分挖掘轨迹的时间信息,在特征重构模型后加入三维卷积核,并且将它与现有的三维卷积网络相结合。此外,还引入一种由粗到细的特征分块重构网络,不仅能使模型在两种不同尺度的空间维度上进行特征重构,还能进一步减少计算开销。实验表明,由粗到细的特征分块重构网络在MARS和DukeMTMC⁃VideoReID数据集上取得了良好的结果。

基于2D重构特征的模型化视觉伺服方法研究

针对传统基于图像的视觉伺服在处理摄像机退化等方面存在的不足,研究了融合三维特征与二维特征的图像视觉伺服方法。通过在经典IBVS(Image based visual servoing)控制结构基础上,将二维图像特征重构为三维特征,建立了模型化的3D特征机器人视觉伺服控制模型,并通过Simulink等仿真工具,分析比较了2种方法在图像空间和笛卡尔空间的空间运动特性,试验结果证实了方法的可行性和有效性。

滚动轴承压缩故障信号的特征代理与凸优化重构算法

压缩采样可以有效缓解机械状态监测数据存储和传输的压力,但是压缩数据的感知重构一直是个难点。针对滚动轴承压缩信号的故障特征提取问题,提出一种基于特征代理与凸优化算法的故障信号重构方法。分析了滚动轴承局部故障信号的稀疏和卷积特性,学习得到故障冲击模式。对压缩得到的轴承观测信号,构造包含冲击时刻特征的代理,并对代理建立目标优化函数,采用快速迭代收缩阈值算法(Fast Iterative Shrinkage Threshold Algo⁃rithm,FISTA)直接从代理提取出稀疏系数,将学习模式与稀疏系数卷积重构出故障信号。与直接利用FISTA从压缩信号中提取冲击特征相比,所提方法在不降低求解精度的同时降低了计算复杂度。相比于常用的贪婪类重构算法,所提方法无需预先估计信号的稀疏度,且能得到全局最优解。通过滚动轴承仿真和实验信号进一步验证了所提方法的有效性。