基于改进空间残差收缩网络模型的农作物病虫害识别

为了提高农作物病虫害识别的精度,本文将3D-CNN和2D-CNN与空间残差网络相结合,软阈值化作为非线性层嵌入空间残差网络以消除病虫害图像不重要的图像特征,提出一种基于空间残差收缩网络的农作物病虫害识别模型。与3D-CNN和ResNet相比,基于空间残差收缩网络的农作物病虫害识别模型具有更高的精度和鲁棒性,总体分类精度为99.41%,增强了图像特征与病虫害类别的关系,可以识别多种农作物病虫害图像。

融合先验信息的残差空间注意力人脸超分辨率重建模型

针对公共场所监控图像中低分辨率人脸图像利用现有人脸识别系统识别准确率低的问题,提出了融合先验信息的残差空间注意力人脸超分辨率重建模型,用该模型对低分辨率人脸图像进行预处理后再进行识别可大大提升识别准确率.该模型将面部先验结构信息嵌入到生成对抗网络模型中,再采用残差空间注意力激活算法突出空间位置中携带高频信息的特征,最后使用多阶特征融合算法充分利用不同尺度的特征,防止携带高频信息的人脸特征在网络传播中丢失.实验结果表明,重建出的超分辨率人脸图像具有更多的面部细节特征,大大提高了对低分辨率人脸图像的识别准确率,并且与其他5种模型相比,新模型具有较低的耗时和较少的参数.

基于多尺度残差空间注意力轻量化U-Net的农业害虫检测方法

田间害虫的快速精准检测是作物害虫防治的前提。现有基于卷积神经网络的作物害虫检测方法常包含大量训练参数,难以应用于现实场景中。针对上述难点,提出1种基于多尺度残差空间注意力轻量化U-Net(Multi-scale residual spatial attention lightweight U-Net,简称MSRSALU-Net)的检测方法,并应用于田间害虫检测。MSRSALU-Net由编码模块与解码模块组成。在MSRSALU-Net编码模块中,多尺度残差卷积模块用于提取害虫多尺度信息以缓解害虫尺度变化对检测性能的影响;空间注意力机制模块用于提取特征的全局依赖以缓解复杂背景对检测性能的干扰。此外,使用残差连接路径模块连接MSRSALU-Net的编码模块与解码模块,以更好地传播特征信息。在构建的IP13数据库上进行试验,基于MSRSALU-Net的害虫检测方法的识别精度为95.11%。与基于UNet、注意力UNet、MultiResUNet的害虫检测方法相比,MSRSALU-Net检测精度分别提高11.85%、5.38%、2.41%。模型参数量与U-Net、注意力UNet、MultiResUNet相比,分别减少了25.81%、21.45%、18.39%。结果表明,提出的MSRSALU-Net能有效克服害虫尺度变化、背景复杂等因素干扰,实现害虫的快速精准识别。该方法可为田间作物害虫检测系统提供技术支撑。

基于BP神经网络的河北省降水量空间分布预测研究

基于河北省近年来降水的观测资料,在使用地形、海陆位置、区域植被净初级生产力(Net Primary Productivity,NPP)等环境变量的基础上,构建基于BP神经网络(Back Propagation Neural Network)的降水量预测回归模型,预测生成河北省500 m分辨率的降水量分布图。结果显示:就河北省全省来看,区域年平均降水量为506.72 mm,属半湿润区;BP神经网络驱动的降水量预测模型具有较高的可信度,其验证精度R^(2)达0.82,平均绝对误差(MAE)和均方根误差(RMSE)为55.27、69.47 mm;预测结果显示区域降水量呈现自东部向西北减少趋势,降水量中心位于秦皇岛、唐山,次中心为沧州、衡水;该模型产生的空间误差为随机分布,表明BP模型可作为预测降水量空间分布的有效方法之一。

基于空间多尺度残差网络的红外与可见光图像融合

针对如何充分提取和融合红外与可见光图像典型特征的问题,提出一种基于空间多尺度残差网络的图像融合算法。首先,将源图像输入基于空间多尺度残差模块组成的编码器网络,通过源图像重建任务,训练编码器自动获取重要特征信息的能力;然后,引入特征金字塔结构,设计了特征通道自注意力机制,编码器输出的基础层和细节层进行融合,减小尺度噪声,并由解码器重构出融合图像;最后,利用公开数据集进行定性和定量实验,证明了改进算法在突出红外图像目标和保留可见光图像纹理细节两方面的优势,相比于DDcGAN算法,新算法的标准差和平均梯度分别提升了12.91%和47.41%。

基于灰色预测的空间多点残差修正模型研究

在分析灰色单点预测模型不足的基础之上,综合考虑变形点之间的空间相关性,提出将残差修正应用于空间多点模型,引入空间多点残差修正模型。对黄河小浪底水利枢纽工程B断面沉降监测结果的分析表明,该模型整体模拟与预测相对误差绝对值之和(5个周期)为122%,优于空间多点模型的179%与GM(1,1)模型的284%。同时,短周期数据模拟(5个周期内)相对误差能够控制在20%以内,具有最好的数据拟合精度。

加权PCA残差空间的加速度传感器故障诊断

针对加速度传感器在健康监测系统恶劣工作环境下易发生故障的问题,提出一种基于残差空间主元加权统计量的传感器故障诊断方法。首先,将传感器故障采用故障方向和故障幅度向量来表征,并求取传感器故障在残差空间的投影;其次,通过理论推导得出平方预测误差(squared prediction error,简称SPE)统计量与残差空间主向量中各元素呈平方关系,将各元素作为SPE统计量的非线性加权系数;然后,结合贝叶斯推论,采用加权后的SPE统计量计算累积贡献率,并将其作为传感器故障定位的指标。三跨连续梁数值算例结果表明,传统方法对两类常见的增益和偏差故障诊断率分别为5.45%和3.43%,所提方法的诊断率分别为69.8%和100%,且在两种传感器故障类型下均能准确定位故障传感器;意大利帕尔马Lamberti实桥测试数据的算例表明,所提方法对增益故障的诊断率达到77.58%,且能正确定位发生故障的传感器通道。

采用核主元残差空间分析方法诊断传感器故障

将核主元的高维特征空间分为主元空间和残差空间,提出了1种基于残差空间的故障分离算法,其约简了反映主元空间的分项,使计算量大幅降低。应用该方法诊断传感器故障具有不受残差污染,易于实现等优点。对某600MW机组回热系统测量数据进行分析结果表明,基于核主元残差空间分析传感器的故障诊断方法能够及时诊断出不同类型传感器的故障,即使在多个传感器同时出现故障时,也能够准确诊断出故障,并能够及时地分离出故障传感器。

基于主元分析残差空间的自适应统计方法及其应用

提出一种基于主元分析(PCA)残差空间的自适应统计方法。将原始空间分解为主元空间和残差空间,然后根据残差空间得分变量方差变化趋势,给出由Hotelling’s T^2和欧式距离相结合的自适应统计量T_e^2。将PCA-T_e^2、PCA-Q以及核主元分析(KPCA)-Q等方法应用于田纳西-伊斯曼(TE)过程中,仿真结果表明PCA-T_e^2具有较高的检测性能。

空间计量模型的汽车需求量影响因素探析

本文在对2009年各省份汽车内需量进行空间相关性检验之后,认为各省份的汽车需求量存在空间相互影响因素,因此在考虑空间效应的前提下,以各省的汽车需求量为因变量,以影响需求量的各个因素为自变量,建立空间计量模型SLM和SEM。最后证明一个省份的汽车需求量除了受该省经济、收入和道路建设的影响之外,还受邻省的经济、收入和道路建设的影响。

基于改进Transformer的布料材质识别方法研究

布料材质识别是一个极具挑战性的计算机视觉问题。针对传统识别方法存在的识别周期长、人为因素多、技术壁垒高以及有破坏性等缺点,提出了一种基于改进Transformer的布料材质识别方法,该方法利用输入的布料运动视频,通过布料运动的外观变化识别布料的材质类型。改进的Transformer模型由Transformer块和残差空间缩减块(Residual Spatial Reduction)组成,将Transformer块中的自注意力分解为时间自注意力和空间自注意力来减少计算量和运行时间,将两个残差空间缩减块添加进Transformer模型中来减少空间冗余信息和提高布料材质识别的准确率。此外,使用预训练的图像模型对视频模型初始化,可以在减少计算量的同时保持模型的高性能。在布料运动数据集上的实验结果表明,本文方法对12种不同布料材质视频的材质种类识别的准确率达到82.3%,相比其他方法,该方法的识别精度更高。

多分支精简双线性池化的人脸表情识别

针对人脸表情识别研究中特征提取不充分、难以辨别人脸表情细微的类间差异等问题,提出了一种多分支精简双线池性化的人脸表情识别方法。该方法以ResNet-18为基础,在避免大幅度增加计算复杂度的前提下提升ResNet-18的特征提取能力,提出了一个新的多样化分支块(diverse branch block)对ResNet-18进行改进;为使改进后的ResNet-18更方便地聚焦人脸图像中产生表情区域的特征,提出了残差空间注意力;为了减少人脸表情细微的类间差异带来的不利影响,增强人脸表情类间的区别性,设计了多分支精简双线性池化结构。最后用所提的方法分别在公开的人脸表情数据集CK+、RAF-DB进行实验,识别率分别达到了98.46%、82.99%。实验结果表明,该方法的识别率优于DLP-CNN、MA、DeepExp3D等诸多的表情识别方法,具有一定的竞争性。

4种遥感数据时空融合模型生成高分辨率归一化植被指数的对比分析

【目的】针对时空融合方法在遥感植被状况调查及动态变化监测中的应用,比对时空自适应反射率融合模型(STARFM)、增强型时空自适应反射率融合模型(ESTARFM)、回归拟合空间滤波和残差补偿模型(Fit-FC)和规则集回归树融合模型(RPRTM)等4种时空融合模型对归一化植被指数(NDVI)的融合效果。【方法】以三江源地区2块具有差异性地表特征的区域为研究样地,采用上述4种时空融合方法,融合空间分辨率30 m的Landsat 8影像和250 m时间步长16 d的MODIS NDVI数据,生成步长为16 d的30 m空间分辨率的NDVI数据。基于Landsat NDVI影像通过定性的目视判别和定量的统计分析来评价不同融合模型结果的空间特征模拟效果,并以真实的MODIS NDVI时间动态为参考,分析了不同融合方法对地表植被动态特征的拟合效果。【结果】(1)关于空间特征的捕捉,在地表覆盖状况较复杂的区域,RPRTM融合效果最佳(R2=0.82);而对于输入影像差异较大的区域,ESTARFM融合效果最佳(R2=0.95)。(2)关于时间动态的捕捉,RPRTM针对不同的植被型均取得了最佳效果(R2为0.97~0.99)。(3)相对于模型输入数据的时空可比性,地表异质性对STARFM和ESTARFM融合效果的影响更大。【结论】4种时空融合模型能有效用于生成高时空分辨率的NDVI数据,不同模型其融合效果各有不同,RPRTM在复杂地表区域与模拟植被生长动态变化中均有较好表现。

基于故障重构的PCA模型主元数的确定

基于故障重构理论研究了PCA模型主元数的确定方法,应用累积方差贡献率以及复相关系数对主元模型性能进行分析·在基于PCA理论进行故障诊断中,故障变量可根据故障的方向向量进行重构,未重构方差(VRE)可分别投影于主元子空间(PCS)和残差子空间(RS)·确定最优重构是使两空间的VRE之和达到最小,与此相对应的主元数即为最优主元数(PCs)·应用累积方差贡献率以及复相关系数对主元模型性能进行评价,结果表明确定的PCA模型PCs保证了PCS中的信息存量·对于工业PVC聚合反应过程的故障诊断说明了上述方法的合理性与有效性·

基于PCA的故障传感器重构的理论研究

本文基于 PCA(Principal componentanalysis)理论对故障传感器进行重构。首先将数据分别投影于主元子空间和残差子空间 ,然后定义故障的方向向量 ;因为过程变量间具有的强相关性 。

三维复杂速度模型中地震的快速精确定位

讨论了全局选择震源初始位置下的矩阵反演求取全局解的问题.与流行的全局优化搜寻直接定位方法相比,该反演算法是一种行之有效的定位方法,具有定位精度高、计算时间少以及对噪声数据不敏感等特点.其突出的优点是在不增加计算难度和计算时间的前提下,用矩阵反演的方法确保得到全局最小值解,可适应于地震早期预警,海啸早期预警,以及大震速报等实际工作.

基于迭代PCA的油田传感器故障检测与隔离

针对油田采油现场采集的传感器数据本身存在不规律动态特性,使得传统的主元分析(PCA)故障检测方法在实际应用中准确度较低、容易出现误报的问题,采用一种迭代PCA模型方法,即累积数据达到一定长度之后对PCA模型进行迭代更新,可以有效地减小误报的发生.检测出故障后,利用故障数据和残差向量的映射向量定义一个传感器故障指数,可以实现故障隔离.仿真实验表明,与传统的PCA方法相比,本文所采用的更新PCA模型的迭代方法能更好地适用于数据具有动态特性的油田传感器故障检测;通过对传感器故障指数的计算可以准确地实现故障隔离.实验表明,本文用的传感器故障检测与隔离方法可以很好地应用在实际系统中.

滚动轴承的状态监测与性能退化评估

提出一种基于规范变量分析的滚动轴承性能退化评估方法,用于解决轴承的健康监测与故障预防问题.首先,从健康状态的轴承振动数据中提取有效特征指标,建立参考模型,确定安全阈值;其次,对未知变量的特征指标进行规范变量分析,得到状态空间和残差空间;然后,采用T2和Q统计来分别度量两种空间中信息的变化量,用于反映滚动轴承的退化特性;最后,通过轴承加速寿命测试试验验证了该方法的有效性.与现有方法相比,该方法对滚动轴承的退化趋势更加敏感.

基于故障重构的PCA模型主元数确定方法的研究

基于故障传感器测量数据的重构知识,研究了确定PCA模型主元数的方法,即求取最优主元个数.该方法利用传感器数据本身所具有的高度相关性,通过定义未重构误差方差,并使其在故障重构过程中达到最小,从而更加合理地计算出主元个数,并且大大减少了以往方法中人为因素的影响.通过在化工过程中的仿真分析,所得结果与累计方差贡献率方法所得结果相比较,具有一致性.

基于上下文门卷积的盲图像修复

目前基于深度学习的图像修复方法已经取得较大地进展,其方法均是基于输入的掩模对图像的退化区域进行修复。基于此,提出了由掩模预测网络和图像修复网络组成的2阶段盲图像修复网络。整个修复过程无需输入掩模,掩模预测网络可以根据输入图像自动检测图像退化区域并生成掩模,图像修复网络根据预测掩模对输入图像的缺失部分进行修复。为了更好地利用全局上下文信息,基于上下文门卷积设计了一个上下文门残差块(CGRB)模块来提取特征信息。另外,还提出了空间注意力残差块(SARB)对远距离图像像素的关系进行建模,过滤了一些无关的细节信息。在CelebA-HQ,FFHQ和PairsStreet数据集上的大量实验结果表明,该改进算法优于其他对比方法,且能生成令人信服的图像。