基于堆叠自编码器神经网络的复合电磁检测铁磁性双层套管腐蚀缺陷分类识别方法

铁磁性双层套管长期服役于恶劣的工作环境,极易出现腐蚀缺陷,定期为服役中的双层套管进行在线检测十分必要,而对管壁腐蚀缺陷位置的分类识别是管道定量检测与维修的前提和基础,实时准确的套管腐蚀缺陷分类识别能力是决定管道在线检测效率的重要因素。针对这一情况,将脉冲远场涡流和脉冲涡流技术相结合,提出了基于堆叠自编码器神经网络的分类方法。通过仿真和实验选取合适特征量作为输入层,实现了内管外壁腐蚀、外管内壁腐蚀和外管外壁腐蚀的分类,实验整体预判精度可达97.5%,结果表明该方法可对双层套管腐蚀缺陷缺陷实施高效、高精度分类识别。

基于SE-CsiNet的大规模MIMO信道状态信息反馈与重建算法

本文研究了大规模多输入多输出(MIMO)系统FDD模式下行链路信道状态信息(CSI)反馈与重建问题,针对传统基于压缩感知的CSI反馈与重建算法存在的计算复杂度高、对信道稀疏性要求严格等问题,以及现有的基于深度学习的CSI反馈与重建算法存在的性能不足问题,提出了一种基于联合注意力机制神经网络的大规模MIMO信道状态信息反馈与重建算法,基于自编码器神经网络架构提出了一种全新的SE-CsiNet神经网络模型,在译码器网络当中引入联合压缩-激活(SE)注意力机制算法,有效提高神经网络的特征提取能力。结果表明,所提出的算法相较于传统CSI反馈与重建算法及现有的深度学习算法性能更为优异。