基于自适应速度趋势函数的约束层速度反演方法

论文研究了复杂构造区初始层速度约束反演问题。首先得出初始层速度模型的精度对偏移速度建模的质量和迭代稳定尤为重要,常规方法在构造复杂区使初始速度模型产生的误差易导致最终偏移速度模型地质意义失真、真实构造特征掩盖等问题。提升初始速度模型与地下地质特征的匹配和精度成为关键。基于此,论文提出了基于自适应速度趋势函数的约束层速度反演方法。在常规方法的基础上,利用复相关法在时间域剖面上获得地质构造的连续性与变化,并将其作为构造响应算子形成针对性的影响域和权重融入速度趋势函数中,使该函数自适应地质构造特征,提升初始速度模型的精度。再通过对基准速度和速度趋势对深度的梯度进行样条拟合,构建趋势函数的全局高频异常约束,有效预防在构造突变区产生异常高频,进一步增强算法的稳健和可靠性。理论模型和实际数据的测试,验证了本文方法的有效性,反演得到的层速度模型更符合地质规律,并能更好地解决构造复杂区层速度模型的连续性问题,有利于提高复杂构造叠前深度偏移成像精度。

基于双流自适应时空增强图卷积网络的手语识别

针对提取手语特征过程中出现的信息表征能力差、信息不完整问题,设计了一种双流自适应时空增强图卷积网络(two-stream adaptive enhanced spatial temporal graph convolutional network,TAEST-GCN)实现基于孤立词的手语识别。该网络使用人体身体、手部和面部节点作为输入,构造基于人体关节和骨骼的双流结构。通过自适应时空图卷积模块生成不同部位之间的连接,并充分利用其中的位置和方向信息。同时采用残差连接方式设计自适应多尺度时空注意力模块,进一步增强该网络在空域和时域的卷积能力。将双流网络提取到的有效特征进行加权融合,可以分类输出手语词汇。最后在公开的中文手语孤立词数据集上进行实验,在100类词汇和500类词汇分类任务中准确率达到了95.57%和89.62%。

鲁棒参数自适应微振动控制算法

递推最小二乘(Recursive Least Squares,RLS)算法因其简单、快速的特点,在微振动自适应控制领域被广泛应用。由于微振动主动控制系统中扰动环境的特殊性及复杂性,需要重点考虑微振动控制中所采用的参数自适应算法在参数估计过程中的鲁棒性。针对多输入多输出(Multiple Input Multiple Output,MIMO)微振动主动控制系统,基于无限冲激响应(Infinite Impulse Response,IIR)滤波器,提出一种结合死区和归一化的MIMO鲁棒参数自适应算法,并给出其详细的算法推导与收敛性分析。在此基础上,通过构建三自由度微振动主动振动控制实验系统,针对单频窄带扰动、双频窄带扰动展开了对比实验分析,相关的实验结果验证了所提出鲁棒参数自适应算法的可行性和鲁棒性。

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。

面向节点分类任务的节点级自适应图卷积神经网络

图神经网络通过对图中节点的递归采样与聚合以学习节点嵌入,而现有方法中节点采样与聚合的模式较固定,对局部模式的多样性捕获存在不足,从而降低模型性能.因此,文中提出节点级自适应图卷积神经网络(Node-Level Adaptive Graph Convolutional Neural Network,NA-GCN).设计基于节点重要性的采样策略,自适应地确定各节点的邻域规模.同时,提出基于自注意力机制的聚合策略,自适应地融合给定邻域内的节点信息.在多个基准图数据集上的实验表明,NA-GCN在节点分类任务上具有较优性能.

自适应时域参数MPC的智能车辆轨迹跟踪控制

为了解决智能车辆在低附着路面下主动转向跟踪控制的稳定性和控制精度问题,提出了一种基于自适应时域参数的智能车辆轨迹跟踪控制策略。基于车辆动力学模型和模型预测控制算法(MPC)建立线性时变MPC控制器,并加入包括轮胎侧偏角约束、质心侧偏角约束以及前轮转角约束的动力学约束,求解出最优前轮转向角。分析控制器中的时域参数对控制效果的影响,设计了一种自适应时域参数控制器,能够根据获取的车辆速度,将求解得到最优的预测时域和控制时域参数输入到控制器,提高控制器在不同速度下的控制精度和稳定性。通过搭建MATLAB/SimuLink与CarSim联合仿真平台,在低附着路面情况下对固定时域控制器和自适应时域控制器进行对比仿真实验。结果表明:自适应时域控制器能够有效改善控制器的性能、减少横向偏差、提高轨迹跟踪控制精度,同时对不同速度也具有较强的适应性,车辆质心侧偏角也控制在0°~15°内,有效保证了车辆行驶的稳定性。

基于一致性图的权重自适应多视角谱聚类算法

随着移动设备和互联网的普及,多视角数据的采集和分享变得更加容易,其可以从多个视角更准确地描述数据。目前,一些多视角聚类算法忽略了不同视角间的一致性潜在知识和不同视角的重要性。针对该问题,提出一种平衡视角间一致性信息的多视角聚类算法。首先通过调节视角权重学习视角间一致的共享相似度矩阵,提升共享矩阵的一致性,其中相关性强的视角具有的一致性信息更多,视角权重越大,在一致性学习中发挥的作用越大,而差异性大的视角其权重越小,在学习中发挥的作用越小。其次学习视角间的一致性样本嵌入以及不同视角的特征嵌入,并将特征嵌入中包含的多样性特征信息迁移到样本嵌入中,以此促进样本嵌入的一致性表达。在不同视角特征中包含多样性信息,可补充上述共享相似度矩阵学习中单一样本关系的不足。因此,采用二部图协同聚类,通过建立样本数据、样本嵌入和特征嵌入的关系图,学习样本的特征嵌入,并将其迁移到样本嵌入中。最后将图学习、谱聚类和特征嵌入学习整合到统一的框架中进行联合优化,得到最优的样本嵌入。实验结果表明,通过对样本嵌入进行K-means聚类,将该算法运行于5个真实数据集并与7种聚类算法对比,其中在3-Sources、Yale、MRSCV1数据集上的正确率均高于对比算法5%以上,验证了该算法的有效性。

局部一致性主动学习的源域无关开集域自适应

无监督域自适应在解决训练集(源域)和测试集(目标域)分布不一致的问题上已经取得了一定的成功.在面向低能耗场景和开放动态任务环境时,在资源约束和开放类别出现的情况下,现有的无监督域自适应方法面临着严峻的挑战.源域无关开集域自适应(SF-ODA)旨在将源域模型中的知识迁移到开放类出现的无标签目标域,从而在无源域数据资源的限制下辨别公共类和检测开放类.现有的源域无关开集域自适应的方法聚焦于设计准确检测开放类别的源域模型或增改模型的结构.但是,这些方法不仅需要额外的存储空间和训练开销,而且在严格的隐私保护场景下难以实现.提出了一个更加实际的场景:主动学习的源域无关开集域自适应(ASF-ODA),目标是基于一个普通训练的源域模型和少量专家标注的有价值的目标域样本来实现鲁棒的迁移.为了达成此目标,提出了局部一致性主动学习(LCAL)算法.首先,利用目标域中局部特征标签一致的特点,LCAL设计了一种新的主动选择方法:局部多样性选择,来挑选更有价值的阈值模糊样本来促进开放类和公共类分离.接着,LCAL基于信息熵初步筛选出潜在的公共类集合和开放类集合,并利用第一步得到的主动标注样本对这两个集合进行匹配纠正,得到两个对应的可信集合.最后,LCAL引入开集损失和信息最大化损失来进一步促使公共类和开放类分离,引入交叉熵损失来实现公共类的辨别.在Office-31、Office-Home和VisDA-C这3个公开的基准数据集上的大量实验表明:在少量有价值的目标域样本的帮助下,LCAL不仅显著优于现有的源域无关开集域自适应方法,还大幅度超过了现有的主动学习方法的表现,在某些迁移任务上可以提升20%.

基于自适应融合的实时车辆检测

针对传统的车辆检测技术检测速度慢和精度低的问题,提出了一种融合注意力的自适应金字塔网络的交通目标检测算法(fusion attentiont adaptive pyramid network,FAAP-Net),可以显著降低交通事故的发生率。为了降低计算复杂度,设计了一种轻量级的互补池化结构(CPS),该结构在宽度和高度上采用了两组不同的池化组合,在保持高精度的同时,显著降低了网络的浮点运算数(GFLOPs)和参数量。为了解决智能交通系统特征图生成过程中的信息损失问题,通过将自适应注意力模块(AAM)和特征增强模块(FEM)引入自适应融合特征金字塔网络(AF-FPN),以融入车辆检测的形状特征。针对车辆细节特征表征弱的问题,引入了一种按通道维度分组的注意力(SA)机制,以增强主干网络对不同车辆检测细节特征的关注,有效提取车辆细节的显著特征。在BDD100K数据集上的实验结果表明,FAAP-Net算法相比于传统算法,平均精度从30.3%提升到43.7%。

基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。

基于改进自适应陷波的双馈风电场时变次同步振荡抑制策略

双馈风电场经串补电容并网时,可能引发次同步控制相互作用(subsynchronous control interaction,SSCI),严重威胁系统安全稳定运行。通过在风机控制器中引入陷波器可有效阻断SSCI,然而固定参数陷波器难以适应实际系统中次同步振荡表现出的频率大范围时变特征。为解决这一问题,该文提出一种基于改进自适应陷波(adaptive notch filter,ANF)的双馈风电场时变次同步振荡抑制策略。首先,分析ANF安装于风机转子侧变流器(rotor-side converter,RSC)不同位置时对次同步振荡分量的阻断效果,确定ANF的最佳安装位置;其次,基于紧缩技术近似投影子空间跟踪算法(projection approximation subspace tracking based on the deflation technique,PASTd)在线获取次同步振荡信息,提出总体控制架构,设计基于量测数据辨识的ANF中心频率更新策略;最终,在考虑风速、风机台数、无功出力、电网拓扑变化等多种影响因素的情况下,验证控制策略对频率时变次同步振荡的抑制效果。与现有方法相比,所提控制策略不依赖于系统的准确数学模型,且具备较强的鲁棒性和适应性。

一种自适应强制进化随机游走算法应用于换热网络综合

RWCE(强制进化随机游走)算法应用于系统热集成时,最大步长既影响当前可行搜索域的范围,又影响整型变量的进化,固定参数设置降低了更优解产生的几率。因此提出一种融合自适应步长和自适应反向学习策略的RWCE算法。建立随机动态步长,在导向参数牵引下自动激励有利步长值持续进化;在此基础上,建立自适应反向学习策略改变个体进化路径,使算法在优化的不同阶段能够自动搜索最佳步长,并挖掘尽可能多的结构,充分发挥算法全局搜索和局部开发能力。最后研究并计算H6C10、H10C10、H13C73个典型中大规模算例,结果表明该方法能够进一步提升算法的寻优能力。

采用社会约束自适应动态窗口法的服务机器人路径规划

针对传统动态窗口法在行人密集环境下动态路径规划存在灵活性差、效率低、安全性缺乏等问题,提出一种社会交互空间下基于社会约束自适应动态窗口法(social_DWA),并采用其解决服务机器人局部路径规划问题。首先,采用非对称高斯公式对单行人以及多人群组交互空间进行模型化描述;其次,在传统动态窗口法的基础上,采用动态行人方位角约束对动态行人进行避让;改进距离评价函数,分类决策与行人、多人群组、一般障碍物的安全距离;最后,提出速度权重自适应调整策略,优化服务机器人在途经不同密集度社会交互区域时的移动速度。为验证算法有效性,在两种模拟社会场景下,先后开展了social_DWA算法与传统DWA算法、FIDWA算法的路径规划仿真对比实验。结果表明:采用social_DWA算法所消耗的运动时间在场景1中较传统DWA和FIDWA算法分别缩短了1.53、0.43 s,在场景2中较传统DWA和FIDWA算法分别缩短了26.3、2.86 s;相较于传统DWA算法和FIDWA算法,social_DWA算法能保持有效的行人安全距离,并使运行轨迹更加合理。social_DWA算法在行人避让、环境适应能力等方面具有一定的优越性。

无参数自适应罚函数的高效代理模型优化设计方法

在飞行器气动外形优化设计中,复杂约束条件导致设计空间可行域呈现不连续的特征,且理想解大多靠近约束边界,传统高效代理模型方法难以适用。研究了参考点对优化设计的影响,提出了一种考虑约束的参考点选择机制;对于最优解靠近边界的问题,罚函数法更加有效,但惩罚因子的设置对于罚函数方法影响很大,不合适的惩罚因子反而会损害优化效率,分析了优化过程中罚函数方法对惩罚因子的要求,提出了一种无参数自适应罚函数的代理模优化设计方法,引入基于样本分析的惩罚项,结合归一化目标值和约束值,在优化过程中动态调整惩罚因子,使优化能够尽可能地聚焦于可行域内,迅速收敛到最优解,实现样本的高效配置。通过带约束的函数算例和翼型优化算例证实,所提方法可以大幅提高飞行器气动外形优化设计效率。

多变运行工况下混合励磁轴向磁场永磁电机自适应模型预测电流控制

针对多变运行工况下混合励磁轴向磁场永磁(hybrid excited axial field permanent magnet,HE-AFPM)电机中电励磁磁场与电枢磁场之间矢量耦合、端部漏磁等导致的电机参数非线性变化问题,该文提出一种混合励磁轴向磁场永磁电机自适应模型预测电流控制方法。详细分析HE-AFPM电机拓扑结构及参数变化特性;引入多矢量模型预测电流控制,理论推导分析HE-AFPM电机参数对控制系统的敏感性。在此基础上,将多矢量预测模型作为自适应控制的可调模型,降低了控制算法的复杂度和控制系统的计算负荷,提高了控制系统响应速度;依据波波夫(Popov)超稳定理论,引入3个不等式稳定判据设计各参数的自适应律,可实现多变运行工况下的HE-AFPM电机磁链、自感、互感等参数的有效识别,提高了控制模型的准确性和电流跟踪性能。最后,通过实验验证所提出的自适应模型预测电流控制的有效性。

全景视频基于块的视口自适应传输方案综述

全景视频由于独特的沉浸式、交互式体验受到广泛关注。全景视频传输所需的高带宽、低时延给现有网络传输系统带来了挑战。基于tile(块)的视口自适应传输可以有效缓解全景视频所带来的传输压力,成为当前的主流方案和研究热点。通过分析基于tile的视口自适应传输方案的研究现状和发展趋势,对该传输方案的两个重要模块,即视口预测与码率分配进行论述,从不同视角归纳总结相关领域的方法。首先,基于全景视频传输框架对相关技术进行阐明;其次,从主、客观两个维度分别介绍评估传输系统性能的用户体验质量的指标;再后,分别从视口预测、码率分配两方面进行归纳,系统梳理经典的研究方法;最后,基于当前研究现状讨论全景视频传输的未来发展趋势。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

自适应光学视觉模拟器测量波前像差的重复性及与OPD-Scan Ⅲ的一致性研究

目的:评价自适应光学视觉模拟器(VAO)测量全眼高阶像差的重复性及与OPD-ScanⅢ测量全眼高阶像差的一致性。方法:采用横断面研究方法。纳入2023-08/09在成都东区爱尔眼科医院屈光科就诊的近视患者204例204眼(均取右眼数据)。由同一位操作熟练的检查者分别使用两种设备进行检查,使用VAO测量4.5 mm瞳孔直径下3-6阶的高阶像差,VAO和OPD-ScanⅢ测量3-6 mm瞳孔直径下全眼总高阶像差(tHOA)、球差(SA)、彗差(Coma)和三叶草像差(Trefoil),评估VAO测量全眼像差的重复性及两种设备的一致性。结果:VAO测量全眼的高阶像差均显示较高的重复性(0.767≤ICC≤0.941、Sw<0.01μm、TRT<0.1μm)。4-6 mm瞳孔直径下VAO与OPD-ScanⅢ的Coma测量值无差异(P>0.05),其余瞳孔直径下全眼总高阶像差的测量值均有差异(均P<0.05)。VAO与OPD-ScanⅢ的3 mm瞳孔直径下各阶像差以及4、5 mm瞳孔直径下的SA、4 mm瞳孔直径下的Coma测量值的95%LoA<0.1,显示一致性较好,其余瞳孔直径下的像差测量值的95%LoA>0.1,显示一致性较差,两种设备3 mm(r=0.218-0.317,P<0.01)、4 mm(r=0.406-0.672,P<0.01)、5 mm(r=0.538-0.839,P<0.01;r=0.030-0.109,P>0.01)以及6 mm(r=0.369-0.766,P<0.01)瞳孔直径下高阶像差测量值差异较大。结论:VAO测量3-6 mm瞳孔直径下全眼高阶像差结果时具有良好的重复性,但VAO与OPD-ScanⅢ的3-6 mm瞳孔直径下的全眼高阶像差测量值存在差异性,一致性较差,临床应用不可互换。

基于自适应字典校正的稀疏恢复STAP算法

空时自适应处理(Space-Time Adaptive Processing,STAP)技术在时间维(脉冲维)和空间维(阵元维)联合进行信号处理,以实现动目标检测功能。但是,传统STAP技术的计算复杂度非常高,而且在优化处理信号过程中需要大样本的支撑,在实际的工作场景中,杂波环境复杂易变,不易获取足够多的独立同分布样本,因此杂波抑制效果较差。稀疏恢复空时自适应处理(Sparse Recovery Space-Time Adaptive Processing,SR-STAP)算法可以利用很少的训练样本实现杂波抑制,但大多数SR-STAP算法的计算量巨大,运行速度慢,算法实时性不高。此外,SRSTAP算法需要对连续空时二维平面进行离散化处理,将空时二维平面划分为很多细小的网格,由于真实的杂波在空时平面上是连续分布的,同时考虑雷达接收信号中噪声、系统参数误差等因素的影响,真实杂波点与离散化网格点之间一定存在着偏差,会造成网格失配现象,导致SR-STAP算法杂波抑制性能下降。针对此问题,本文提出了基于自适应字典校正的稀疏恢复STAP算法。该算法首先通过子空间投影法筛选出与杂波最相关的原子;然后围绕选定原子由粗到细进行自适应局部网格划分,按照局部网格迭代选优准则,不断调整选择局域内的最优原子,直到满足迭代终止条件,以匹配真实的杂波点;最后利用选定的最优原子对应的空时导向矢量构造杂波子空间,更新噪声子空间上与杂波子空间正交的投影矩阵得到STAP权值。仿真实验表明,所提算法与传统SR-STAP算法相比,具有更高的稀疏恢复精度,更快的运行速度,改善了STAP性能。

基于改进自适应滤波的MEMS陀螺振动误差抑制研究

本文提出一种基于改进自适应滤波的MEMS陀螺随机振动误差的补偿算法。该算法采用简化Sage-Husa自适应滤波算法估计量测噪声,并通过协方差匹配技术引入收敛性判据抑制了滤波的发散,它提高了实时性且减少了计算量。实验结果表明:经过改进算法滤波后,MEMS陀螺随机振动误差的方差减少97.76%,与常规卡尔曼滤波相比,改进算法的方差减少了72.66%,验证了改进的自适应卡尔曼滤波算法可以有效地抑制MEMS陀螺因随机振动引起的输出误差。