基于自适应加权融合算法的大空间火灾智能识别方法

大空间消防系统需要的探测器种类多、数量大,且采集数据易受环境干扰,进而使得火灾的识别难度大,精度低。为解决这一智慧消防系统的关键问题和难题,本文提出一种基于自适应加权融合算法的智能识别算法。在此基础上,以演播厅大型空间为例,进行探测器阵列布局与防火设计,并实现对明火和阴燃类火灾的智能化识别。

融合加窗和自适应加权引导滤波改进的Canny算法

针对Canny算法滤波过程中图像细节部分缺失和无法有效去除噪声,并且无法动态识别图像边缘的问题,提出一种融合加窗和自适应加权引导滤波的Canny算法。该算法对Canny算法做出两点改进:一是使用加窗滤波器对图像进行处理,有效滤除噪声,然后对图像进行数学形态学滤波处理,有效增强图像边缘;二是引入分段权值模型对引导滤波算法的正则化参数自适应修正,使其能够根据梯度信息区分边缘和非边缘,从而达到动态识别图像边缘的效果。相比传统Canny算法,改进算法处理后的信噪比提高了1.05~5.22 dB,品质因数提高了0.16~0.35。实验结果表明:改进算法能有效滤除椒盐噪声,识别出比较清晰和完整的边缘。

深度域自适应加权多模态多任务学习声阻抗反演

以往基于深度学习的叠后地震声阻抗反演通常仅限于利用单道地震数据,当地震数据中存在较强噪声或地下介质横向变化较大时反演结果中会面临横向连续性差和层位区分不清晰的问题.本文提出了一种深度域自适应加权多模态多任务学习声阻抗反演方法,采用GPU加速运算,在阻抗剖面的估计过程中加入井位置附近的空间背景信息,并在数据输入端加入初始阻抗模型.构建的网络包括阻抗反演和地震数据重建两个任务,网络训练过程中采用自适应权重调整策略能够同时优化各自输出的损失,实现数据增强,缓解网络的过拟合,提高网络的泛化能力;相比于传统最小二乘阻抗反演方法,该方法反演速度更快.针对井数据偏少的情况,本文引入其他可用训练数据并采用联合学习策略改善反演结果.模型和实际数据测试表明该方法能够在含有噪声的地震数据和测井数据有限的情况下估计深度域声阻抗,反演结果的横向连续性得到了明显的改善.

基于自适应加权非凸正则化和全变分的稀疏SAR成像

针对传统压缩感知(Compressive Sensing, CS)重构算法成像精度低及抗噪性能差等问题,提出了一种基于自适应加权极小极大凹罚函数和全变分的稀疏合成孔径雷达(Synthetic Aperture Imaging Radar, SAR)成像重建方法。首先,将加权思想同非凸函数簇中的极小极大凹罚函数结合,以进一步促进解的稀疏性;然后,与全变分判罚函数线性组合构成复合正则化器,以进一步提高抗噪性能;最后,采用交替方向乘子法求解该成像模型,并在求解过程中使用方位-距离解耦算子替换测量矩阵及其厄米特转置以减少存储空间。仿真与实测数据处理结果表明,所提方法相比于其他算法有更好的聚焦性能和重建精度。

一种基于自适应加权的鲁棒联邦学习算法

联邦学习(Federated Learning,FL)允许多个数据所有者联合训练机器学习模型,而无需他们共享私有训练数据。然而,研究表明,FL容易同时遭受拜占庭攻击和隐私泄露威胁,现有的研究都没有很好地解决这一问题。在联邦学习场景中,保护FL免受拜占庭攻击,同时考虑性能、效率、隐私、攻击者数量、简单可行等问题,是一个极具挑战性的问题。为解决这一问题,基于l 2范数和两次归一化方法提出了一种隐私保护鲁棒联邦学习算法DP-FedAWA。提出的算法不需要训练过程之外的任何假设,并且可以自适应地处理少量和大量的攻击者。无防御设置下选用DP-FedAvg作为比较基线,防御设置下选用Krum和Median作为比较基线。MedMNIST2D数据集上的广泛实验证实了,DP-FedAWA算法是安全的,对恶意客户端具有很好的鲁棒性,在Accuracy,Precision,Recall和F1-Score等性能指标上全面优于现有的Krum和Median算法。

基于鲸鱼优化算法的变分模态分解和改进的自适应加权融合算法的管道泄漏检测与定位方法

针对管道泄漏检测与定位方法存在负压波传播衰减、噪声干扰大、数据融合率低等3种问题,提出了基于鲸鱼优化算法(whale optimization algorithm,WOA)的变分模态分解(variational modal decomposition,VMD)和改进的自适应加权融合算法(improved adaptive weighted fusion,IAWF)的管道泄漏检测与定位方法。该方法提出了三传感器泄漏检测与定位模型,并利用抗干扰能力强的WOA-VMD算法对原始信号进行消噪处理;然后采用小波分析求消噪信号的奇异点,进一步求出压力变送器检测到负压波信号的时间差;在此基础上,利用改进的自适应加权融合算法对多传感器数据进行融合,最终得到泄漏点的实际位置。实验结果表明:该方法可以有效地滤除噪声分量,获得更精确的融合结果,定位精度高,相对定位误差可以控制在1%以内,为管道泄漏检测与定位提供了一种新方法。

自适应加权根多项式回归颜色校正算法研究

针对多项式回归颜色校正方法中的不足,提出一种自适应加权的根多项式回归算法。多项式回归颜色校正过程中需要手动标定色卡色块位置,操作不便且易产生人为误差,本文自主设计了一种带QR码上3个定位标识符的色卡,可实现色卡色块的自动定位;针对多项式回归法的高阶项会放大噪声且对噪声不具有健壮性的问题,本文算法将自适应地调整权重矩阵以减小样本奇异值对拟合性能的影响,再由色差值计算另一个增益系数矩阵,从而提高校正性能。经实验验证,本文算法在CIELab色差值、PSNR两项指标上相较于传统多项式回归方法都有较大提升。其中,传统多项式回归方法平均CIELab色差值高达6.5,且该数值受环境影响较大,而本文算法对不同环境下的图像校正后色差可稳定在3.2以下。

不平衡回归中的自适应加权采样的稀有值预测

现实世界面临的一个问题是如何处理不平衡数据。当目标变量是名义变量时,是经典的不平衡分类问题,目前已有深入研究;而当目标变量是连续变量时,是不平衡回归问题,但鲜有研究。在回归任务中,需要解决的重要问题是如何提高稀有值的预测精度。根据稀有值的稀缺程度提出一种自适应加权采样方法,通过定义相关函数反映目标变量的稀缺性,并依据目标变量稀缺程度对数据点进行赋权,以确定稀有值采样生成的个数,使训练出的模型更偏好于稀有值。实验结果表明,上述方法在这些特定的回归任务中能够提高稀有值预测的精度。

基于自适应加权算法的通信网络安全态势感知数学模型研究

通信网络安全态势感知中态势值不精准,拟合程度差,研究新的基于自适应加权算法的通信网络安全态势感知数学模型。提取态势特征,确定网络系统造成危害的感知,计算损害程度,构建多维态势感知数学模型,训练与测试模型数据,运用动态时间规划算法消除不匹配现象,调整权重变化特征获得最优解,实现通信网络安全态势感知数学模型设计。实验结果表明,本文方法小组态势值精准吻合,拟合效果理想,并且感知响应时间仅为0.9s,可以更加快速地感知通信网络受到的攻击,实现通信网络安全态势感知数据模型的有效运用。

基于自适应加权的多传感器实时数据特征值提取

为实现监测数据的特征值提取,对传感器数据的预处理、时间维及空间维融合方法开展了研究。建立了实时数据融合模型,提出了基于3σ-grubbs检验的异常数据预处理方法,兼顾了异常数据剔除的速度与精度,能很好地消除疏失误差;对单个传感器数据采用分批估计原理进行融合,得到了特征估计值,实现了数据在时间维上的融合;通过对多个传感器的特征估计值采用自适应加权方法进行赋权,实现了数据在空间上的融合,并提出了考虑传感器精度的算法修正。实例计算表明,数据经3σ-grubbs方法处理后方差减小了20%~54%,与传统的算术平均滤波方法相比,分批估计自适应加权融合算法的数据融合方差明显更小,考虑传感器精度后的融合结果更接近高精度传感器值,特征值提取结果更加准确、可靠。

基于自适应加权压缩感知的图像超分辨率重建

压缩感知理论被广泛应用于从少量随机观测中精确地重构原始信号,基于压缩感知理论来实现图像的超分辨率重建,在利用图像的局部稀疏性先验的基础上,采取了以下两项措施:一是通过对图像降质模型的估计,采用K-奇异值分解(Ksingular value decomposition,K-SVD)算法构建过完备字典对,依据同一图像高低分辨率观测在对应字典下稀疏表示系数相似的特点,将字典对所表示的高低分辨率图像间的映射关系带入目标函数中,避免了降采样和模糊算子难以抽象为矩阵形式对求解造成的影响;二是在待超分辨率图像稀疏编码时提出一种自适应加权的梯度投影稀疏重构(adaptive weighting gradient projection for sparse reconstruction,AWGPSR)算法,克服了传统正交匹配追踪(orthogonal matching pursuit,OMP)算法在这一步需要固定稀疏度的缺陷,可获得更加精确的稀疏表示系数。结合得到的稀疏表示系数与高分辨率字典可以重建出图像的高频分量,将重建的高频分量与低频部分融合可以得到最终的图像超分辨率重建结果。实验结果表明,所提算法无论从主观视觉还是客观评价指标上均优于其他相关方法。

基于自适应加权光滑约束与PCG算法的三维电阻率探测反演成像

三维电阻率探测在实际工程中日益受到重视,但存在着深部分辨率低、反演效率低等关键问题,严重制约了三维电阻率探测技术的应用和推广。针对深部分辨率低的问题,提出了一种随三维模型网格尺寸自适应调整的加权光滑约束,改善了深部网格的电阻率差异容许程度,实现了对不同深度网格约束的差异化加权处理,有效的提高了深部反演的分辨率和成像效果。针对反演计算耗时长、效率低的问题,基于预条件共轭梯度法求解快速稳定的优势,提出了三维电阻率快速稳定反演成像算法。在该算法中,将雅可比迭代中的对角阵作为预条件矩阵,其具有求逆方便、无需内存空间的特点,显著加快了收敛速度。最后,利用合成算例和隧道导水裂隙探测的工程实例验证了上述反演方法的可行性与有效性,表明借助于自适应调整加权光滑约束和预条件共轭梯度算法,有效的提高了深部分辨率和计算效率,显著改善了反演效果。

基于自适应加权预测-校正内点法的含VSC-HVDC电力系统最优潮流

加权预测-校正内点法(WPC-IPM)求解含电压源型高压直流输电(VSC-HVDC)的电力系统最优潮流时,迭代中后期校正环节加权会减慢收敛速度。提出一种自适应加权预测-校正内点法(AWPC-IPM),该方法以对偶间隙的变化趋势作为加权与否的判据,对偶间隙增大时加权,以抑制校正方向错误导致的收敛性变差,对偶间隙减小时不加权,以加快收敛。算例仿真结果表明,所提方法既有效抑制了校正方向错误对预测-校正内点法(PC-IPM)的影响,又加快了迭代后期的收敛速度。

基于相似矩阵自适应加权的实景图像相似度计算方法

图像相似度计算是众多视觉任务中不可或缺的关键环节,因此文中提出基于相似矩阵自适应加权的实景图像相似度计算方法.首先将图像划分为均匀图像块,基于卷积神经网络构建各图像块的特征描述符.然后计算各图像块间的相似度,组成相似矩阵.最后分析相似矩阵中的数据分布,确定图像对包含同一场景的概率,根据相似矩阵中的数据差异计算各单元相似度权值,确定整幅图像的相似度.实验表明,相比已有方法,文中方法在图像检索应用中鲁棒性更高,可以有效解决即时定位与地图构建中的闭环检测问题.

基于自适应加权融合的汽车衡故障传感器预估

传统汽车衡任意一路称重传感器发生故障都将导致称重系统失效。提出了一种基于自适应加权融合的汽车衡故障传感器预估方法:根据多路称重传感器输出相关性和相邻传感器输出比值的相关性,建立基于径向基函数神经网络(RBFNN)的故障传感器输出预估网络和传感器输出比值的预估网络,得到两组冗余估计信号,采用自适应加权融合方法完成冗余信号融合,获得故障传感器输出估计值。仿真实验与现场测试表明,采用该方法的故障传感器称重误差小于任何单个预估网络误差和算术平均值融合误差,任一传感器发生故障时的汽车衡整体称重误差≤0.5%,避免了称重系统失效。

多尺度自适应加权形态边缘检测方法

针对常用的多尺度边缘检测方法因卷积运算造成模糊图像边缘 ,提出一种多尺度自适应加权形态边缘检测方法 ,利用大小不同的结构元素提取图像边缘特征 ,在大尺度下抑制噪声 ,可靠地识别边缘 ,在小尺度下定位 ,再由粗到细跟踪边缘 ,得到边缘的位置 ,再由各尺度结构元的抗噪性确定加权值的大小 ,然后加权处理得到最后的边缘结果 .实验表明 ,用多尺度自适应加权形态边缘检测算法可得到较理想的图像边缘 .

一种改进的多无线传感器数据分批估计自适应加权融合算法

为解决温室大棚中多无线传感器监测数据融合精度低的问题,提出了一种改进型的分批估计自适应加权融合算法。算法首先对单个无线温度传感节点一段时间内所采集的数据根据容许函数阈值剔除误差较大的数据,然后对该温度传感器的数据进行分批估计得出该节点某一段时间内的最优估计值,以此得到该区域所有无线温度传感节点最优估计值后,依据权值最优分配原则对每组传感器数据进行组内自适应加权融合,从而计算得到该段时间内温室大棚的温度精确值。通过实验验证得出:相对于平均值法与传统的分批估计算法,本算法数据融合易于实现,融合值相对误差值更低,稳健性更好。

自适应加权局部相位量化的人脸识别

针对局部相位量化(LPQ)方法描述图像特征时不能对各个子图像不同的贡献率加以区分的问题,提出了一种自适应加权局部相位量化(AWLPQ)的人脸识别方法。首先对人脸图像进行分块并在每个子图像上进行LPQ特征提取,然后将信息熵作为衡量各个子图像对整体人脸描述的贡献度的依据,对每个子图像进行自适应加权。在FERET数据库上进行的实验表明AWLPQ具有较好的识别性能。随后针对AWLPQ中存在的高维向量问题,作了进一步分析,引入了近邻保持嵌入(NPE)的流形算法进行降维,提出了AWLPQ-NPE方法。实验结果表明该方法具有很好的鲁棒性和识别性能。

基于自适应加权的船舶多目标协同优化

针对多目标协同优化中存在的耦合严重、计算效率低、难以获得体现设计者偏好的最优解等问题,提出了基于自适应加权的多目标协同优化设计算法,阐述了该方法的基本思想并给出了设计优化流程。该方法密切结合实际工程设计经验,将多目标优化问题转换为反映设计者偏好的综合目标优化问题,采用自适应加权的优化策略建立协同优化模型进行优化,得到了反映设计者偏好的最优解。以Tanaka问题和海洋供应船多学科多目标设计优化为例,证明了该方法可以较好地求解多目标优化问题的折衷非劣解。

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。