基于自适应多尺度注意力机制的CNN-GRU矿用电动机健康状态评估

利用多传感器信息融合技术进行电动机健康状态评估时,矿用电动机监测数据中存在异常值和缺失值,而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重,导致梯度消失或爆炸等问题。针对上述问题,提出了一种基于自适应多尺度注意力机制的CNN-GRU(CNN-GRU-AMSA)模型,用于评估矿用电动机健康状态。首先,对传感器采集的电动机运行数据进行填补、剔除和标准化处理,并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后,根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数(HI),采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理,并结合主成分分析法计算的不同指标对矿用电动机的贡献度,对指标HI进行加权融合得到矿用电动机HI。最后,将矿用电动机HI输入CNN-GRU-AMSA模型中,该模型通过动态调整注意力权重,实现对不同尺度特征的信息融合,从而准确输出电动机健康状态评估结果。实验结果表明,与其他常见的深度学习模型CNN,CNN-GRU,CNN-LSTM,CNN-LSTM-Attention相比,CNN-GRU-AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优,且预测残差的波动范围更小,稳定性更优。

基于混合注意力及自适应多尺度的语义分割算法研究

为提升语义分割网络特征提取的有效性以及尺度不变性,提出了一种基于混合注意力机制和多尺度特征自适应融合的轻量级语义分割算法。算法采用颜色空间转化、边缘提取以及灰度化等图像预处理方法增强输入图像信息;利用深度可分离卷积、池化和H-Swish激活结合残差结构逐步提取目标局部和全局特征,并设计混合注意力机制从最大、均值和标准差等角度分别捕获特征通道及空间位置的全局上下文信息,使网络聚焦目标关联特征,降低背景信息干扰;针对不同大小目标,引入了多尺度特征自适应加权融合结构,以自主选择的方式来避免各尺度目标特征相互影响。通过在标准、仿真以及实际场景数据集上的实验结果表明,所提方法有效提升了特征多样性以及关键特征的贡献,保障了多尺度目标准确识别,并能较好地应用于实际场景中,高效实现语义分割任务。

基于自适应多尺度形态梯度变换的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的周期性冲击信号,如何从含有强噪声的振动信号中有效地提取出冲击特征信号是轴承故障诊断的关键。基于数学形态学理论,提出了一种自适应多尺度形态梯度变换(AMMG)方法,能够在有效抑制噪声的同时很好的保留信号的细节。仿真信号和实测轴承故障信号的分析结果表明,与常用的包络解调分析和近来提出的另一种基于数学形态学的形态闭变换方法相比较,自适应多尺度形态梯度变换具有更强的噪声抑制和脉冲提取能力,并且计算简单、快速,为滚动轴承故障特征提取提供了一种有效的方法。

基于自适应多尺度压缩感知的语音压缩与重构

本文针对语音信号的压缩感知问题,在系数总长度不超过原信号长度的前提下,推导了Sym小波分解合成的矩阵形式,提出了语音信号多尺度压缩感知(MCS)框架.进一步分析语音信号在小波基下不同级的稀疏性,提出了自适应多尺度压缩感知(AMCS)方法,把该方法运用到语音压缩与重构中,对重构语音进行了主客观评价,并进行了说话人识别验证,得出结论:基于AMCS比三层MCS重构语音的性能好.

基于自适应多尺度形态梯度与非负矩阵分解的轴承故障诊断

轴承故障诊断的关键步骤是信号处理与特征参数提取。提出采用自适应多尺度形态梯度算法对轴承振动信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声的优点,可有效地提取振动信号中反映轴承状态的冲击分量;在此基础上提出采用非负矩阵分解技术对信号进行压缩,计算用于轴承故障诊断的特征参量。采用轴承在七种状态下的振动信号对所提出的信号处理和特征参数提取方法进行验证,结果表明:与传统的信号处理与特征参量提取方法相比,本文提出的方法具有更高的轴承故障分类精度,为准确判断轴承工作状态提供了一种行之有效的新方法。

求解非均质多孔介质中非饱和水流问题的一种自适应多尺度有限元方法——Ⅰ.数值格式

为了有效地模拟跨越多个尺度的非均质多孔介质中的非饱和水流问题,本文提出一种自适应多尺度有限元方法。该方法能在一个粗尺度网格上精确而有效地获得具有非均质系数的非饱和水流方程的粗尺度解。其基本思路是使用修改的皮卡迭代格式来处理方程中的非线性性和构造一种自适应多尺度基函数来捕捉方程系数中的时空变异性。本文详细地描述了构造这一方法的原理并且给出了一种相应的算法。

求解非均质多孔介质中非饱和水流问题的一种自适应多尺度有限元方法——Ⅱ.数值结果

为了验证作者在本文第Ⅰ部分所提出的自适应多尺度有限元方法的有效性与精确性,在第Ⅱ部分对水力参数是随机生成的呈对数正态分布的非饱和水流问题进行了数值试验。数值算例分别考虑了具有各向同性和各向异性相关结构的水力参数场。计算结果表明:自适应多尺度有限元方法的粗尺度解与参考的细尺度解之间具有很好的一致性:在Dirichlet和Neumann入渗上边界条件下,在粗网格中该方法能够有效地抓住细尺度解的大尺度结构,而且,在每一时间步,只有大约1/6的多尺度基函数需要重新计算。此外,还进一步地讨论了自适应粗网格方法的收敛性和重构细尺度解的可比性。数值结果表明:随着粗网格被细分,粗尺度解将收敛到细尺度的参考解,而重构的细尺度解可以很好地近似参考的细尺度解。

自适应多尺度SVD去噪算法及在PQMD中的应用

为了提高电能质量复合扰动(PQMD)信号的去噪指标,实现扰动信号特征的准确检测,提出一种自适应多尺度SVD(Adaptive Multi-resolution Singular Value Decomposition,AMSVD)去噪新算法及数学框架。该算法首先分析了高斯白噪声奇异值分布情况及多尺度SVD消噪原理,针对不同尺度下的噪声近似与细节信号奇异值差值规律,确定出最佳消噪尺度的约束条件,由此实现噪声先验信息未知的自适应消噪方法。研究结果表明,在对不同噪声方差下的电能质量复合扰动去噪处理中,AMSVD消噪效果优于其他5种方法。为了进一步验证AMSVD算法去噪后特征量检测的准确性,采用希尔伯特黄变换(HHT)提取扰动特征信息,仿真结果表明该算法具有可行性和鲁棒性。

超空泡图像的自适应多尺度小波边缘检测

针对水下高速射弹试验获取的超空泡图像中夹杂较多噪声,而传统边缘检测算法在自动边缘检测中抑制噪声效果差的问题。文中采用自适应多尺度小波边缘检测,对超空泡图像进行边缘检测。算法中首先对图像进行多尺度下的小波变换和相邻尺度间的梯度增强,再采用K均值聚类进行边缘的自动检测,得到不同尺度下的边缘,根据小波基的不同选择对应的多尺度融合方法进行多尺度融合,得到最终的边缘图像。实验表明,文中算法相比传统边缘检测算法,有效地抑制了图像中噪声,得到了更完整的边缘信息。

基于自适应多尺度的梯度搜索风切变预警算法研究

新一代多普勒天气雷达(China new generation radar,CINRAD)主要依据单尺度的径向、切向速度梯度或者是两者合成的结果探测风切变,容易产生漏报。针对此问题,提出了基于自适应多尺度的梯度搜索风切变预警算法。该算法的核心思想是进行多个自适应尺度的速度梯度拟合。首先,计算多个尺度下最大风切变强度因子,取较大因子值对应的尺度为自适应尺度。其次,在径向上以自适应尺度进行最小二乘速度梯度拟合。最后,以国际上规定的低空风切变阈值搜索速度梯度,并合并切变段给予预警。采用东北空管局提供的新一代多普勒天气雷达(CINRAD-CD)真实数据进行实验。结果表明新方法能够检测出所有尺度类型的风切变,提高了风切变预警率,具有一定的实际应用价值。

基于自适应多尺度形态学和CEEMD的谐振接地故障选线研究

为解决小电流谐振接地系统的故障选线不准确的问题,提出了一种基于自适应多尺度形态滤波和互补集合经验模态分解(CEEMD)相结合的选线方法。利用自适应形态学滤波方法可以有效地抑制电力系统故障过程伴随的宽带白噪声和孤立脉冲噪声。去噪后通过比较故障线路与非故障线路经CEEMD分解和希尔伯特黄变换(HHT)的特征分量一阶差分极性与相位进行选线。与经验模态分解(EMD)和集成经验模态分解(EEMD)相比,CEEMD能够更好地减小模态混叠的影响,同时减小分解误差。在MATLAB仿真软件中,对不同故障位置、过渡电阻、故障初始角进行分析,对上述方法进行了验证。大量仿真表明,该方法不受初始故障角、故障位置及过渡电阻的影响。

自适应多尺度熵在脑死亡诊断中的应用

本文引入自适应多尺度熵的方法,并结合当前常用的经验模型分解的方法,使得数据尺度能自适应的被获取.通过从原数据中不断移除低频或高频成分,自适应多尺度熵能够在"从粗糙到精细"或是"从精细到粗糙"的尺度下用样本熵估计求得.模拟结果用来确认了其有效性,同时我们将其应用到脑死亡诊断中,用来区分脑死亡病人和昏迷病人在脑电信号上的不同.

基于邻域熵的自适应多尺度边缘检测方法

提出了一种基于邻域熵的自适应调整滤波尺度的多尺度边缘检测方法 ,该方法根据当前像素点所处邻域内像素点的灰度分布的有序性 ,定义了邻域内灰度分布的邻域熵 ,以判定该邻域内是否存在边缘。同时分析了后选边缘的宽度 ,以定量调整边缘检测中的滤波尺度参数。实验结果和抗噪性能分析表明 ,这种方法可以得到令人满意的结果 ,特别是对图像中弱边缘的检测效果比较理想。

基于多尺度深度图自适应融合的单目深度估计

深度估计网络通常具有较多的网络层数,图像特征在网络编码和解码过程中会丢失大量信息,因此预测的深度图缺乏对象结构细节且边缘轮廓不清晰。本文提出了一种基于多尺度深度图自适应融合的单目深度估计方法,可有效保留对象的细节和几何轮廓。首先,引入压缩与激励残差网络(SE-ResNet),利用注意力机制对不同通道的特征进行编码,从而保留远距离平面深度图的更多细节信息。然后,利用多尺度特征融合网络,融合不同尺度的特征图,得到具有丰富几何特征和语义信息的特征图。最后,利用多尺度自适应深度融合网络为不同尺度特征图生成的深度图添加可学习的权重参数,对不同尺度的深度图进行自适应融合,增加了预测深度图中的目标信息。本文方法在NYU Depth V2数据集上预测的深度图具有更高的准确度和丰富的物体信息,绝对相对误差为0.115,均方根误差为0.525,精确度最高达到99.3%。

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%。

基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术

随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。首先,对故障电流使用变分模态分解,得到一系列征模态函数;然后,使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;最后,经过Softmax分类器实现故障区段分类,完成故障定位。仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了5.63%、9.31%,验证了该方法的有效性。

基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MC-MSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MC-MSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。

自适应多尺度分块压缩感知算法

目的基于小波域的多尺度分块压缩感知重构算法忽略了高频信号在重构过程中的作用,丢失了大量的边缘与细节信息。针对上述问题,提出一种自适应多尺度分块压缩感知算法,不仅合理利用低频信息还充分利用图像的高频信息,在图像细节复杂度提高的情况下保证图像重构质量的提高。方法首先进行3层小波变换,得到一个低频信号和9个高频信号,分别进行小波逆变换后分成大小相同互不重叠的块,对低频部分采用2维邻块边缘自适应加权滤波的方法进行处理,对高频部分采用纹理自适应分块采样,最后利用平滑投影Landweber(SPL)算法对其进行重构。结果与已有的分块压缩感知算法、基于边缘和方向的分块压缩感知算法和基于纹理和方向的分块压缩感知算法相比,本文算法在不同的采样率下,性能均有所提升,代表细节信息的高频信号得到充分重建,改进的算法所得到的重建图像具有较高的分辨率,尤其对细节较为丰富的图像进行重建后具有较高的峰值信噪比;2维邻块边缘自适应加权滤波有效的去除了重建图像的块效应,且重建时间平均减少了0.3 s。结论将三层小波变换后的高频分量作为纹理部分,利用自适应多尺度分块重建出图像的轮廓与边缘;将低频分量直接视为平坦部分,邻块边缘自适应加权滤波重建出图像细节,不仅充分利用了图像的高低频信息,还减少了平坦块检测过程,使得重建时间有效缩短。经实验验证,本文算法重建图像质量较好,尤其是对复杂图像明显消除了块效应,边缘和纹理细节较清晰。因此主要适用于纹理细节较复杂的人脸图像、建筑图像和遥感图像等。

融合K-Means和多尺度自适应的复杂场景视觉SLAM方法

针对传统视觉SLAM前端误匹配使定位精度低和追踪失败导致系统鲁棒性下降问题,提出了一种融合K-Means聚类和金字塔多尺度自适应的解决方法,并应用于不同复杂场景环境中。首先,算法在ORB-SLAM2结构上改进,将K-Means聚类算法融合到匹配算法里,一方面基于聚类的思想减少具有更多特征点的关键帧处理事件,解决了误匹配和匹配精度低的问题。另一方面,系统跟丢情况下,在重定位阶段融合多尺度自适应方法进行重定位,提高系统鲁棒性。在公开数据集上的实验结果表明,与其他匹配方法对比,提出的改进K-Means匹配剔除算法在最短的时间内保留原始算法2倍以上的正确匹配对,多尺度自适应重定位相比ORB-SLAM2在复杂场景下重定位效果优异;整体性能方面,改进后的系统相比原始算法精度平均提升了30%,系统耗时平均降低1 s。改进后的轨迹更为接近实际运动轨迹,展示了方法的有效性。

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 .