预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明:相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。

自适应多保真数据融合的神经网络模型

数据驱动的深度学习建模在力学、材料等不同学科中得到了较多应用。深度学习建模的精度依赖大量高保真数据。在实际应用中,高保真数据往往是少量且昂贵的,而低保真数据却是成本低廉且数量较多的。当高保真数据量过少时,深度学习建模精度较低。近期发展的多保真深度神经网络,通过融合不同保真度的数据,在高保真数据较少时,依然保持了较高的建模精度。然而,已有的多保真深度神经网络模型的精度较为依赖针对模型参数的正则化调节。当添加的正则化过强时,网络对非线性关联式的拟合能力不足;当添加的正则化强度不够时,在学习多保真数据间的线性关联关系时又会出现过拟合现象。两者都会严重影响模型的预测精度。在缺乏高保真验证数据集时,较难得到最优的正则化系数。为此,通过改进已有多保真网络模型的损失函数,引入一个与线性关联式相关的参数,提出了自适应多保真数据融合的神经网络模型。该模型能根据给定数据自适应地拟合不同保真度数据间的线性或非线性关系,对正则化依赖较小,从而提高了建模的鲁棒性。在多个标准测试案例及实际应用的翼型气动参数的预测中,该模型均能表现出较高的精度和稳定性。

南京地区蒸散发降尺度研究——基于增强型时空自适应反射融合模型

蒸散发是水文循环的重要组成部分,获取高时空分辨率的数据能够更加精细化蒸散发的时空变化规律,对于水资源管理、生态水文过程量化具有重要意义。由于单一传感器反演的蒸散发无法同时具有高空间和高时间分辨率,以南京地区为例,首先结合Landsat-8遥感影像数据和气象数据,采用基于能量平衡原理的SEBS模型估算日蒸散量。在此基础上,选取典型区域采用基于增强型时空自适应反射融合模型(ESTARFM)将估算的蒸散发结果与低空间分辨率的MOD16A2蒸散发产品数据进行时空融合降尺度研究,并评价模型的融合精度。结果表明:(1)SEBS模型估算的蒸散发结果与蒸发皿折算后的数据、MOD16A2产品数据的平均相对误差分别为0.14 mm/d和0.22 mm/d。(2)南京地区蒸散量季节差异明显,表现为夏季>秋季>冬季;各区在夏季的日平均蒸散量差异也较大,六合区蒸散量最大,秦淮区最小;另外,蒸散量分布受土地利用类型的影响,总体上表现为水域>林地>耕地>草地>其他,且植被覆盖度较高的区域蒸散量较大。(3)基于ESTARFM模型融合的蒸散发结果与基于Landsat-8遥感影像反演的蒸散发数据在空间分布上具有相似性,二者相关系数为0.74。在全球气候变化的背景下,本研究可为蒸散发数据集时空分辨率的提高提供参考,同时也能够为南京地区水循环过程和水资源管理研究提供数据支撑。

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。

基于粒子滤波和自适应模型的目标跟踪算法

为了提高粒子滤波的性能,使用集合卡尔曼滤波对建议分布进行改进,同时提出了用于视频跟踪的自适应融合模型.使用集合卡尔曼滤波结合当前的观测信息构造建议分布,结合当前观测信息对每一个粒子进行集合分析,得到新的建议分布,依据新的建议分布对粒子进行采样,同时在跟踪过程中将颜色特征模型和形状特征模型进行融合,并进行自适应更新.实验结果证明:相对于传统粒子滤波和扩展卡尔曼粒子滤波,使用新的建议分布可以更有效地降低均方根误差,同时自适应融合模型的稳定性要高于使用单一颜色模型.使用新的建议分布和融合模型,可以有效提高粒子滤波的准确性和稳定性。

自适应融合残差网在图像分类中应用研究

针对卷积神经网络存在随着网络深度增加导致优化困难,识别正确率降低、泛化性能差等问题,在Res Net(残差网络)基础上,提出了一种基于softmax全连接自适应门控网络融合模型.该方法在隐层网络深度达到一定层数后,设置多种卷积核尺寸作为独立网络输出,通过softmax全连接门控网络输出各模型选择概率,融合多种卷积尺寸残差网输出作为模型最终输出.实验表明,本文提出的融合残差网络模型更适合于多类别、精细化数据集,与单网络模型相比,在训练集上具有更好的收敛性,在测试集上具有更好的泛化性能.

基于多源遥感数据的蒸散发时空融合研究——以贵州省后寨河小流域为例

获取具有高时空分辨率的蒸散发数据对于喀斯特区域水资源管理和规划具有重要意义。基于增强型自适应时空融合模型和MS-PT蒸散发估算模型,设计输入参数融合方案,构建喀斯特区域具有高时空分辨率的蒸散发数据集。结果表明:基于MS-PT模型在该地区估算蒸散发与实测值较为接近;自适应时空融合模型在地表复杂的喀斯特区具有较好的适用性;对于输入参数融合方案,融合后的蒸散发与实测蒸散发具有可靠的融合精度。

融合物候及纹理特征的茉莉花种植区提取研究

为充分挖掘图像时序物候信息、几何空间、纹理特征在农作物监测提取研究上的优势,本研究通过构建物候参数与纹理特征的方法对广西横州市茉莉花(Jasminum sambac)种植区进行提取,该方法通过增强型时空自适应反射率融合模型(ESTARFM)融合年度内“高空间-低时间”“高时间-低空间”的遥感图像,重建生成年度中低尺度的卫星影像,获取研究区内不同植被的物候信息参数,并结合地物光谱信息提取地物纹理特征。选取物候参数、纹理特征作为茉莉花种植区分类提取信息,对不同的参数特征进行组合,开展分类对比和综合精度量化评价。结果表明,重建时序归一化植被指数(NDVI)数据结合物候参数及纹理特征的茉莉花种植区提取方法,总体分类精度达到88.36%,Kappa系数为0.8633,在中低尺度多光谱影像遥感数据“时空信息”的缺失下对茉莉花种植区提取具有良好的效果。

视频动态场景下运动物体的自适应跟踪算法

根据积分思想和粒子滤波理论,提出一种运动物体自适应跟踪算法。建立多特征的跟踪观测模型,采用积分策略对多个特征模型进行自适合融合和更新,通过观测似然度更新粒子滤波所需粒子数量及其分布,并在动态场景下对运动物体进行跟踪。实验结果表明,该算法相对于传统的跟踪算法在跟踪精度和实时性方面有所提高,具有较好的鲁棒性。

基于时空数据融合的县域水稻种植面积提取

受云雨天气和卫星自身回访周期的影响,县域尺度水稻种植面积的提取往往难以获取完整时间序列的高空间分辨率影像,利用单一MODIS数据导致提取精度不高。针对上述问题以河南省优良水稻种植区原阳县为例,采用增强型自适应反射率时空融合模型(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM),融合中高分辨率的Landsat数据和高时间分辨率的MODIS数据,获取完整时间序列的归一化植被指数(Normalized difference vegetation index,NDVI)数据,经过TIMESAT滤波平滑处理后,利用研究区内水稻与其他地物的时序NDVI曲线,设置合理的NDVI阈值,采用决策树分类的方法提取水稻种植面积。结果显示,总体分类精度为92.23%,Kappa系数为0.9043。提取的水稻制图精度为96.73%,用户精度为93.51%,说明ESTARFM模型能很好地融合出高空间分辨率影像,解决数据缺失问题,可为县域尺度水稻种植面积提取提供参考。

融合HJ-1 CCD和MODIS数据生成高分辨率影像方法对比

高时空分辨率遥感影像的反演可有效解决南方云雨地区的数据缺失问题。以广西典型丘陵山地为试验区,利用时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STRAFM)和增强型时空自适应反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model,ESTRAFM)两种融合算法,选取小范围的国产环境减灾卫星(HJ-1 CCD)和中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据,比较分析两种融合算法所生成的高空间分辨率影像的优劣。与真实HJ-1 CCD的红、近红外(near-infrared,NIR)波段影像相比,STRAFM和ESTRAFM预测影像在空间分布上均具有较好的一致性,R值均为极显著相关,差分图像98. 94%以上像元反射率差值小于0. 1,平均绝对差值(average absolute difference,AAD)、平均差值(average difference,AD)、标准差(standard deviation,SD)均较小,融合效果好。与STRAFM相比较,ESTRAFM对真实HJ-1 CCD影像的细节捕捉能力更强,高低反射率区域没有明显缩小或放大现象,破碎地物边界更清晰,不存在斑块。ESTRAFM预测影像与真实HJ-1 CCD红、近红外波段影像的相关性均高于STRAFM,相关系数(pearson correlation coefficient,R)分别为0. 930、0. 885。ESTRAFM预测影像与真实HJ-1 CCD影像差异小于STRAFM,其差分影像的AD、AAD、SD分别为-0. 005、0. 013、0. 017。

基于时空融合技术的森林火灾遥感动态监测

针对单一时空融合方法或使用单一中等空间分辨率影像(如Landsat影像)和MODIS影像时空融合的不足,本文提出综合利用经典的STARFM算法、基于地物内组分时相变化模型的地表反射率时空融合算法,联合使用多种空间分辨率更优(≤30 m)的传感器影像,以“时间最邻近及空间分辨率优先”为原则对传统单一中等空间分辨率影像预测周期(如Landsat影像为16天)进行分段独立预测,并优化组合两种预测方法的预测结果,进而获取更为精确的逐日中等空间分辨率预测影像。基于上述方法所得结果,可应用于森林火灾监测场景中。以四川凉山木里县3·30森林大火为例,综合利用MOD09GA、Landsat8 OLI、Sentinel-2、GF-1 WFV遥感影像数据进行实验研究,基于预测所得逐日中等空间分辨率影像提取火灾指标因子(燃烧面积指数和归一化燃烧指数),分析森林火灾演化态势。结果表明:(1)多类型中高空间分辨率遥感影像的综合利用,有利于解决传统单一中等空间分辨率影像预测周期跨度过长、总体精确度低的问题,可获取更为精确的逐日中等空间分辨率预测影像;(2)两种算法在不同类型遥感数据融合应用中各有其局限性,两种方法联立使用具有理论价值与实际意义;(3)基于时空融合影像分析火灾演化态势时,归一化燃烧指数计算结果更敏感、更有效。研究认为,基于时空融合技术的森林火灾遥感动态监测具有可行性,具有进一步深入研究的价值与意义。

结合PanSharpening与时空融合的GF-2和GF-1 WFV遥感影像融合方法

当前单纯基于传统空谱融合或基于时空融合的方法均未同时综合全色、高分辨率多光谱以及低分辨率多光谱的谱段信息,造成融合结果未能与应用需求充分对接。结合传统的PanSharpening方法与当前流行的时空融合模型,提出了一种基于调制传递函数-广义拉普拉斯金字塔-高通滤波调制(Modulation Transfer Function-Generalized Laplacian Pyramid-High Pass Modulation,MTF-GLP-HPM)和时空自适应反射率融合模型(Spatial and Temporal Adaptive Reflection Fusion Model,STARFM)的新融合方法。该方法有效综合了全色和高分辨率多光谱的空谱信息以及低分辨率多光谱的时谱信息,能够生成预测时相下具有全色波段空间分辨率的多光谱影像。采用MTF-GLP-HPM方法对起始时相的高分二号(GF-2)全色(1 m)和多光谱(4 m)反射率影像进行融合,得到1 m分辨率的GF-2多光谱反射率数据;利用STARFM模型将上述GF-2多光谱影像与起始、预测时相下的高分一号宽幅(GF-1 WFV)多光谱(16 m)反射率数据进行时空融合,得到预测时相下1 m分辨率的GF-2多光谱反射率数据。基于不同下垫面类型的融合结果表明,所提方法融合结果与预测时相原始GF-2多光谱影像相比,SSIM在0.6224~0.9066,RMSE小于0.06;与直接基于原始GF-2和GF-1 WFV多光谱数据的STARFM融合结果相比,SSIM相对精度损失小于0.08,RMSE损失在0.02以下。所提方法能够在保持时空融合对于时谱信息预测精度的基础上,进一步将融合结果的空间分辨率提升至全色影像的水平。

基于特征融合与抗遮挡的卫星视频目标跟踪方法

卫星视频中的目标易受到遮挡和复杂环境干扰等影响,造成对目标的运动状态估计不够准确,导致目标跟踪失败。基于此,在核相关滤波(KCF)算法的基础上设计2种算法提高目标跟踪的成功率,实现鲁棒性的目标跟踪。通过提取目标的方向梯度直方图(HOG)特征、灰度特征和高斯曲率特征表述目标的外观模型;联合响应图的峰值和平均峰值相关能量(APCE)对目标的响应图进行自适应加权融合,并将融合后的响应图峰值作为置信度对目标的模型进行自适应更新;通过使用卡尔曼滤波的方法对遮挡的目标进行位置预测,当目标遮挡结束时,对目标进行重新跟踪,解决卫星视频中目标被遮挡的问题。大量实验结果表明:所改进的相关滤波算法对卫星视频中的目标跟踪,尤其是在复杂环境、目标被遮挡及场景光照发生变化的情况下,具有良好的效果,并且在目标跟踪的精度和成功率等方面都有很大的提高,为进一步对卫星视频中的目标跟踪奠定了基础。

一二次融合配电开关物联网测试系统

该文针对一二次融合配电开关在工作过程中受外界环境因素的影响,难以衡量其运行稳定性,提出一种新型的测试方法。该方法将传感器技术、通信技术、数据融合计算技术与原有的输配电基础设施集成在一起,形成新型的一二次融合配电开关测试系统。该系统包括数据采集层、数据传输层、数据处理层、数据分析层和数据应用层,形成智能电力物联网一体化检测系统,使得配电开关一二次设备在融合之后,使用户能够检测在各种恶劣环境下二次设备的运行状况。该研究通过采用传感器电路实现对运行中的一二次融合配电开关的信息采样,通过构建自适应加权融合算法模型,实现多个传感器数据的数据融合。试验表明,该研究设计方案能够可靠地衡量一二次融合配电开关在温度、电流、电压冲击下的运行状况,有利于监测一二次融合配电开关的运行状态,为智能电网下一步的建设提供可靠的信息支撑。