重加权Infogram算法及其在轴承故障诊断中的应用

针对轴承故障诊断中传统脉冲量化指标性能受限,无法正确指示在强背景噪声掩盖下的轴承故障频带的难题,提出了重加权平方包络负熵(reweighted negentropy of the squared envelope,RNSE)和重加权平方包络谱负熵(reweighted negentropy of the squared envelope spectrum,RNSES),它们不仅能够在无周期先验知识情况下保持对故障周期性脉冲敏感性,而且对于随机脉冲也有较强的鲁棒性。进一步地,为提取轴承振动信号中的故障特征,基于RNSE和RNSES的加权平均值提出了重加权信息图(reweighted infogram,Rinfogram)算法。利用轴承故障仿真信号和高速列车牵引电机轴承台架试验信号证明Rinfogram算法能够在强噪声干扰下成功识别故障频带,对于随机脉冲干扰具有很好的鲁棒性,其故障特征提取效果优于基于谱峭度的Kurtogram和传统Infogram,从而提高了轴承故障诊断的准确性。

基于重加权L1的ATpV正则化叠前反演方法

地震叠前反演能够准确获取地下储层介质的各类参数,是油气的勘探与开发中重要技术之一。然而,地震反演是典型的病态问题,为了克服此问题,通常使用正则化约束目标函数,来减轻反演问题的病态性。但是正则化约束忽略了地层边界的振幅信息,使用重加权方法可以很好地克服这一问题,更好地恢复稀疏性。提出了一种基于重加权L1的ATpV正则化叠前三参数反演方法(ATpV-L1方法),首次将重加权L1方法与ATpV方法结合,并引入到叠前反演中。采用交替方向乘子算法(ADMM)建立反演框架,对目标函数进行分块优化,有效提高了收敛速度。首先,介绍ATpV-L1方法,建立了基于ATpV-L1的叠前反演目标函数;然后,应用理论模拟数据对比新方法和ATpV方法反演结果,验证了方法的效果;最后,使用实际数据进行实验分析,进一步验证了ATpV-L1方法的反演精度及可行性。实验结果表明,提出的ATpV-L1方法可以有效恢复反演结果的稀疏性,提高反演精度。

基于特征重加权的小样本遥感图像目标检测算法

针对遥感图像具有目标尺度多变、目标模糊、背景复杂的特点,提出了一种基于特征重加权的遥感小样本目标检测算法RE-FSOD;该模型包括3部分:元特征提取器、特征重加权提取器、预测模块,其中元特征提取器由CSPDarknet-53、FPN以及PAN构成,负责提取数据的元特征;特征重加权提取器用于生成特征重加权向量,用于调整元特征来强化对于检测新类有帮助的特征;预测模块由YOLOv3的预测模块构成,在此基础上将定位损失函数替换为CIOU损失函数,提升模型的定位精度;最后在NWPU VHR-10遥感数据集上进行了训练和测试,实验结果表明,该方法相较于基线方法FSODM的在3-shot、5-shot、10-shot情况下分别提升了约19%、11%、8%。

基于稀疏增强重加权与掩码块张量的红外弱小目标检测

高度异构的复杂背景破坏了场景的低秩性,现有算法难以利用低秩稀疏恢复方法从背景中分离出小目标。为了解决上述问题,本文将小目标检测问题转化为张量模型的凸优化函数求解问题,提出基于稀疏增强重加权与掩码块张量的检测模型。首先,将掩码块图像以堆叠方式扩展至张量空间,并构建掩码块张量模型以筛选候选目标。在此基础上,利用结构张量构建稀疏增强重加权模型以抑制背景杂波,克服凸优化函数求解过程中设定加权参数的缺陷。实验表明本文检测算法在背景抑制因子及信杂比增益两方面都优于新近代表性算法,证明该算法的有效性。

基于迭代重加权的子阵级MIMO雷达角度超分辨算法

针对子阵级多输入多输出(MIMO)雷达阵列孔径数量有限带来的高方向图旁瓣问题,构建了子阵级MIMO雷达收发信号和多子阵角度测量模型,提出了基于自适应迭代重加权(AIR)和p-范数约束下迭代重加权最小二乘(p-IRLS)的角度超分辨算法,分析了两种算法的计算复杂度。在仿真实验中验证了两种算法的性能,并对其在单目标和双目标、以及干扰环境检测中的效果进行了比较分析。仿真结果表明,AIR和p-IRLS算法能够有效降低子阵级MIMO雷达的方向图旁瓣电平,同时实现对目标的角度超分辨。和AIR算法相比,p-IRLS算法在低信噪比和邻近目标分辨性能更突出。

基于负学习的样本重加权鲁棒学习方法

噪声标记学习方法能够有效利用含有噪声标记的数据训练模型,显著降低大规模数据集的标注成本。现有的噪声标记学习方法通常假设数据集中各个类别的样本数目是平衡的,但许多真实场景下的数据往往存在噪声标记,且数据的真实分布具有长尾现象,这导致现有方法难以设计有效的指标,如训练损失或置信度区分尾部类别中的干净样本和噪声样本。为了解决噪声长尾学习问题,提出一种基于负学习的样本重加权鲁棒学习(NLRW)方法。具体来说,根据模型对头部类别和尾部类别样本的输出分布,提出一种新的样本权重计算方法,能够使干净样本的权重接近1,噪声样本的权重接近0。为了保证模型对样本的输出准确,结合负学习和交叉熵损失使用样本加权的损失函数训练模型。实验结果表明,在多种不平衡率和噪声率的CIFAR-10以及CIFAR-100数据集上,NLRW方法相较于噪声长尾分类的最优基线模型TBSS(Two stage Bi-dimensional Sample Selection),平均准确率分别提升4.79%和3.46%。

重加权的对抗变分自编码器及其在工业因果效应估计中的应用

反事实预测和选择偏差是因果效应估计中的重大挑战。为对潜在协变量的复杂混杂分布进行有效表征,同时增强反事实预测泛化能力,提出一种面向工业因果效应估计应用的重加权对抗变分自编码器网络(RVAENet)模型。针对混杂分布去偏问题,借鉴域适应思想,采用对抗学习机制对由变分自编码器(VAE)获得的隐含变量进行表示学习的分布平衡;在此基础上,通过学习样本倾向性权重对样本进行重加权,进一步缩小实验组(Treatment)与对照组(Control)样本间的分布差异。实验结果表明,在工业真实场景数据集的两个场景下,所提模型的提升曲线下的面积(AUUC)比TEDVAE(Treatment Effect with Disentangled VAE)分别提升了15.02%、16.02%;在公开数据集上,所提模型的平均干预效果(ATE)和异构估计精度(PEHE)普遍取得最优结果。

基于重抽样加权的飞行器多源数据融合方法

风洞试验方法和计算流体力学(CFD)数值模拟方法在飞行器的初步研制阶段能够对于飞行器的气动性能提供精准分析,其对于飞行器的气动外形优化与设计起到了重要的作用。而风洞试验与CFD方法不可避免地存在试验与计算成本较高等问题。为实现对于飞行器气动性能的低成本及高效分析,本文对风洞试验数据进行了机器学习方法的预测分析研究,提出了一种基于多模型结合方法的数据融合模式,其原理是通过重复抽样的方法多次获取精度略低的CFD数据与精度较高的风洞试验数据之间的映射关系,并通过基于均方误差的加权方法对于多映射关系进行结合从而输出最终的预测结果。结果表明,基于重抽样加权法的数据融合模式可以有效提升风洞试验数据预测的精准度与拟合度,辅助支撑风洞试验人员进行相关研究工作。

基于重加权相关全变分模型的医学图像去噪方法

图像去噪一直是一个受到大量研究者关注的问题,并成功应用到医学等领域。典型的图像去噪方法是利用图像中存在的先验信息,例如低秩先验,局部光滑先验等。但是,目前的图像去噪方法并没有充分利用到图像的这些先验信息,导致去噪效果不是很理想。针对上述问题,本文提出了基于重加权相关全变分正则项的图像去噪模型。该模型利用重加权核范数的方式对相关全变分正则项进行约束,来保证更加充分地利用图像中的低秩先验和局部光滑先验,以此来提升图像恢复效果。我们应用该方法到医学图像中,并和常见的几种图像去噪方法进行比较,实验结果显示,该方法所得到的图像质量得到了明显的提升。

基于自适应重加权和正则化的集成元学习算法

在训练集存在噪声标签或类别不平衡分布的情况下,深度神经网络具有过度拟合这种有偏差的训练数据的不良趋势。通过设计适当的样本权重,使用重加权策略是解决此问题的常用方法,但不适当的重加权方案会给网络学习引入额外的开销和偏差,仅使用重加权方法很难解决有偏差分布下网络的过拟合问题。为此,建议将标签平滑正则化和类裕度正则化与重加权结合使用,并提出了一种基于自适应重加权和正则化的元学习方法(ensemble meta net,EMN),模型框架包括用于分类的基本网络和用于超参数估计的集成元网。该方法首先通过基本网络获得样本损失;然后使用三个元学习器基于损失值以集成的方式估计自适应重加权和正则化的超参数;最终利用三个超参数计算最终的集成元损失更新基本网络,进而提高基本网络在有偏分布数据集上的性能。实验结果表明,EMN在CIFAR和OCTMNIST数据集上的准确率高于其他方法,并通过策略关联性分析证明了不同策略的有效性。

基于负载重分配算法改进的加权路网实证研究

稳定运行的城市道路交通网络对于城市正常活动的高效运行以及国民循环经济的快速增长至关重要,城市道路交通网络的交叉口节点遭到破坏,引发拥堵持续蔓延扩散,导致大面积路网产生相继拥堵现象,影响城市区域交通流动性。本文基于改进的负载重分配算法研究负载-容量模型下路网相继拥堵后的负载重分配引导策略,基于上海松江新城部分区域路网进行实证仿真研究。进行实际路网网络拓扑并建立负载-容量模型,利用随机攻击和蓄意攻击在相继拥堵模型上基于新加权节点综合重要度和节点强度中分析拥堵导引策略。研究表明复杂加权路网受到攻击后基于新加权节点综合重要度负载重分配策略提高了路网的鲁棒性,对识别城市运输网络中的重要节点、在拥堵后对于城市道路交通拥堵发生前制定预案、失效发生后道路交通管理控制等方面具有重要意义。

基于近邻点重加权的点云特征线提取算法

针对3维点云模型特征线提取存在断裂、不完整问题,提出一种基于近邻点重加权的点云特征线提取算法。算法分为提取特征点和特征点连接成线2个环节,在特征点提取环节,引入近邻重加权局部质心算子获取特征点集,通过欧式最小生成树构建特征线。实验结果表明:采用近邻重加权局部质心算法进行特征点提取,跟传统基于曲率的算法相比其结果更加准确和稳健,能有效提取点云模型的几何特征。

基于重加权策略平衡损失的用电窃电行为检测方法

由于传统的用电窃电行为检测方法在面对复杂的用电环境时,往往存在漏报的情况,导致检测精度低。针对上述现象,提出基于重加权策略平衡损失的用电窃电行为检测方法。通过对用电数据进行监测和分析,进而提取出窃电行为的特征。引入记忆单元更新参数,利用历史数据对模型进行训练和优化,提高窃电行为检测的精准度。优化重加权策略平衡损失函数,更好地平衡不同因素对损失的影响,提高模型的预测精度。通过训练分类器检测用电窃电行为。实验证明,该方法能够准确检测窃电行为,检测精度较高,具有较高的应用价值。

基于重加权二阶正则项的图像修复算法

低维流形及其二阶扩展是近年来提出的新型视觉先验约束,已被应用于灰度图像修复并取得优秀的效果.然而,现存正则项从图像的本质空间维度以及结构平滑性出发,恢复出符合现实感知的视觉目标,却并未深入探究损失函数的能量集中特性.针对该问题,提出了一种基于重加权二阶正则项的灰度图像修复算法.具体而言,以二阶低维重构项为基础,首先将其扩展为基于分解系数的加权形式,并约束新的列权值至原有行权值上,突出能量集中特性.所提方法从图像块中提取局部基和非局部基构成一个紧致的框架,兼顾利用图像的局部-非局部特征.最终目标模型可分解为若干子线性方程进行优化求解.在多个经典图像上进行了大量的数值实验,修复结果表明,就视觉和数值两方面而言,提出的基于重加权二阶正则项修复算法均优于同类算法.

叠前重加权L_(1)范数稀疏约束的地震反演方法

传统稀疏约束反演的低稀疏性伪层和低分辨率导致薄层识别难度大。为此,提出了一种基于重加权L_(1)范数稀疏约束的叠前地震反演方法,即将地层反射系数与重加权矩阵的元素相结合,对地层反射系数进行重加权处理,优化、构建反演目标函数,并利用交替方向乘子算法(ADMM)将含有多个参数的非线性反演目标函数转化为多个易于求解的单参数的线性子问题,同时引入软阈值收缩算法(ISTA)求解子问题中存在的混合范数最优解。与仅考虑反射边界位置信息的传统L_(1)范数约束不同,重加权的L_(1)范数挖掘了岩层边界的反射振幅信息,可以更充分地利用L_(1)范数的稀疏性,通过叠前地震反演获得更精确的地层速度边界和密度边界,减弱利用传统L_(1)范数反演结果中可能存在的速度伪层现象。模型测试和工区实测数据应用均表明,所提方法获取的纵波速度、横波速度和密度剖面上边界更准确,分辨率更高,对薄层识别能力更强,极大地减弱了伪层现象,可为后续其他地球物理参数的预测提供更准确的资料基础。

面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势,在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线,通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应,以及荧光谱特征峰存在叠加干扰,未经优化的校准曲线的线性度较差,这给反演计算来困难。为了解决上述问题,分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线,提高校准曲线的决定系数(R2);运用竞争性自适应重加权算法(CARS),针对不同目标元素优化变量选取;进一步地,基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型,并通过该模型反演计算各元素含量,提高定量分析的准确度和预测的泛化能力。实验结果显示,经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R2)有明显提升,Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0.979、0.987、0.981、0.828、0.953;通过CARS选取的谱线变量的个数大幅度减少,从2 048个通道降低到30个以下,为原来变量个数的1.5%,提高了变量选择的精准性;与偏最小二乘法(PLS)、未优化的SVR模型进行对比,采用CARS变量选择和PSO优化的SVR模型进行含量预测,训练集RC2与测试集RP2的决定系数分别在0.99、0.90以上,预测准确性有明显提高。因此,所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。

基于扩散加权成像的表观纤维密度重测信度研究

扩散加权成像已广泛应用于人脑白质组织的量化研究。表观纤维密度(AFD)是基于纤维取向分布函数(FOD)的量化指标,可以反映白质组织纤维相对密度,在健康发育和退行性神经系统疾病研究中已得到初步应用。然而,AFD的测量高度依赖实验参数设置,其在不同实验条件下的重测信度尚未有系统性评估。本研究采用人脑连接组计划(HCP)和Connectome Diffusion Microstructure Dataset(CDMD)两个独立数据集中共42位受试者的两次重复实验数据,通过基于纤维束单元的分析(FBA)方法计算纤维束单元(fixel)水平的AFD值,采用TractSeg进行纤维束分割,计算纤维束平均AFD,研究AFD在不同扩散加权值(b值)条件下的重测信度。结果显示,对于HCP数据集中的数据(n=35),在fixel水平上,AFD检测值在两次重复实验间的皮尔逊相关系数(r)和组内相关系数(ICC)随着b值增加,分别从0.7969和0.8985升高至0.8828和0.9414,绝对偏差从0.1241减小至0.1073。对于CDMD数据集中的数据(n=7),也存在相似的变化趋势。在纤维束平均水平上,两个数据集中的AFD值在各b值条件下均具有较高可重复性。本研究评估了b值在1000~5000 s·mm^(-2)范围内AFD检测值的可重复性,有望为AFD测度在未来神经生物学应用研究中提供实验设计参考依据。

基于改进稀疏重构模型的声学层析温度分布重建

为进一步提高基于声学层析成像的温度分布重建精度,引入了一种偏差较小的误差函数(ERF)对稀疏重构模型进行改进,并使用迭代重加权算法对模型进一步优化,最后采用交替方向乘子算法(ADMM)对模型进行求解,从而完成温度分布重建。进行了仿真与实验测试,并与LASSO、ART及Landweber算法进行比较,仿真实验中基于ERF模型的温度分布重建质量最优,其平均相对误差及均方根误差分别为0.1%和0.14%;实验测试中,其设定温度点重建温度误差绝对值的平均值最小,为0.043%,明显小于其它3种算法。

基于加权动态树的高权重容错频繁项集挖掘算法

针对传统频繁项集挖掘不能挖掘隐式频繁项集导致的输出频繁项集数量少、有潜在价值的项集未被发现、无法从利润方面体现数据价值等问题,提出了一种基于加权动态树的高权重容错频繁项集挖掘算法(HWFT-WDT)。该算法用于挖掘高权重容错频繁项集,保证用户能获得更加完整的项集及重要性信息;提出了加权动态树的数据结构,能够保存每个节点的权重,便于平均权重的计算;仅使用一个加权动态树的方法,避免了构造多个子树的高成本;提出了3个剪枝策略,有效地缩小了挖掘过程中的搜索空间。实验结果表明,该算法在运行时间、存储空间及延展性方面皆优于FT-PatternGrowth算法及FT-Apriori算法。

速度—密度双参数重震联合反演方法

速度和密度参数在地震资料处理和储层预测中发挥着重要作用,然而多参数间的相互耦合使密度在全波形反演中难以重构。为获得更准确的密度信息,将重力梯度数据纳入全波形反演过程,优化密度更新算法,并制定了一种重震联合反演策略。首先,通过重力梯度数据反演,获得反映地下介质整体密度信息的初始模型,再进行速度—密度参数同步联合反演目标函数的构建及求解。本文方法避免了先验速度—密度关系的限制,降低了对初始模型的依赖程度,模型试算结果表明,重力梯度数据的加入改善了波形反演密度结果的质量,验证了该方法的有效性和准确性,具有较大的应用潜力。