阻尼结构叶片强迫振动响应分析的改进时频域融合算法

为有效地分析阻尼结构叶片系统的动力学特性,对计算非线性动力学系统响应的时频域融合算法进行了改进。引入快速抗混迭傅里叶变换,提高时域与频域间转换运算的精度,减少计算时间。对阻尼结构叶片系统的局部非线性特点,对线性自由度进行减缩,将迭代求解控制在仅和非线性相关的自由度范围之内。采用混合遗传算法改善计算收敛性。使用改进的时频域融合算法对某真实燃机叶片的非线性强迫振动响应进行了分析。在一定的参数条件下,改进的时频域融合算法计算时间为原算法计算时间的26%,且误差不超过1%。研究表明:改进的时频域融合算法能够适用于复杂摩擦接触下阻尼结构叶片的振动响应计算。

基于频域融合的氧量软测量

本文提出将给煤量信号和DEB热量信号组成一个信息融合对,通过构造互补FRF对进行频域信息融合,解决了热量信号测量快速性和淮确性的矛盾,得到性能优良的煤粉低位发热量修正信号,提高了氧量软测量的准确性和快速性。通过仿真对比,改进的氧量软测量模型能够更好的反映实际氧量的变化。

基于空间域与频域特征自适应融合和类间边界区域增强的三维海马分割

目的海马萎缩是诊断阿尔茨海默病等诸多精神疾病的临床重要标志,因此准确分割海马是一个重要的科学问题。随着深度学习的发展,人们提出了大量先进的自动分割方法。然而,由于MRI中各种噪声的影响以及海马不同类别之间不清晰的边界,三维海马分割仍然具有挑战性。因此本文旨在提出新的自动分割方法来更精确地分割海马头、体、尾。方法为了克服这些挑战,本文提出了两个策略。一种是空间域与频域特征自适应融合策略,通过快速傅立叶变换和卷积自动选择合适的频率组合,减少噪声对特征提取的影响。另一种是类间边界区域增强策略,它允许网络通过加权每个类之间边界区域的损失函数来增强对边界区域的学习,以达到精确定位边界和调节海马头、体、尾大小的目的。结果在50例青少年大脑MRI数据集上进行的实验表明,我们的方法实现了较先进的海马分割,海马头、体、尾相较于现有的方法都取得了一定的提升。消融实验证明我们提出的两种策略有效,我们还在260例Task04_Hippocampus数据集上验证了网络具有强大的泛化能力,说明本文提出的方法可用于更多的海马分割场景。结论我们提出的方法可以帮助临床医生更清楚地观测海马萎缩,并完成更精确的病情诊断和追踪。

基于频域信息融合和稀疏贝叶斯学习的高分辨ISAR成像

为了在ISAR成像中更好地压制噪声,消除条纹干扰,提高成像分辨率,本文提出一种基于双向插值处理和频域信息融合的稀疏贝叶斯学习算法,称之为BI-FF SBL算法。该方法首先对回波信号分别进行径向和横向插值预处理,将预处理得到的两份数据通过LA-VB算法进行ISAR成像;然后将得到的两幅ISAR图像通过二维傅里叶变换进入频域,并将两个二维频谱进行信息融合处理,以消除噪声和条纹干扰的相关信息并保留目标结构信息;最后对融合处理后的频谱进行二维傅里叶逆变换,得到最终的ISAR图像。为了验证BI-FF SBL算法的ISAR成像效果,本文进行了基于仿真数据和实测数据的成像实验,并将实验结果与R-D算法、L1-BP算法、LA-VB算法进行对比,发现BI-FF SBL算法在压制噪声和去除条纹干扰方面具有明显的优势,且能提供分辨率更高的ISAR图像。当实验数据信噪比降到0 dB时,BI-FF SBL算法依然能够提供清晰的ISAR图像,明显优于其他三种算法。测试超分辨重构误差的实验结果表明,相比于L1-BP算法和LA-VB算法,BI-FF SBL算法的重构误差更低,在实验数据信噪比为0 dB时,重构信噪比可以达到13.55 dB。

一种特征融合的双流深度检测伪造人脸方法

Deepfake技术的迅速发展,使得深度伪造视频和音频内容日益逼真,这种技术被广泛应用于政治伪造、金融欺诈和虚假新闻传播等领域.因此,研究和开发高效的Deepfake检测方法变得尤为关键.本研究探索了一种结合ViT与CNN的策略,充分利用CNN在局部特征提取方面的优势,以及ViT在建模全局关系方面的潜力,以提升Deepfake检测算法在实际应用中的效能.此外,为增强模型对图像或视频压缩引起的影响的抵御能力,引入频域特征,使用双流网络提取特征,以提高模型在跨压缩场景下的检测性能和稳定性.实验结果表明,基于多域特征融合的双流网络模型在FaceForensics++数据集上有较好的检测性能,其ACC值达96.98%、AUC值达98.82%.在跨数据集检测方面也取得了令人满意的结果,在Celeb-DF数据集上的AUC值达75.41%.

抗混叠时频域融合算法及在叶片响应分析中的应用

为解决现有的时频域融合算法中反复使用快速傅里叶变换而出现频谱混叠误差和频谱系数周期性重复的问题,采用快速抗混叠傅里叶变换取代原有的快速傅里叶变换,从计算精度和效率两个方面对时频域融合算法进行改进.使用改进后的抗混叠时频域融合算法对某真实叶片的非线性强迫振动响应进行了计算,并与原算法的计算结果进行了比较.计算结果表明:抗混叠时频域融合算法在保证精度的前提下,计算速度约为原算法的4倍.该算法适合于有限元模型、精度要求高的非线性系统的动力学响应分析.

结合卷积神经网络与注意力机制的多域特征融合ECG心率失常分类

心率失常是心血管疾病诊断的重要手段,其自动分类具有重要的临床意义。为了提高心率失常分类的准确性,结合一维卷积神经网络(Convolutional Neural Networks,CNN)和注意力机制(Attention)提出了一种CNN+Attention的深度学习模型,使用CNN提取心电信号的一维时域特征。针对一维时序心电信号时域特征表征能力有限的问题,使用短时傅里叶变换(Short-Time Fourier transform,STFT)将心电信号变换到时频域,通过Attention提取心电信号的时频域全局相关依赖关系,将时域与时频域特征融合对5种类型心电信号进行分类。在MIT-BIH数据集上验证了模型的有效性,所提模型对5种类型心电信号的平均分类准确率、精准率、召回率、灵敏度以及F1_Score分别为99.72%、98.55%、99.46%、99.90%以及99.00%。与已有先进方法对比,验证了所提模型具有先进的性能表现。

多方向独立小波耦合神经网络的图像融合算法

针对当前图像融合算法因利用下采样分解导致信息冗余、融合图像对比度和清晰度不高等不足,提出基于非分离小波多方向分析NSWMDA(non-separable wavelet multi-directional analysis)与脉冲耦合神经网络PCNN(pulse coupled neural network)的图像融合算法。根据非分离小波变换和非下采样方向滤波器,设计多尺度NSWMDA机制,获取源图像的低频、高频子带;引入高斯-拉普拉斯算子,提取高频子带的高频信息,设计自适应PCNN融合准则,完成高频信息融合;基于高斯加权平均的低频融合规则,对低频子带完成融合;利用NSWMDA重构,输出融合图像。仿真结果表明,与当前图像融合算法相比,该算法的融合图像具有更优的交互信息、PSNR(peak signal to noise ratio),以及融合效率。

干摩擦阻尼对失谐叶盘系统受迫振动的影响

针对目前含非线性干摩擦阻尼结构的失谐叶盘系统振动特性研究中,非线性干摩擦接触模型的建立及高自由度非线性系统的求解问题,采用抗混叠时频域融合算法和三维微滑移摩擦接触模型,对某含有非线性干摩擦阻尼结构的失谐叶盘系统的受迫振动响应进行计算分析,研究了干摩擦阻尼结构对失谐叶盘系统受迫振动响应的影响,并对含接触面非线性干摩擦失谐和叶盘系统失谐耦合作用下的双重失谐叶盘系统的振动特性进行了研究。结果表明:非线性摩擦阻尼结构对失谐叶盘系统的振动有抑制作用,在文中参数条件下振幅平均下降了9.53%;摩擦阻尼结构对失谐叶盘中每支叶片的减振效果存在差异,每支叶片达到最佳减振效果时所对应的最优初始正压力不同;接触产生的摩擦失谐对失谐叶盘系统同样有减振的作用;当接触面法向刚度失谐与叶盘系统的失谐强度和失谐量分布相同时,摩擦阻尼减振作用比摩擦力协调时减弱,在文中参数条件下振幅平均下降量减少了3.45%。