基于特征增强的双重注意力去雾网络

针对现有去雾方法处理的图像细节模糊和色彩偏差等问题,提出了一种基于特征增强的双重注意力去雾网络。该网络采用编码器-解码器结构,设计了一个双重注意力特征增强模块,其中,利用Ghost模块替代非线性卷积,实现模型轻量化处理,通过RFB充分融合不同尺度的特征,实现均匀去雾,引入双重注意力实现信息跨通道与空间交互,保证模型性能和抑制噪声特征。使用RESIDE数据集对网络进行训练和测试。实验结果表明,所提算法在主观视觉和客观评价指标上均有优异表现,能有效地提升网络的特征提取能力,实现对不同场景雾图的色彩恢复,增强图像的对比度和清晰度。

基于自组织特征映射模型(SOFM)网络的中国自然资源生态安全区划

自然资源生态安全是国家安全的重要组成部分,自然资源生态安全区划对保障区域可持续发展提供了重要途径。基于自然资源数据、生态环境数据和相关区划资料,从生态敏感性与生态服务重要性角度构建了自然资源生态安全评价指标体系,进而揭示了中国自然资源生态安全的空间格局;通过建立区划的原则和指标,按照一级区主要反映自然资源空间分布格局,二级区主要揭示自然资源生态安全水平的差异,采用SOFM网络制订了中国自然资源生态安全区划方案。结果显示:(1)中国自然资源生态安全水平整体偏低,以中警与重警状态区域为主,安全和较安全状态的区域仅占24.22%,其中低安全等级区多分布于400mm等降水量线以西的干旱、半干旱区,高安全等级区则集中分布于水热资源与生物资源较为丰富的东南部地区;(2)中国自然资源生态安全区划方案包括8个一级区与27个二级区,总结归纳各大区自然资源的特征和威胁生态安全的问题,并针对二级区自然资源生态安全状况提出了对策建议。研究结果可为分区、分类推进全国自然资源可持续利用和国土空间优化提供理论支持与决策依据。

基于参数特征映射的多站时差测量实现

在现代定位系统中,传统的时差测量方法往往受限于信号调制方式、噪声干扰以及硬件实现复杂度等因素,难以保持高精度和实时性。针对上述问题,本文设计一种基于参数特征映射的多站时差定位系统中时差测量方法,由主站检测并产生参考信号,广播至各从站;各站根据此参考信号基于频域互相关算法完成时差测量。该方法有效提高二进制相移键控(binary phase shift keying,BPSK)信号、四相相移键控(quadrature phase shift keying,QPSK)信号、频移-相移复合调制(frequency shift keying-phase shift keying,FSK-PSK)信号等时差测量精度。本文给出了基于现场可编程逻辑门阵列(field programmable gate array,FPGA)时差测量方法的硬件实现,采用实时动态压缩方法,FPGA算法实现资源减少50%;采用抛物线拟合方法,提高时差估计精度;采用基于参数特征映射的数据传输方法,保障多站数据的完备、避免数据缺失和冗余的同时,数据传输量降低95%。仿真与试验测试结果表明,信噪比(signal-to-noise ratio,SNR)大于等于5 dB时,PSK调制信号时差测量精度优于5 ns;对于前沿缓变调制信号,随着脉冲上升沿宽度增大,时差测量精度无明显变化;最后,在外场试验与飞行试验结果中验证方法的有效性与可行性,为高精度多站时差定位系统的实际应用提供了有力支持。

青藏高原及周边地区极端降水天气事件及其基于自组织特征映射方法的天气背景分型

利用2008—2014年中国自动站与CMORPH降水产品融合资料和NCEP再分析资料,基于自组织特征映射方法对青藏高原及周边地区的6 h极端降水天气进行了统计分析。发现6 h极端降水的高值和高频次主要分布在青藏高原西南部和东南部,以及东南侧的四川盆地和南侧沿喜马拉雅山至横断山脉一带。6 h极端降水在高原西南部多发生在14时(北京时,下同),在东南部多发生在20时,而在四川盆地和南侧主要发生在08时。采用自组织特征映射方法将2008—2014年高原及周边地区6 h分辨率的天气背景分为5类,类型I至类型V体现了从夏季—春秋—冬季的渐变,6 h极端降水天气事件发生比率依类递减。高原上总的极端降水主要来自类型I的高原极端降水,类型II及以下的高原极端降水落区逐类缩减并趋于沿冈底斯山零散分布。对比各类型的天气背景发现,高原上类型II及以下的动力强迫较类型I逐渐增强,但是暖心、湿度和对流有效位能等有利热力条件却依类明显缩减,使得高原极端降水落区依类迅速缩减。有利热力条件的分布与大范围极端降水的落区有很好的对应关系,热力条件减弱后,动力条件的增强及其与高原复杂地形的相互作用是导致零散极端降水的重要原因。四川盆地和高原南侧的对流有效位能明显高于高原内,高原在周边的强迫抬升易于触发对流不稳定,释放较高的对流有效位能,形成较强和较频繁的极端降水天气事件。

基于特征聚类和等距映射的无监督特征选择算法

为了提高无标签场景下特征选择的准确率和稳定性,提出一种基于特征聚类和等距映射的无监督特征选择算法。特征聚类将相似性较高的特征聚成一类,然后结合等距映射和稀疏系数矩阵定义新的特征得分计量函数。该函数对各特征簇中的特征进行打分,选择出每个类簇中得分最高的代表特征,构成特征子集。在14个广泛应用的数据集上的实验结果表明:本文所提算法能够选择出具有强分类能力的特征,且算法具有很强的泛化性。

基于等距特征映射的纺纱生产过程决策参数特征提取

纺纱生产中涉及的过程参数繁多,彼此相互关联且存在冗余,针对过程参数间相关性带来的质量指标难以精确预测与控制等问题,文中提出一种基于等距特征映射(Isometric Mapping,Isomap)的纺纱生产过程决策参数特征提取方法。首先,通过灰色关联分析计算过程参数与纱线质量指标间的灰色关联度,筛选出对产品质量指标影响较大的过程参数作为决策参数;然后,采用Isomap算法对决策参数进行特征提取降维,获得彼此独立的低维决策参数特征空间,将其输入到粒子群优化向量机模型(PSO-SVM)中验证所提出算法的特征提取效果;最后,通过算例进行验证,结果显示提出的方法可采用相较于原数据更少的特征空间维度获取更佳的预测效果。

面瘫治愈前后相关穴位静电位动态过程特征映射关系小样品分析及应用初探

目的:探寻面瘫治疗期间过程综合特征值与已康复期康复程度等级之间可通过模型描述的数学映射关系。方法:在实验中测量与治疗同步的面瘫患者相关穴位直流静电位,并按照中医学原理建立起描述相关穴位静电位的离散、失稳状态的基础特征值,构成有高度代表性和浓缩性的综合特征值。理论上从生物物理学“穴位的生物电势能”角度进行中西医结合的解释。结果:对3个综合特征值的曲线及其卡尔曼滤波曲线的7人平均值曲线进行观察,发现其所描述的失稳与散乱程度确实随着治愈过程而日趋减弱。在此基础上建立起治疗过程的过程特征值、组成小样本矩阵及相应的康复程度特征值图标(即教师值),运行数学工具软件MATLAB提供的随机森林搜索算法,建立起经3次检验正确率分别达到66.7%、66.67、83.3%的分类模型,初步证实了上述映射关系的存在。结论:建立一个正确率和稳定性足够高的映射关系数学模型,可预估治疗结果并为及时改进治疗方案提供参考信息。

基于拉普拉斯特征映射与加权极限学习机的电动潜油离心泵故障诊断方法

电动潜油离心泵(简称“潜油电泵”)采油技术在非自喷高产井和高含水井中应用广泛,但其在运作过程中易发生设备故障,后续维护会触发长时间停机,可能造成无法估量的经济损失。目前对潜油电泵故障的诊断主要依赖现场技术人员的经验,无法快速及时地自动诊断分析。为此,文章提出了一种结合拉普拉斯特征映射与加权极限学习机的潜油电泵故障诊断模型。针对潜油电泵采集的数据存在严重不平衡性问题,其首先通过加权极限学习机建立故障诊断模型;然后,为解决算法学习不充分、加权策略会带来计算成本高和应用于高纬度特征空间的效果差等问题,其引入拉普拉斯特征映射方法对模型进一步优化;最后,在TE化工过程数据集上验证了所提方法的有效性,并在潜油电泵实时故障数据集上对该算法的实用性进行实验验证。结果显示,本文算法的分类平均准确率、最大准确率及G-mean相比支持向量机、决策树、BP算法、极限学习机以及加权极限学习机的平均提升了10%以上,验证了本文方法的有效性。

明代《汝水巾谱》所辑巾服特征与时代映射

《汝水巾谱》是现存罕有的融合明代巾服清晰图绘与文字辑注的古籍资料,全书绘制明代巾服32式。本文采用文献研究法对《汝水巾谱》成书背景和构成内容进行梳理,结合图文互证法与艺术考古法分析所辑巾服的形制特征并进一步解析巾服所呈现的时代映射与客观局限。研究表明:《汝水巾谱》所辑巾服来源包含前代已有巾式和作者自创款式,基础结构按披幅划分为4种,巾体造型有平顶型、方顶型、弧顶型和穹顶型4种,装饰手法与表达方式丰富多样,其辑录思想体现着作者对前代名士的仰慕和君子品性的向往之情,结合此书创制背景与辑录内容以此管窥晚明时期社会等级失序下文士巾服中追求复古、标榜奇异、推崇仙道的时代审美风尚映射。

基于多任务特征融合算法的电力大数据增量式自组织映射方法

为了实现电力大数据精准映射,基于多任务特征融合算法研究电力大数据增量式自组织映射方法。对电力大数据进行分解,以线性组合形式划分特征类型;利用多任务特征融合算法设计候选分类类别数量,确定自组织映射目标;通过不同数据的语义长度对应所属类型,实现电力大数据的增量式自组织映射,完成增量式数据的自组织映射方法设计。以某省实际运行的电力公司为测试对象,对其一年内产生的电力大数据作为测试样本,分别将其按照具体的类型进行映射,验证新方法。实验结果表明,新方法可以实现精准的自组织映射,在整个过程中不会产生数据交换误差,具有应用价值。

基于多维信息特征映射的密集输电通道信息物理风险演化仿真

在野外恶劣环境中,密集输电通道安全性难以保证,降低了输电网的工作可靠程度。为了保证密集输电通道安全、及时风险干预,进行基于多维信息特征映射的密集输电通道信息物理风险演化仿真研究。在野外现场布设一体化环境监控系统,采集密集输电通道信息物理风险多维影响因素,并利用主成分分析法从影响因素中选取多维信息主特征。构建主特征与风险等级之间的多维信息特征映射模型,得出风险值,对比等级划分表,判断密集输电通道信息物理风险程度。结果表明:6 d前密集输电通道信息物理风险值均处在0以下,但总体呈现上升趋势,该阶段为风险发生前;在6 d之后,风险值进入低风险区域;在之后14 d,风险值分别经过了低风险、较低风险、中风险,最终停留在了较高风险区域。为保证密集输电通道安全提供了新的研究思路。

基于多尺度学习、特征映射网络的图像超分辨率重建研究

图像超分辨率的重建技术,是针对传统卷积神经网络重建(SRCNI)方法,存在的像素特征利用率低、高频细节恢复能力弱等问题,提出利用多尺度卷积核、特征映射网络,进行多图像像素递归学习、特征映射的重建执行方法。通过搜集低分辨率(LR)图像数据集、图像像素特征,基于SR图像超分辨率重建技术,使用1×1、3×3等尺度的卷积核,作出图像像素数据的降维处理、浅层特征提取、特征映射、特征信息融合等操作,并结合递归学习后的局部残差、全局残差特征反馈结果,将多尺度的低分辨率(LR)像素特征,映射到高分辨率(HR)像素特征空间,可得到特征融合后的、重建的超分辨率图像。

量子自组织特征映射神经网络

自组织特征映射是典型的无监督神经网络算法。它运用竞争学习策略实现数据分类。然而当网络中神经元个数为多项式时,自组织特征映射算法训练容易受到计算力挑战。为了降低算法训练的时间复杂度,本文提出了一个量子经典混合的自组织特征映射神经网络算法,利用量子叠加性和量子纠缠性对经典算法进行加速。在神经网络训练过程中,算法利用量子相位估计和Grover搜索算法并行实现相似度计算和标签提取。理论分析表明,本文提出的量子算法相比于经典算法在数据维度上具有指数加速。

基于特征点映射关系的接骨板系列化设计方法

为快速设计符合患骨的多类型系列化接骨板,减少手术中接骨板的调整次数,提出基于特征点映射关系的接骨板快速系列化设计方法.首先基于已有骨骼平均化点云模型构建曲面模型,并对其进行参数表示生成骨骼特征模型;其次基于骨骼特征模型的感兴趣区域重构出以特征线为中心的接骨板贴合面,并对其配置参数生成贴合面特征;最后建立骨骼特征模型的感兴趣区域和接骨板贴合面两者特征点间的映射关系,实现接骨板贴合面随感兴趣区域变化,从而通过后期加工处理生产出系列化接骨板.以桡骨远端掌侧接骨板和胫骨近端内侧T型接骨板为例进行实验,验证了该方法的有效性和可行性.

基于设计特征模型的加工特征映射技术

为了实现数控编程过程中能够自动确定加工区域,对基于特征设计系统构建产品模型的方法、产品信息模型、信息模型间的关联关系、飞机结构件加工特征定义分类、设计特征与加工特征间的内在关系进行了深入的研究,提出了基于设计特征模型映射加工特征的方法.该方法通过遍历特征设计树,判断特征间的关系,查询特征组成面信息,从而构建出特征属性邻接图,进而采用基于图匹配的特征识别方法得到加工特征,并提取加工特征信息.该方法压缩了图匹配空间,大大提高了特征识别的速度,应用此方法实现了飞机壁板类零件的特征识别.

基于特征映射的非回转体零件CAD/CAPP信息集成研究

本文介绍一种面向非回转体零件并采用特征映射方法实现ＣＡＤ／ＣＡＰＰ信息集成的系统。重点讨论了系统中特征的自动分类描述及特征映射的分阶段实施等关键问题。提出了对应不同映射方法的级特征分类算法。

零件设计与制造域间特征映射数学模型的研究

采用数学工具，在特征信息描述的基础上，系统地分析了特征映射中信息演变过程，建立了零件设计与制造域间特征映射的数学模型，探讨了特征映射原理。

基于Hessian半监督特征选择的网络图像标注

针对半监督特征选择算法进行了研究,采用有标签图像和无标签图像的半监督特征选择方法来提升网络图像标注的性能。基于二阶Hessian能提出一个新的半监督特征选择方法,该方法具有更好的局部拓扑结构保持特性和推断能力,从而能够克服基于图拉普拉斯半监督学习方法的缺点。将所提出的半监督特征选择算法应用到网络图像标注任务中,在两个大规模网络图像数据库上进行了实验,结果表明Hessian半监督特征选择方法优于拉普拉斯半监督特征选择方法,适合大规模网络图像标注。

自组织特征映射神经网络原理和应用研究

根据耕地利用在经济、社会和生态方面面临的压力状况,以压力状态响应框架为基础,设计一套压力大小量化的指标体系,引入具有较强的聚类和容错能力的自组织特征映射(self-organizing mapping,SOM)神经网络模型,在说明SOM网络模型和算法的基础上,应用SOM的聚类功能,以MATLAB语言构建SOM网络模型,对我国的31省市自治区耕地利用压力大小进行了分类,并结合相关文献的研究成果阐述耕地压力的地域差异原因.结果显示我国耕地压力的区域差异与经济地域差异有高度的一致性,表明经济发展是耕地压力的主要来源.选取大样本的神经网络训练得到的结果和现实的一致也表明,SOM模型是一种适用的耕地压力区域分类新方法.

基于拉普拉斯特征映射的故障模式识别方法

拉普拉斯特征映射算法能有效提取高维非线性数据中嵌入的低维流形特征。将其引入到设备故障诊断领域,应用于故障模式识别问题,提出了一种基于拉普拉斯特征映射的故障模式识别新方法。运用基于拉普拉斯特征映射的非线性降维算法直接对原始故障信号进行学习,提取出数据内在的流形特征,极大地保留了信号中内含的整体几何结构信息,有效克服了常规模式识别方法仅能获得局部线性结构的不足,明显改善了故障模式识别的分类性能。仿真和工程实例结果表明了所提方法的可行性和有效性。