基于JDA-BP网络的MQAM信号调制识别

针对小样本条件下由信号调制识别准确率低和信道环境变化导致调制识别网络性能下降的问题,提出了一种基于联合分布适配-反向传播神经网络(JDA-BP)调制识别方法。通过改变信道环境生成概率分布不同的多进制正交振幅调制(MQAM)信号,提取MQAM信号的瞬时统计特征和高阶累积量组成样本,构建3个概率分布不同的数据集,使用联合分布适配(JDA)算法缩小数据集间的特征差异,并将适配后的数据集送入BP神经网络进行训练和测试。对比实验表明,在目标域为小样本的条件下,该文方法针对源域和目标域概率分布不同的情况,能有效地减小概率分布距离,信号调制识别平均准确率可达73.25%;相比于比未使用JDA-BP方法,调制识别准确率平均提高了6.80%。

基于混合启发式算法的快递末端选址路径优化研究

传统快递末端配送模式存在快递网点建设冗余、派送路径重叠等问题,而共同配送模式可有效解决此类问题,因此对共同配送模式下同时收派件且收件需求为不确定情形的快递末端网点选址路径问题进行研究。首先,建立了两阶段数学优化模型,引入随机机会约束来处理收件量不确定的问题。其次,设计基于遗传算法和自适应大邻域搜索算法的混合启发式算法。最后,通过数值实验表明:所设计的混合算法比传统遗传算法具有较快的收敛速度和较好的求解质量;决策者对随机需求下的优化方案风险接受程度过高或过低都会导致成本上升;随客户收派量之比的增加,快递末端配送成本呈先降低后增高的趋势;采用最近网点返回策略可有效降低企业配送成本。

一种多特征联合分布的Camshift目标跟踪算法

针对Camshift算法在纹理与颜色相似干扰、目标遮挡等复杂背景中鲁棒性不高、易出现跟踪丢失等问题,提出了一种多特征联合分布的Camshift目标跟踪算法。新的算法选择等价模式LBP纹理,色调与饱和度为多特征,图像从RGB空间的转化为ULBP-H-S空间。选取图像中运动目标作为目标模板,计算目标模板的ULBP-H联合概率分布图与H-S联合概率分布图,通过自适应系数将两个联合概率分布图按位与运算后到目标的联合概率分布图。在每次迭代搜索中,通过自适应搜索窗口算法预测下一帧的搜索窗口位置与大小,在预测的搜索窗口中使用Camshift算法对目标连续跟踪。实验结果表明,改进的算法能在纹理与颜色相似干扰与目标遮挡复杂环境中,对运动目标跟踪有较高的准确性与鲁棒性。

自适应遗传算法求解半开放式多配送中心的车辆路径问题

针对半开放式多中心车辆路径问题,考虑配送中心配送成本不同,设计一种两阶段自适应遗传算法求解.在第一阶段通过并行算法和TOPSIS评分模型将客户点按配送中心进行分组,将较大规模问题问题转化为多个单配送中心路径问题,并在第二阶段设计了自适应遗传算法求解.基于国际标准算例库中的pr02算例,通过将所提出算法与其他文献中的混合蚁群算法和遗传算法进行对比分析,验证了所提算法的有效性和适用性.

基于改进联合分布适应的轴承智能故障诊断方法

在轴承故障诊断过程中,存在缺乏足量故障样本、变工况下信号分布差异等问题。虽然基于机器学习和深度学习方法的智能故障诊断方法的运用取得了许多成果,但该方法在应用过程中仍面临一些挑战,阻碍了智能故障诊断方法在实际工业场景下的应用。为此,提出了一种基于改进联合分布适应的轴承智能故障诊断方法(BIFD-IJDA)。首先,利用小波包变换对振动信号进行了分解与重构,再计算了重构信号的统计参数,构成了原始特征集;然后,设计了基于特征重要度与KL散度的迁移特征选取方法,对各统计参数特征进行了量化评估;采用了改进联合分布适应方法,对源域和目标域特征集进行了分布适应处理,降低了域间分布差异;最后,利用源域特征样本训练的故障诊断模型预测了目标域样本故障类别,采用美国凯斯西储大学实验台和机械故障模拟(MFS)实验台的轴承故障数据,开展了不同工况下的故障诊断实验。实验结果表明:该故障诊断方法在2种轴承故障数据下取得的最大故障诊断准确率分别为100%和96.29%,明显优于其他对比模型。研究结果表明:该故障诊断方法具有应用于实际工业场景的潜力。

基于黎曼空间的运动想象脑电信号特征迁移学习算法研究

由于脑电信号具有低信噪比、非平稳等特点,传统脑机接口需对用户执行长时间的校准训练,才能建立可靠、准确的分类模型。针对当前迁移学习在脑电信号上分类准确率低的问题,本研究提出了基于黎曼空间特征迁移学习(Riemannian space feature transfer learning,RFTL)的运动想象脑电信号分类算法。该算法首先在黎曼空间对源域和目标域数据进行分布对齐后,利用联合分布适配减少不同域间的数据分布差异,构建适用于目标域任务的域不变分类器模型。实验结果表明,RFTL算法可有效解决跨域分布的不一致性,显著提高运动想象脑电信号跨对象的识别准确率,改善脑机接口研究中的通用性问题。

基于联合分布适配的单向迁移差分进化算法

传统的差分进化算法求解优化问题一般从零知识开始,独立搜索,没有利用已求解过的相似问题信息,针对这一问题,在传统的差分进化算法中引入迁移学习技术。首先,利用存在相关性的源问题的优化种群和目标问题的当前种群抽取关键信息,通过联合分布适配的方法映射到高维希尔伯特空间。其次,用映射后得到的矩阵构建新种群,代替目标问题的种群,完成后续进化任务。实现了2种迁移模式:在目标问题求解初始化时,将源问题的有效信息进行迁移,引导算法搜索方向;目标问题求解迭代一定的次数后,再利用迁移的有效信息,加快种群收敛速度。最后,采用9组多任务测试函数对算法进行了测试,与无迁移的差分进化算法以及直接迁移种群的无适配技术的差分进化算法进行对比。结果表明:在求解质量方面,所提算法有7组优于传统的无迁移差分进化算法;在求解速度方面,所提算法有7组比传统差分进化算法收敛速度更快;基于迁移学习的差分进化算法对提高目标优化问题的求解精度和收敛速度是有效的。

基于联合分布适配的智能电表运行状态评价

针对智能电表运行状态评价中经常存在带标签的数据采集困难且不同地区的数据分布不一致的问题,在智能电表的运行状态评价领域引入迁移学习中的联合分布适配(JDA)算法。该算法寻找一个最优化的变换矩阵,使得在变换后的空间中不同地区数据的边缘分布和条件分布距离最小化。针对条件分布适配中目标域没有数据标签的问题,采用伪标签迭代的方法使得目标域伪标签不断接近真实标签。变换后空间数据中训练得到的分类模型可以运用于新的地区,实现迁移。实验结果证明了JDA算法在智能电表运行状态评价中的有效性。

共同配送选址-路径问题及大邻域搜索算法

结合城市物流共同配送体系两层级、多中心、多车型等特点,研究了两层级共同配送选址-路径问题。以总成本极小化为目标,建立该问题混合整数规划模型,设计求解模型的自适应大邻域搜索算法。算法应用多种删除操作符和插入操作符生成邻域解,根据每次迭代得到的邻域解优劣调整相应操作符的选择概率,加快收敛速度。利用选址-路径问题的标准测试集生成若干算例,分别利用自适应大邻域搜索算法和Gurobi软件进行求解,通过对比分析验证自适应大邻域搜索算法的快速有效性。

基于多域特征联合分布适配的刀具磨损状态识别

针对不同加工参数下的刀具磨损建模问题,提出一种基于多域特征联合分布适配的刀具状态识别方法,以提高刀具状态识别模型的泛化性能与识别精度。对切削过程中不同加工参数下的传感器信号数据,提取时域、频域、时频域特征,通过联合分布适配算法(JDA)缩小特征间的差异,适配后的特征输入到K-最近邻分类器(KNN)进行磨损状态识别。实验结果表明,该方法能够有效识别不同加工参数下的刀具磨损状态,平均识别精度可提升12%以上,具有较好的泛化性能和识别精度。

基于分布式压缩感知的自适应距离选通三维成像

基于距离选通成像时间切片间的相关性,提出分布式压缩感知三维成像方法,有效解决了三维成像庞大数据量与硬件存储性能的冲突.根据相关性构建基于联合稀疏模型的分布式压缩模型,辅助重构部分时间切片.设计一种自适应距离选通方法,根据设定阈值自适应调整选通时间,无需距离先验信息,增加了系统灵活性.结果表明:平均采样率为0.15时,该方法的成像质量比传统方法提高11.124 dB,成像距离的平均误差降低6.240.分布式成像方法能够有效减少时间切片冗余信息的采集,为距离选通三维成像提供了一种新的思路.

领域自适应任务中的动态参数调整方法

领域自适应方法在特征变换过程中对多个度量大多采取静态权重设置,导致方法在不同任务上效果差异较大.为此,文中提出领域自适应任务中的动态参数调整方法.基于再生希尔伯特空间模型,最小化域间可区分性联合概率分布差异,求解域间不变特征空间.在此过程中,依据A-距离计算域间差异中同类标签和不同类标签分布差异的占比,并以此动态调整可区分性和可迁移性的权重参数,从而达到最优的自适应效果.在3个图像分类数据集上的实验表明文中方法的有效性.

联合时频技术用于ISAR像综述

由于雷达回波的时变和频变特性,使得当基于FFT处理进行ISAR成像时,图像上存在许多扩展散射点和虚假响应,严重影响了图像质量,并对ISAR像的后续处理带来困难。而联合时频技术由于能有效处理时变信号,因而在提取ISAR运动补偿信息、瞬时(瞬频)成像、ISAR像后续处理及理解ISAR成像机理等方面有许多成功的应用,本文对此进行了较为系统的总结。

基于无监督域适应的可区分联合匹配算法

当域之间差异较大时,域适应的迁移效果较差.缩小域差可改善迁移效果,但却忽略后期分类时的可区分性.因此,文中提出基于无监督域适应的可区分联合匹配算法,根据域间类别的不同进行差异化处理,并结合特征匹配和实例重加权提高迁移效果.使用联合概率分布作为域之间数据分布差异的度量,缩小相同类域之间的距离,提高迁移性;扩大不同类域之间的距离,提高区分性.在特征降维的过程中联合特征匹配和实例重加权,共同构造特征变换矩阵.实验表明,文中算法在18组任务上的分类效果较优.

基于深度迁移学习的航天器故障诊断

随着航天科技的发展,智能故障诊断技术是确保航天器控制系统安全、自主运行的关键技术之一.由于在轨航天器遥测数据样本少、噪声高、未标记,因此缺乏自适应能力、学习能力的传统故障诊断方法难以准确诊断在轨航天器故障.本文针对上述问题提出一种基于深度迁移学习的航天器故障诊断方法,为在轨航天器实时故障诊断提供了可行方法.首先,对航天器运行数据进行预处理,将多维时域信号转换为二维图像信号;其次,搭建基于残差网络的故障诊断深度学习框架,并利用地面测试数据与其他航天器在轨运行数据对网络进行预训练;进而,为了实现当前在轨航天器实时故障诊断,本文采用迁移学习自适应方法,设计网络联合分布自适应代价函数,对故障诊断模型进行参数重调,使模型适应当前在轨航天器故障诊断任务.仿真结果表明,所提出的基于深度迁移学习的故障诊断方法可以快速准确的诊断出航天器故障.

基于域适应神经网络与联合分布自适应的无监督故障诊断方法

故障诊断对于机械设备的健康管理十分重要,当前,数据驱动的故障诊断方法已成为了本领域研究热点。然而,机械设备的工作状态与条件是不断变化的,这导致故障数据分布不同,故障诊断带来了挑战。针对该问题,提出一种基于域适应神经网络与联合分布自适应的无监督故障诊断方法。首先,将不同数据分布的故障诊断数据通过信号转图像的方法进行数据预处理;然后,使用域适应神经网络生成数据分布相似的特征;最后使用联合分布自适应方法处理所生成的特征。该方法可以有效地解决工作状态与条件发生变化所带来的数据分布不同的问题。所生成的模型可以在无标签的情况下,较为准确地诊断在另一个工作状态下采样的故障数据。最后,利用本领域的经典案例———凯斯西储大学轴承数据集,对所提方法进行了测试验证,实验结果证明了该方法的可行性与有效性。

变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。

CarSim和Matlab/Simulink联合仿真分布式驱动电动车ACC研究

为实现分布式驱动电动车的自适应巡航控制(ACC)功能,基于Matlab/Simulink搭建ACC控制策略,采用分层控制方法,首先设计上层控制器,根据目标车辆运动状态信息分别计算巡航和跟车模式下的期望加速度,然后根据不同模式间的切换逻辑和下层控制器,计算对应模式下的四轮驱动力矩和制动压力,最后通过CarSim和Matlab/Simulink联合仿真进行模型验证。验证结果表明:该模型可以在巡航和跟车结合的综合工况下实现良好的自适应巡航控制。

基于深度网络的滚动轴承智能故障诊断

针对变工况环境中滚动轴承的源域与目标域数据分布不同及目标域样本不含标签的问题,提出一种基于深度自适应迁移学习网络(DATLN)的滚动轴承故障诊断模型。首先,搭建领域共享特征提取网络,采用多尺度卷积神经网络(MSCNN)抑制噪声的干扰,进而有效提取振动信号中蕴含的局部故障信息;其次,结合双向长短时记忆网络(BiLSTM)进一步学习局部故障信息中的时间特征;最后,引入迁移学习,以域对抗(DA)训练结合自适应联合分布(AJD)度量构建域自适应模块,通过最大化域分类损失和最小化AJD距离,实现源域与目标域特征样本对齐。在开源CWRU数据集与机械故障平台实测数据集上分别进行抗噪实验和迁移实验。抗噪实验表明:①在无噪声环境下,MSCNN-BiLSTM网络的识别准确率均达到99%以上,说明其具有较好的特征提取能力;②MSCNN-BiLSTM,LeNet-5,MSCNN和BiLSTM四种网络的识别准确率随着噪声强度的增强而降低;③在3,5,10 dB噪声环境下,MSCNN-BiLSTM网络的平均识别准确率比LeNet-5,MSCNN和BiLSTM网络的平均识别准确率均高,说明MSCNN-BiLSTM网络具有较好的抗噪声干扰性能;④MSCNN-BiLSTM网络在无噪声环境和3 dB噪声环境下,均最先达到收敛且波动较小。迁移实验表明:①在无标签目标域数据集上,DA+AJD方法的平均识别准确率为97.36%,均高于Baseline,迁移成分分析(TCA),域对抗神经网络(DANN)的识别准确率;②在测试集混淆矩阵上,DA+AJD方法仅有1个样本被错误识别,表明基于域适应的DA+AJD方法具备更好的故障迁移诊断性能;③利用t-SNE算法对处理后的源域与目标域特征样本进行可视化,DA+AJD方法只有少量目标域的滚动体故障和外圈故障特征样本被错误对齐到源域的内圈故障特征样本区域,说明DA+AJD方法可有效减少源域与目标域的边缘分布和条件分布差异,进而达到更好的特征样本对齐效果。

装备联合配送路径优化及算法分析

针对传统的装备配送模式存在着分区复杂、物资无法共享以及配送路径优化不合理等问题,提出了装备联合配送的方式,综合考虑配送时间、部队服务满意度和配送成本的目标,构建带时间窗的联合配送路径优化模型。并针对模型,提出了一种自适应改进遗传算法。该算法利用PFIH算法构建初始解,采用新颖的变异算子和自适应的交叉变异概率,利用relocate和2-opt进行中间解的优化,加快算法收敛。多目标权重处理采用RCA算法进行量化。最后实验证明该算法性能优良,求解高效,能够应用于军用装备联合配送的实际场景。