基于点线的视觉惯性导航系统初始化方法

视觉惯性导航系统在初始化阶段解算出系统初始位姿、惯性测量单元(IMU)零偏以及单目尺度因子,能极大程度上保证系统收敛。为解决视觉惯性导航系统在点特征缺失环境下初始化效果差甚至失败的问题,提出了一种基于点线的视觉惯性导航系统初始化方法。首先,通过几何方法在滑动窗口内构造了一个基于点线的结构,该结构相比于点结构具有更丰富的先验信息;其次,使用从运动中恢复结构(Sf M)的方法,恢复点线结构的运动状态;最后,以松组合的形式对齐结构的运动状态以及IMU预积分结果,求解出IMU零偏、重力加速度、速度和尺度因子等初始量。实验结果表明:在点特征缺失的公共数据集上,相较于基于点特征的初始化方法,所提方法的均方根定位误差减少6%,初始误差显著降低,同时具有更好的建图结果。

结合精英初始化和K近邻的蛇优化算法

蛇优化算法(SO)是一种受自然界中蛇生存行为启发产生的元启发式优化算法。原始蛇优化算法存在收敛速度慢、易陷入局部最优的问题,因此提出了一种结合精英初始化和K近邻的改进蛇优化算法(elite initia-lization and K-nearest neighbors improved snake optimizer,EKISO)。首先,为了提高初始种群质量,在种群初始化阶段提出精英初始化的方法,根据种群精英个体产生优质初始种群个体;其次,通过振荡因子优化螺旋觅食策略扩大全局勘探阶段的搜索范围、提高算法的局部逃逸能力;最后,在局部开发阶段提出K近邻思想的位置更新方法,增强种群个体之间的信息交互能力,从而加快收敛速度、提高收敛精度。利用14个经典测试函数和4个CEC2017测试函数将该方法与其他7种优化算法进行对比,证明EKISO收敛速度更快、精度更高且不易陷入局部最优。为了进一步验证EKISO的实用性与可行性,将EKISO应用于压力容器设计问题中,通过实验对比分析可知,EKISO在处理实际优化问题上具有一定的优越性。

数字滤波初始化对台风“烟花”数值模拟的影响

基于中尺度数值模式WRF(Weather Research and Forecasting),分析在逐小时循环同化系统中,高频多次应用数字滤波初始化方案对台风“烟花”模拟结果的影响。结果表明:(1)数字滤波能够产生与天气现象相关的滤波增量。晴空区域由于向后积分过程中辐射等重要过程未开启,后向积分结束时近地面温度变化较小,在向前积分时白天到达地表的太阳短波辐射过度累积,夜间地表热辐射过度释放,造成晴空区白天2 m温度升高,夜间2 m温度降低。台风对流区域受后向积分为绝热过程的影响,原本上升运动中水汽凝结释放潜热脱离气块的降水无法在绝热下沉增温中吸收热量变为水汽,在后向积分时产生了热量的异常累积以及水汽的减少,导致强对流区域热力结构发生变化。(2)统计结果显示,随着数字滤波应用次数的增加,初始化过程对初始场和预报的影响逐渐积累,造成的预报差异持续整个模拟过程。(3)在循环同化的基础上多次应用数字滤波初始化,数字滤波初始化显示出较好的抑制高频噪声的作用。多次滤波后台风环流中心暖心增强引起台风强度增强,最低气压更加接近最佳路径资料;暖湿气流向鲁南地区输送的减弱造成鲁西南地区特大暴雨漏报;台风环流位置的偏南影响了后期与西风槽结合的时间导致后期移速偏慢。

2019款迈腾B8L轿车电子节气门组件故障检测与初始化

在汽车故障检测的实际操作过程中,会发现有时仅仅通过一种检测方法并不能准确确定故障发生的原因和位置,无法排除故障,给维修带来一定的困扰。为能够更好地检测汽车传感器故障,文章针对发动机电子节气门组件的实际检测方法进行了详细介绍,并对2019款迈腾B8L轿车的节气门位置传感器故障进行检测和分析,排除故障并进行节气门初始化,为维修行业及高职院校教学提供汽车维修思路。

基于多视图几何的无人机单目视觉定位初始化

无人机载单目视觉定位的初始化性能将决定整个无人机视觉导航过程的准确度,针对视觉定位初始化过程中耗时长和初始位姿不准确等问题,提出一种基于多视图几何基本原理,组合运用滑动窗口、三角约束、多点透视成像和光束平差法,实现无人机视觉定位的快速准确初始化方法,通过在数据集上进行验证,该方法相比经典的算法在时间和初始化精度上取得了更为优异的效果。

Deep-Init:基于深度学习的视觉惯性里程计非联合初始化方法

对于非线性的单目VIO系统来说,其初始化过程至关重要,初始化结果的好坏直接影响整个系统运行过程中状态估计的精度。为此,将深度学习方法引入单目VIO系统的初始化过程中,提出了一种高效的非联合初始化方法(简称Deep-Init),其核心是使用深度神经网络对IMU中陀螺仪的偏置和噪声等随机误差项进行准确估计,得到初始化过程中的关键参数,即陀螺仪的bias;同时,将IMU预积分与SfM进行松耦合,通过位置和旋转对齐,使用最小二乘法对绝对尺度、速度以及重力矢量等进行快速恢复,并将其作为初始值来引导非线性紧密耦合的优化框架。由于深度神经网络对陀螺仪数据进行补偿,从而大大提高了IMU中旋转估计量的准确性,有效提高了IMU数据的信噪比,同时减少了最小二乘方程失效的次数,因此进一步减少了计算量。使用去除误差项的陀螺仪数据的预积分量替换SfM中的旋转量,将IMU的旋转量作为真值,不仅避免了将不准确的SfM值作为真值进行初始化时所带来的误差,有效提升了系统状态估计的精度,而且能够有效地适应高速运动、光照变换剧烈和纹理重复等SfM估计效果差的场景。在EuRoC数据集上,对所提方法的有效性了进行实验验证,实验结果表明,所提出的初始化方法Deep-Init无论是精度还是耗时均取得了良好的效果。

遗传算法能量分析中初始化与变异机制研究

人工智能与侧信道密码分析相结合,给密码分析学带来了新的研究方向。近十年来,遗传算法被引入侧信道分析,国际上出现了一系列相关研究成果。然而,现有基于遗传算法的相关能量分析存在局部最优问题,使整个分析过程的效率偏低。本文旨在建立局部最优与成功率之间的关系,选取科学的初始化与变异机制,以显著提升使用人工智能算法开展侧信道分析的效率。我们首先探究了遗传算法能量分析成功、以及陷入局部最优的本质原因,随后从初始化机制、变异机制两个角度尝试克服局部最优问题,引入随机初始化、相关能量分析初始化、随机字节变异、基于密钥适应度排名的启发式变异等四种机制进行组合对比。通过参数选取、成功率对比、计算代价对比等多次实验得到结论:相关能量分析初始化结合随机字节变异的方法具有最高的成功率,同时计算代价也最小。与此同时,本文总结了遗传算法相关能量分析方法不适用于软件实现、难以分析大位宽运算、攻击防护对策时复杂度高、信噪比低时复杂度高等局限性问题,建议密码硬件计算过程中尽量不要将以字节或比特为单位计算的值存入寄存器,以防护遗传算法类能量分析攻击,并对未来工作进行了展望。我们认为,新方法在分析无防护硬件实现的分组密码算法时具有较高的实用性,建议应用于实际的侧信道分析测评工作。

初始化对交通元胞自动机模型稳定性的影响

针对现有交通元胞自动机模型运行初始不稳定,数据输出存在较长时间的初始波动问题,基于Fisher-Yates算法原理,设计出一种新的交通流初始化方法。该方法可以确保车辆从进入元胞空间到随后的演化更新,其位置及更新时机的随机性。通过对采用新交通流初始化方法的模型进行演化实验,结果表明:任意空间占有率条件下交通流的初始波动区间都在50步以内;当演化更新总步数达到3600步时,模型剔除初始波动区间的输出数据已充分收敛,这时模型运行已足够稳定。

基于显式保积方法的电磁暂态初始化计算方法

交流–电网换相换流器型高压直流输电(AC-line commutated converter high voltage direct current,AC-(LCC)DC)混联系统的电磁暂态初始化在计算模型上可表述为一个扰动的可分无源动力系统。因此,将无源动力系统的显式保积算法应用于电磁暂态初始化计算。采用相空间分析方法,对基于逐次积分法的电磁暂态初始化方法的收敛条件以及收敛速率进行了定量分析。在上述基础上,提出了一类新的、系统化的初始化计算方法,该方法计算格式简单、易于编程,在计算效率上具有明显的优势。算例结果验证了所提方法的有效性。

基于NMF初始化的非负双奇异值分解算法分析

随着大数据技术的发展,非负矩阵分解(NMF)日益成为目前最流行的模式识别方法之一,并广泛应用于文档聚类、图像处理、人脸识别、信号分析等多个领域。针对NMF中双因子矩阵的初始化问题,对非负双奇异值分解算法进行分析,数值实验表明该算法可以快速降低众多基于NMF衍生算法的近似误差。

采用离群点检测技术的混合型数据聚类初始化方法

近年来,混合型数据的聚类问题受到广泛关注。作为处理混合型数据的一种有效方法,K-prototype聚类算法在初始化聚类中心时通常采用随机选取的策略,然而这种策略在很多实际应用中难以保证聚类结果的质量。针对上述问题,采用基于离群点检测的策略来为K-prototype算法选择初始中心,并提出一种新的混合型数据聚类初始化算法(initialization of K-prototype clustering based on outlier detection and density,IKP-ODD)。给定一个候选对象,IKP-ODD通过计算其距离离群因子、加权密度以及与已有初始中心之间的加权距离来判断候选对象是否是一个初始中心。IKP-ODD通过采用距离离群因子和加权密度,防止选择离群点作为初始中心。在计算对象的加权密度以及对象之间的加权距离时,采用邻域粗糙集中的粒度邻域熵来计算每一个属性的重要性,并根据属性重要性的大小为不同属性赋予不同的权重,有效地反映不同属性之间的差异性。在多个UCI数据集上的实验表明,相对于现有的初始化方法,IKP-ODD能够更好地解决K-prototype聚类的初始化问题。

随机初始化神经网络剪枝的稀疏二值规划方法

传统深度神经网络剪枝方法往往以预训练模型为初始网络并需要在剪枝后进行微调。受到近年来edgepopup等基于随机初始化网络的剪枝算法优异性能的启发,提出了一种基于稀疏二值规划的随机初始化网络剪枝算法。该算法将剪枝训练过程建模为一个稀疏二值约束优化问题。其核心思想是利用稀疏二值规划来学习一个二值掩膜,利用该掩膜可以从随机初始化的神经网络上裁剪出一个未经训练却性能良好的稀疏网络。与之前基于随机初始化网络的剪枝算法相比,该算法找到的稀疏网络在多个稀疏度下都具有更好的分类泛化性能。与edge-popup算法相比,在ImageNet数据集分类任务中,模型在稀疏度为70%时精度提升7.98个百分点。在CIFAR-10数据集分类任务中,模型在稀疏度为50%时精度提升2.48个百分点。

输运理论中原子核初始化研究

基于同位旋相关的量子分子动力学(IQMD)输运理论模型,研究中能重离子碰撞的初始化问题。成功的初始化可以很好地减少碰撞过程中出现的非物理涨落和虚粒子发射,有利于两体碰撞过程顺利进行。计算发现,不同的对称势对原子核的稳定性有一定的影响。选取不同质量数的Fe,Kr,Sn元素及其同位素,通过其在自身平均场中随时间的演化来验证原子核的稳定性,统计出初始化稳定原子核的数量,选取出最为稳定的对称势。发现平方项的对称势U2最为稳定,其对应的斜率L、不可压缩系数Ksym都在已知的约束范围内,表现出同位旋相关平均场取硬势时,原子核更为稳定的特征。

基于改进恒热传输模型的精馏模拟初始化

为提高复杂精馏塔模拟的收敛性能,改进了一种恒热传输模型,以将其拓展到复杂精馏塔中,并基于此提出了一种新的通用精馏模拟初始化方法。通过简单计算,所提出方法即可较好地估计复杂精馏塔的温度、流量以及组成沿塔板的分布。通过两个实际精馏分离过程案例,验证了所提出的初始化方法,并与经典初始化方法进行比较。结果表明,所提出初始化方法与经典初始化方法耗时相近,但所获初始分布与最终模拟结果更为接近,从而有效减少了模拟迭代次数,而对于难收敛的非理想体系精馏过程模拟,基于该方法也可以获得收敛。

视觉惯性导航系统初始化方法综述

视觉惯性导航系统通过初始化,对尺度信息、重力向量、速度、惯性传感器偏差等一系列状态估计所需参数进行快速求解,以提升系统后续导航定位与环境感知的准确性。根据传感信息耦合方式,视觉惯性导航系统初始化方法可以分为三类:联合初始化、非联合初始化和半联合初始化。基于现有研究工作,从基础理论、发展与分类、现有方法、性能评估四个方面展开,对目前主流的初始化方法进行综述,并总结视觉惯性导航系统初始化领域未来的发展趋势,有利于对视觉惯性导航系统初始化方法形成总体性了解并把握其发展方向。

IAU-Replay初始化方法在华南暖区暴雨模拟中的应用研究

基于TRAMS(Tropical Regional Atmospheric Model System)区域模式和ECMWF(European Centre for Medium-range Weather Forecasting)全球分析场资料,对一次华南暖区暴雨过程进行IAU-Replay模拟试验。由于本次个例模拟试验的分析时刻ECMWF分析场和TRAMS模式正好处于比较协调的状态,直接使用全球分析场进行冷启动也不会激发虚假高频短波,因此IAU-Replay方法对于模拟结果的初始平衡性影响较小。从动力场和水物质场的对比可以发现,IAU-Replay方法通过提前启动模式有效避免了Spin-up过程的影响,这对于降水预报具有明显的改进效果。对IAU-Replay中不同预热时间的敏感性进行测试,发现当预热时间从6 h延长至12 h后模式可以更加合理地模拟出与对流系统中直接相关的中小尺度信息,从而使降水预报效果更接近实况。连续一周的预报结果评估进一步验证了IAU-Replay技术的有效性。

鹈鹕初始化的灰狼算法在工程优化上的应用

为了进一步提高灰狼算法(Grey Wolf Optimization, GWO)的开发能力和勘探能力,提出一种鹈鹕算法(Pelican Optimization Algorithm, POA)初始化灰狼位置的算法(POAGWO)。POAGWO算法利用POA算法来优化GWO算法的初始位置,这有助于增强POAGWO算法的开发能力和勘探能力。然后,通过不同类型的单峰,高维多模态和固定维多模态的6个典型的测试函数对算法的性能进行测试。测试结果表明POAGWO算法在开发能力和勘探能力上都超过了POA算法和GWO算法,并且从6个迭代曲线图中也可以看出改进后的算法可更快地趋向于全局最优解。最后将POAGWO算法应用于4个工程优化设计问题中,应用结果表明POAGWO算法具有很好的求解性能。

近地引力波编队构型设计与初始化方法研究

近地小型化引力波探测编队研制周期短、成本低,适合于引力波项目前期的关键技术验证,具有重要的工程应用价值。不同于深空环境,近地引力波编队受地球非球形引力摄动影响显著,星间距离易产生发散致使任务失败。因而相对于典型的深空引力波探测编队,近地引力波探测编队在无控状态下的自然稳定编队构型设计及其构型精确初始化是一个全新的轨道设计与控制问题。本研究以二体引力场下的轨道动力学和相对运动动力学为基础,对正三角形编队构型进行初步设计。再以构型长期稳定为目标,从摄动解析理论和智能优化的数值搜索方法对摄动条件下的自然稳定构型进行求解,为近地引力波探测编队提供了稳定的构型设计方案。最后,针对探测构型的精确初始化问题,探索了全局最优的微分校正策略,实现了近地引力波探测编队的高精度构建。

引入特征选择初始化策略的弹性网络聚类算法

聚类分析在数据挖掘领域有非常重要的作用.为了克服传统聚类算法存在的低精度、低稳定性、无法求解大规模数据的问题,提出了引入特征选择初始化策略的弹性网络聚类算法(FSENC).算法首先用聚类目标函数替换弹性网络的损失函数,从而获得用于求解聚类的新能量函数,并优化了弹性网络的结构,根据极大熵原理与确定性退火技术,以最小化能量函数的方式得到聚类解.其次,提出了能够根据空间数据分布变化动态调整的初始化策略,提升了算法灵活性.在大量合成数据集和真实数据集上的实验结果表明,FSENC算法在求解聚类问题时是有效和高效的.与一些经典的和近年来新提出的聚类算法相比,能够获得更高的聚类质量,尤其适用于求解大规模高维聚类问题.

核电数字孪生系统DCS初始化技术研究

本文提出了一种核电数字孪生系统DCS初始化方法,使数字孪生仿真模型具备跟踪核反应堆指定时刻状态的能力。该方法通过建立数字孪生系统仿真模型参数和机组运行数据的映射关系,经数据分析后找出待初始化设备及其目标状态,根据不同设备的特性分别对其进行控制,最终确保数字孪生系统与机组状态一致。