基于Laplacian残差扩展的可逆嵌入算法

近年来国际上对无损数字水印的研究十分关注,嵌入了水印的数字图像在水印被提出以后可以无损地恢复出其原始图数据。提出了一种基于Laplacian残差扩展的无损数字水印算法,能够简单、高效地实现数字图像的可逆数据嵌入与提取。在嵌入容量和嵌入后的图像质量上得到了较为理想的结果,而且实现了数据嵌入的嵌入与数据的提取不对称,在不暴露图像的原始信息的情况下仍然能够正确地提取嵌入基中的数据,非常适用于一些保密性要求较强的环境。

基于残差扩展网络的性别识别方法研究

针对利用面部静态图像实现的性别识别方法在远距离情况下失效的问题,提出了一种基于步态分析的性别识别方法。首先以步态剪影的高宽比特性确定步态周期并生成步态能量图作为神经网络输入,其次,提出残差扩展模块以构建残差扩展网络,对步态能量图进行深度训练提取步态深度特征,最后用SVM代替神经网络全连接层作为分类器进行性别识别。CASIA-B数据集实验表明该算法具有较高的性别识别率,并对视角、背包协变量具有较强鲁棒性。

STEKF协同残差归一化的感应电机转速辨识方法

为了提高感应电机无速度传感器矢量控制系统的性能,提出了一种强跟踪扩展卡尔曼滤波(STEKF)协同残差归一化(NR)的自适应转速估计方法。通过将渐消因子引入到状态预测协方差矩阵中,实时在线调整增益矩阵,强迫输出残差序列保持相互正交。同时,通过对残差进行归一化处理,自适应地调节渐消因子,消除由残差本身数值差异引起的信息不对称。该文提出的方法提高了系统模型对于实际系统以及外部环境变化的适应性,有效降低了估计误差,满足对于低速的估计要求。对基于STEKF协同残差归一化观测器的感应电机无速度传感器矢量控制系统进行了实验验证,实验结果证明了算法的正确性和有效性。

温度影响下城市隧道衬砌裂缝扩展的时间序列分析

以重庆市某隧道裂缝监测数据为基础,分析温度变化对隧道衬砌表面裂缝发展趋势的影响,并根据裂缝扩展速率与温度的关系将不同温度下的量测数据转换到同一参考温度条件下。分析发现,隧道衬砌裂纹扩展速率与温度的升高成指数关系变化,在同一温度下裂缝随时间按线性关系增加。基于以上两点,利用时间序列分析方法建立温度影响下裂纹扩展模型,同时利用该模型对裂缝短期发展情况进行预测,其结果显示该模型具有较高的精度。

基于严格残差选择的非视距定位算法

无线传感器网络的移动定位近年来受到越来越多的关注.影响精确定位的一个很重要因素是非视距传播信号的存在,非视距误差使得定位精度严重下降.通过分析非视距测量值残差的特性,提出了一种严格残差选择方法来鉴别距离测量值的状态.首先利用扩展卡尔曼滤波(EKF)算法的线性回归模型获得距离测量值的残差,然后利用严格残差选择来对残差进行筛选,最后利用并行变节点EKF算法完成定位.仿真结果表明提出的算法在非视距情况下的定位效果要优于其他算法,在不同环境下该算法具有更好的鲁棒性和更高的定位精度.

基于联邦扩展卡尔曼滤波的结构损伤识别方法

当结构损伤与传感器故障同时存在时,两者的相互影响会导致损伤识别结果的劣化;为此,提出了一种基于联邦扩展卡尔曼滤波的结构损伤识别算法。利用分散化滤波计算量小、滤波精度高的优点,联邦扩展卡尔曼滤波方法能根据正常的传感器信号准确识别结构的损伤位置与程度,具有良好的鲁棒性;同时利用联邦滤波容错性好的特点,能实现对故障信号的自动检测和剔除,并将剩余的正常子系统进行组合,以继续提供准确的损伤识别结果。梁式结构的数值算例及实验分析验证了该算法的有效性及对故障传感器信号的检测隔离能力。

最优实验设计与Laplacian正则化的WNN的非线性预测控制

提出了基于最优实验设计与Laplacian正则化的自适应小波神经网络(Wavelet neural network,WNN)的非线性预测控制算法。该方法迭代地从WNN隐含节点候选集选取隐含小波神经元,并使用扩展卡尔曼滤波(Extended Kalman filter,EKF)方法调整该节点参数。为了控制WNN的复杂度,提出采用Laplacian正则化和最优实验设计选择重要的WNN隐含节点,使用最小描述长度(Minimum description length,MDL)准则确定节点数量。使用在线基于Gustafson-kesscl(GK)的模糊满意聚类算法确定WNN初始参数值和权重更新策略,该策略具有直观性和物理意义。最后给出基于WNN线性化模型的预测函数控制方法。对工业焦化装置温度控制进行仿真,结果说明了算法的有效性。

疲劳裂纹的灰色残差预测

借助灰色理论 ,建立了预测疲劳裂纹扩展的灰色残差预测模型 ,并应用此模型预测了某不锈钢构件腐蚀疲劳裂纹的扩展 ,得到了较高精度的预测结果 ,为疲劳裂纹预测提供了一种简易而可靠的新途径。

基于加速残差网络的图像超分辨率重建方法

针对深层网络架构的图像超分辨率重建任务中存在网络参数多、计算复杂度高等问题,提出了一种基于加速残差网络的图像超分辨率重建方法。首先,构建一个残差网络对低分辨率图像与高分辨率图像之间的高频残差信息进行重建,以减少冗余信息的深层网络传输过程,提高重建效率;然后,通过特征收缩层对提取的低分辨率特征图进行降维,从而以较少的网络参数实现快速映射;之后,对高分辨率特征图通过特征扩展层进行升维,从而以较丰富的信息重建高频残差信息;最后,将残差与低分辨率图像求和得到重建的高分辨率图像。实验结果表明,该方法取得的峰值信噪比(PSNR)及结构相似性(SSIM)均值结果较基于卷积神经网络的图像超分辨率(SRCNN)取得的结果分别提升了0.57 d B和0.013 3,较基于中间层监督卷积神经网络的图像超分辨率重建(ISCNN)取得的结果分别提升了0.45 d B和0.006 7;在重建速度方面,以数据集Urban100为例,较现有方法提高了1.5~42倍。此外,将该方法应用于运动模糊图像的超分辨率重建时,获得了优于超深卷积神经网络的图像超分辨率(VDSR)的性能。所提方法以较少的网络参数快速获得较好的重建质量,并且为图像超分辨率重建提供了新的思路。

抑制多径的BD2/GPS双模自适应扩展卡尔曼滤波算法

当BD2/GPS卫星信号受到多径效应干扰时,接收机的定位精度将会严重下降。针对这一问题提出了一种抑制多径的BD2/GPS双模自适应扩展卡尔曼滤波算法。通过观测误差协方差估计和粗差检测来调整卫星参与定位的受信任程度和个数,分析了多径效应对伪距残差和多普勒残差的影响,同时对比了原始EKF算法和AREKF算法在多径干扰下复杂动态路况的定位性能。实验结果表明,AREKF算法能够有效抑制多径信号对定位效果的干扰,明显提高了定位精度和可靠性。

结合平滑扩展卷积网络与注意力机制的低照度图像增强

近几年,卷积神经网络在低照度图像增强方向取得了显著成果.然而,现有的大多数基于传统卷积神经网络的低照度增强模型效果受限于卷积中卷积核感受野是局部的,且池化层的应用使很多有价值的特征信息丢失.为了解决这些问题,提出了一种端到端低照度图像增强网络.首先,运用平滑扩展卷积层和Convolutional Block Attention Module(CBAM)注意力机制分别对图像进行特征提取;然后,通过拼接操作进行多层次特征融合;最后,多通道特征被送入到残差网络构成的重构网络,生成最终的增强图像.此外,采用复合损失函数对低照度图像数据集进行训练.实验结果表明,通过该方法,可以更好地实现图像多通道特征提取,主观视觉上提高了图像的亮度和对比度,更加符合人眼的视觉系统特性,与目前主流的图像增强方法相比,提出网络的平均客观图像质量指标PSNR、SNR在测试集上都优于其他算法.

结合多尺度特征融合的扩张残差U-Net分割网络在视网膜自动分层中的应用

目的:对视网膜光学相干断层扫描图像中不同层和积液区域的分割。方法:提出一种基于深度学习的轻量级的神经网络,参考DRUNet体系、膨胀卷积和残差网络的架构,通过连接不同深度网络处得到的上采样输出,进行多尺度特征融合,使网络能够更好地识别出图像中的边界信息。结果:改进型DRUNet显著提升了视网膜分层的效果,准确率较U-Net提高了1.25%,同时能提前1~2次迭代达到传统U-Net的准确度。结论:本文采用的网络结构提高了对视网膜光学相干断层扫描图像的分割性能,同时降低了网络参数,具有强大的应用潜力。

基于MapReduce的可扩展协同聚类算法

协同聚类算法是通过同时对文档和特征进行聚类的一种聚类算法,该算法可以挖掘文档内部特征之间的潜在关系从而达到提高聚类效果的目的。随着大数据时代的到来,算法的并行化显示出它的优越性,为此本文对协同聚类算法进行全面的研究,并扩展它的并行算法,研究基于最小化残差平方和的协同聚类算法,利用MapReduce模式设计与实现协同聚类算法的并行化。实验结果表明,本文提出的并行协同聚类算法能够提高聚类的效率,并具有很好的可扩展性。

基于自适应EKF的感应电机无传感器控制

针对传统EKF(TEKF)需要长时间试凑噪声协方差矩阵且噪声特性变化时估算性能下降甚至发散的问题,提出了一种基于极大似然估计准则和有限记忆指数加权的自适应EKF算法(EW-MLE-AEKF)。在使用新息序列进行自适应调整时,系统容易因新息序列的不准确而发散,为此可以利用后验残差序列对噪声协方差矩阵Q和R进行实时调整来提高系统的稳定性。同时在加窗方法的基础上使用了有限内存指数加权算法来提高近期数据的权重,加快了估计的收敛速度。仿真和实验验证了算法在电机系统中的可行性,结果证明该算法避免了噪声矩阵的试凑过程,能够适应噪声的变化,提高了滤波精度且系统稳定性强。

基于ResNet的彩色眼底图片分类算法研究

为了提高现有算法对眼底彩照的识别准确度,提出一种基于深度残差网络(ResNet)的眼底图像分类方法,对获取到的眼底图像进行基于DSP-Fs流程的数据预处理操作,使用Laplacian滤波处理以突出异常眼底图像的特征,有效地提高神经网络学习的质量;用残差网络代替传统的卷积神经网络,提取更深层次的特征,同时修改网络结构以提升模型效率达到病变分类的目的。在ODIR数据集上对不同的预处理方式和网络结构进行了对比实验,结果表明,该算法能够有效地提升眼底彩色图像分类的准确度。

基于UWB/INS紧耦合的室内定位系统

对超宽带(Ultra Wideband,UWB)定位系统在室内定位中的应用进行研究,设计一个基于UWB和惯性导航系统(Inertial Navigation System,INS)紧耦合的室内定位系统,以改善非视距(Non-Light Of Sight,NLOS)干扰影响定位精度的问题。该系统采用双边双向测距消除时钟偏移的影响,利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)实现UWB和INS的紧耦合,通过计算测距信号的增益和测距残差的卡方检验,设置门限判定测距异常值。根据正常测距值对INS的预测位置进行校正,避免累积误差,确保定位系统能够在连续时间内提供高精度的定位。仿真实验结果表明,该系统能够有效抑制NLOS干扰,优于单个传感器的定位精度。

基于伪谱法的VSP逆时偏移及其应用研究

逆时偏移被认为是对地下复杂构造进行成像的精确偏移方法,尤其是能够有效地对回转波、绕射波、多次波等各种波动现象进行成像.近几年来随着并行计算机和存储设备的快速发展,逆时偏移方法备受关注.本文采用伪谱法实现了VSP逆时偏移,该方法不仅实施简便,而且计算效率高,精度好.并运用反周期扩展法来消除伪谱法中特殊的周期性边界效应问题.对VSP绕射点模型进行试算,分析了因覆盖次数不足在近井区产生的假象问题.对地堑模型和半圆隆起模型也获得了较好的VSP逆时偏移成像效果.并分别对VSP全波波场及分离出的上行波场进行了逆时偏移成像,可明显发现直达波在炮点和检波点位置处收敛成像,也产生了很强的成像噪声.最后对某地区实际观测的VSP资料进行了逆时偏移成像,并与Kirchhoff法VSP偏移结果和地面地震偏移结果进行了对比,显示了VSP逆时偏移在近井区成像上的优势.

多模型UKF方法及其在故障诊断中的应用

当系统的非线性行为较强时,扩展卡尔曼滤波器对系统状态变量估计的性能将大幅下降;针对传统的扩展多模型自适应估计方法 (EMMAE)的不足,文章提出了一种新的基于无迹卡尔曼滤波(UKF)和多模型自适应估计相结合的故障诊断方法;首先利用UKF能更好的逼近状态方程的非线性特性,然后利用改善后的残差质量提高故障隔离的效果;仿真结果表明,传统的故障诊断方法相比,该方法能快速准确地辨识出系统故障。

基于幅值平方相干谱的电池故障诊断方法

针对锂离子电池故障诊断中存在测量噪声等不确定因素的问题,提出一种基于幅值平方相干谱的电池故障诊断方法。该方法的流程为:首先建立电池的二阶RC等效电路模型,进行参数辨识;然后用正弦电流激励电池模型和实际电池系统,分别获得电池模型和实际系统的频率响应,引入幅值平方相干函数和动态阈值对电池进行评估;判断存在故障后,采用多故障模型的方法生成特定故障的发生概率,确定发生故障的类型,进一步完成故障隔离。以单体锂离子电池为研究对象,设计过充过放实验进行验证,结果表明,与传统方法相比,过充和过放故障误检率分别降低了67%和63%;最后在实际电池系统中验证所提出方法的有效性。

基于AEKF的永磁同步电机转速估计算法研究

针对在转速估算研究中采用常数矩阵不能准确描述永磁同步电机(PMSM)在不同运行条件下系统噪声的问题,提出了一种基于新息序列和状态残差的自适应扩展卡尔曼滤波算法(AEKF)。同时,对AEKF的稳定性进行理论上的探究。经仿真验证,与传统扩展卡尔曼滤波算法相比,AEKF在收敛速度和收敛精度上更优,参数鲁棒性更好。