Pickands估计的强收敛速度

在本文中，我们建立了极值分布指数γ的Ｐｉｃｋａｎｄｓ估计的ａ．ｓ．收敛速度，即在很弱的条件下。

极值分布指数的Pickands估计的渐近正态性

本文中，我们在很弱的条件下证明了极值分布形状参数的Ｒｉｃｋａｎｄｓ估计的渐近正态性．改进了Ｄｅｋｋｅｒｓ和ＤｅＨａａｎ在１９８９年给出的结果．另外，我们得到了几个关于正规变化函数的结果．

修正的Pickands估计样本点分割的自助估计方法

在本文中,我们着重研究了极值指数的修正的Pickands型估计的样本点分割方法．我们在渐近二阶矩最小的准则下,利用子样本自助法给出了修正的Pickands型估计的样本点分割方法,从理论上证明了该估计的大样本性质,说明了这种分割在渐近二阶矩最小的准则下是渐近最优分割,同时提出了自适应的样本点分割的自助算法．

基于轻型自限制注意力的结构光相位及深度估计混合网络

相位提取与深度估计是结构光三维测量中的重点环节,目前传统方法在结构光相位提取与深度估计方面存在效率不高、结果不够鲁棒等问题。为了提高深度学习结构光的重建效果,本文提出了一种基于轻型自限制注意力(Light Self-Limited-Attention,LSLA)的结构光相位及深度估计混合网络,即构建一种CNN-Transformer的混合模块,并将构建的混合模块放入U型架构中,实现CNN与Transformer的优势互补。将所提出的网络在结构光相位估计和结构光深度估计两个任务上进行实验,并和其他网络进行对比。实验结果表明:相比其他网络,本文所提出的网络在相位估计和深度估计的细节处理上更加精细,在结构光相位估计实验中,精度最高提升31%;在结构光深度估计实验中,精度最高提升26%。该方法提高了深度神经网络在结构光相位估计及深度估计的准确性。

锂离子电池健康状态估计及寿命预测研究进展综述

随着锂离子电池的应用越来越广泛,锂电池健康状态的精确估计和剩余寿命的实时预测对于锂电池系统的安全运行和降低运维成本具有重要意义。锂电池内部复杂的物理化学反应和外部复杂工作条件,使得实现精准的健康状态估计和寿命预测具有挑战性。该文综述近年来锂电池健康状态估计和剩余使用寿命预测方法的研究现状,分析基于物理/数学模型、数据驱动、模型法和数据驱动融合,以及多种数据驱动融合的锂电池健康状态估计方法的优缺点及适用条件,并对比分析不同数据驱动类型的锂电池寿命预测方法。指出锂电池健康状态估计及寿命预测尚存在的问题,并对未来研究方向进行展望,对完善锂电池健康状态估计和寿命预测算法理论体系、指导实际应用技术具有重要意义。

一类负极值指数Pickands型估计量的渐近展开及平滑参数的最优选取(英文)

在二阶正规变化条件下,研究了一类负极值指数Picands型估计量的渐近展式.并在均方误差意义下,讨论了平滑参数的最优选择.

基于Transformer的三维人体姿态估计及其动作达成度评估

针对人机交互、医疗康复等领域存在的人体姿态分析与评估问题,本文提出了一种基于Transformer的三维人体姿态估计及其动作达成度评估方法。首先,本文定义了人体姿态的关键点及关节角,并在深度位姿估计网络(DPEN)的基础上,提出并构建了一个基于Transformer的三维人体姿态估计模型(TPEM),Transformer的引入能够更好的提取人体姿态的长时序特征;其次,利用TPEM模型对三维人体姿态估计结果,设计了基于加权3D关节角的动态时间规整算法,在时序上对不同人物同一动作的姿态进行姿态关键帧的规整匹配,并据此提出了动作达成度评估方法,用于给出动作的达成度分数;最后,通过在不同数据集上进行实验验证,TPEM在Human3.6 M数据集上实现了平均关节点误差为37.3 mm,而基于加权3D关节角的动态时间规整算法在Fit3D数据集上的平均误差帧数为5.08,展现了本文所提方法在三维人体姿态估计与动作达成度评估方面的可行性和有效性。

基于深度学习的二维人体姿态估计研究进展

人体姿态估计在人体行为识别、人机交互、体育运动分析等方面有着广泛的应用前景,是计算机视觉领域的一个研究热点。在最近的十年中,得益于深度学习技术,大量的研究工作极大地推动了人体姿态估计技术的发展,但由于受训练样本不足、人体姿态的多变性、遮挡、环境的复杂性等因素影响,人体姿态估计仍然面临着诸多的挑战。文中对近年来基于深度学习的2D人体姿态估计方法进行归纳和总结,着重分析一些有代表性的人体姿态估计方法的思路及工作原理,以便研究人员了解当前的研究现状、面临的挑战以及今后的研究方向,拓展研究思路。

基于空时级联单脉冲的多目标高效参数估计算法

比幅单脉冲最大似然算法(ACM-ML)在进行目标参数估计时需要进行距离与速度的2维松弛迭代搜索,导致了计算效率低、运算量大的问题。针对上述问题,该文提出一种基于空时级联单脉冲的高效多目标参数估计算法(M-STCMP算法)。该算法将单脉冲概念引入脉冲域,利用时域单脉冲计算目标速度,避免了ACM-ML算法中对速度的迭代搜索,将2维松弛迭代搜索降为1维搜索,有效降低了计算复杂度。考虑时域单脉冲无法同时匹配分布在不同时域主波束的速度各异的多个检测目标,进一步利用目标信号的多普勒信息,在各多普勒单元分别进行时域单脉冲测速,并搜索目标距离值。最后为抑制目标间的信号泄露,将所有目标的估计参数进行级联迭代获得高精度参数估计值。理论分析和仿真结果验证了M-STCMP算法的有效性。

基于可重构智能表面的二维高精度角度估计方法

可重构智能表面(Reconfigurable Intelligent Surface)因其提高频谱和能量使用效率、成本低等特点,被认为是未来无线通信和目标感知的关键性技术。RIS在平面上集成了大量低成本的无源反射元件,通过连接RIS的智能控制器,可以控制入射到这些可重构元件的信号的相位和幅度,从而重新配置入射信号的传播。波达方向(Direction of Arrival)估计问题是实现目标感知的重要组成部分,而RIS因其能够重新配置信号的特性被用来提高DOA估计的准确性。然而,在实际使用RIS时,由于元件之间的距离小于半波长而引起的互耦效应以及无法完美控制反射过程导致的反射失配(反射相位和幅度误差)等问题会严重影响RIS的性能。本文针对基于RIS系统的二维DOA估计问题,建立了考虑互耦效应和反射失配的RIS系统模型;并基于该模型,提出了一种新的二维角度估计方法用于DOA估计。该方法首先通过深度神经网络(Deep Neural Network)将RIS接收的信号进行重构,以降低互耦效应和反射失配的影响,再进一步使用非线性最小二乘法(Nonlinear Least Square)进行高精度的DOA估计。本文通过仿真验证了算法的估计性能,并与快速傅里叶变换(Fast Fourier Transformation)、正交匹配追踪(Orthogonal Matching Pursuit)等传统方法进行比较,结果表明相对于快速傅里叶变换、正交匹配追踪等传统方法新算法具有更好的估计性能。

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

基于GPD理论和百分位数阈值法的轮轨力极值估计与动力系数研究

在高速铁路无砟轨道结构设计和检算时,列车荷载设计值是关键的设计参数之一。基于GPD理论,研究全波段不平顺激励下的轮轨力极值估计方法,并与脉冲激励下的结果对比,为无砟轨道结构设计和相关规范的完善提供依据。结果表明:采用百分位数法选取阈值时,应对样本分簇以提高样本之间的独立性和轮轨力极值估计的精度;提出结合百分位数阈值的形状参数筛选法进行轮轨力极值估计,确定了每簇样本量大小和形状参数区间;样本量宜取3×10^(5)~5×10^(5)个,百分位数阈值宜取50%~98%,且以轮轨力极值估计值的均值作为最终的轮轨力极值估计值;列车速度为250~400 km/h的列车荷载设计值动力系数分别为2.2、2.4、2.6和2.8。

基于车联网大数据的重型货车载重估计方法

针对当前货车载重计算方法普遍存在的成本高昂及泛化性能不明确的问题,提出一种创新的重型货车载重估计方法,方法融合了车辆行驶动力学理论与机器学习算法,通过有监督学习,利用高速通行大数据对模型进行训练与验证.首先采用聚类分析,确定车辆空、半、满载判断阈值,为后续的计算提供了重要依据.随后,利用随机森林算法训练分类模型,用以判断车辆在一段行驶过程中的基本载重情况.在此基础上,进一步在车辆行驶数据中筛选出稳定行驶的小片段,根据车辆系统动力学理论,对这些小片段车重进行计算.最后,根据载重状态的判断结果,对小片段车重结果进行筛选与计算,得到最终车辆载重计算结果.研究表明,在高速通行大数据的验证下,该方法对于空载及满载状态下趟次车重计算结果的整体平均绝对百分比误差(mean absolute percent error,MAPE)均可控制在10%以内,展现了较高的准确性.相比于现有技术,由于该方法无需安装额外传感器,对数据采集、存储、运算设备的要求也相对较低,因此在成本方面具有显著优势.在交通监管、物流运输、基于大数据的产品开发方面具有快速广泛推广的潜力.

Pickands型推广估计量的渐近正态性

极值指数在许多实际领域广泛应用：如组合投资、风险值的计算、预报地震等，估计极值指数叫以及它的性质的研究近年来成为极值统计理论的基本问题。主要研究极值指数叫的一个估计量：Pickands型推广估计量的渐近正态性质。首先研究由Pickands型推广估计量构成的一随机过程，得到了该过程的渐近分布；然后利用研究结果证明了Pickands型推广估计量的渐近正态性，得到其渐近方差；最后对提出的Pickands型推广估计的平滑估计量进行了相应研究。

基于边缘计算的高速光纤通信链路时延估计研究

由于未对接收信号进行去噪处理,导致光纤通信链路时延估计存在估计误差大、准确率低的问题,为了解决方法中存在的问题,提出基于边缘计算的高速光纤通信链路时延估计方法。通过边缘计算设计了高速光纤通信网络架构,基于网络架构中的边缘计算层,通过直射链路的方式构建高速光纤通信链路模型,接收光信号,并使用广义相关算法对接收到的信号进行去噪处理,根据去噪处理结果,结合卡尔曼滤波方法与Round-trip算法估计信号时延。实验结果表明,所提方法的高速光纤通信链路时延估计准确率高、效果好,具有较高的实际应用价值。

基于光流估计的“珠海一号”高光谱卫星遥感数据的固体废弃物识别方法——以河南省济源示范区为例

本文提出了一种基于光流估计的高光谱卫星遥感数据的固体废弃物识别方法。首先,从序列数据的角度看待高光谱数据,引入DeepFlow光流估计技术提取光谱维度的亮度变化信息,作为更具判别性的光谱运动特征;然后,将提取的光谱运动特征与原始光谱特征相结合后输入至常用的支持向量机进行固废识别;最后,进一步提出固废识别后处理方法改善识别效果,并利用“珠海一号”高光谱卫星遥感数据,以河南省济源示范区为研究区展开试验。试验结果表明,本文方法能够对露天堆放的工业固体废弃物进行大范围的快速精准识别,初步锁定济源示范区内存在固废遗留和违规堆放行为的11个地域风险点,且识别精度优于传统的光谱特征提取和分类方法,为后期人工现地勘察固废和“清废”行动显著节省了时间和工作量。

可重构智能表面辅助通信系统时变级联信道估计

针对可重构智能表面(RIS)辅助通信系统时变级联信道的估计中需解决的级联信道稀疏表示、时变信道参数跟踪和信号重构等关键问题,提出了一种结合Khatri-Rao积的分层贝叶斯卡尔曼滤波(KR-HBKF)算法。该算法首先利用信道的稀疏特性,通过Khatri-Rao积和克罗内克积变换得到RIS级联信道的稀疏表示,将RIS级联信道估计问题转化为低维度的稀疏信号恢复问题。然后,根据RIS级联信道的状态演化模型,在HBKF算法的预测模型中引入了时间相关性参数,应用改进的HBKF解决时变信道参数跟踪和信号重构问题,完成时变级联信道的估计。KR-HBKF算法综合利用了信道的稀疏性和时间相关性,能以较小的导频开销获得更好的估计精度。仿真结果表明,与传统压缩感知算法相比,所提算法具有约5 dB的估计性能提升,且在不同的时变信道条件下具有更好的鲁棒性。

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

信息物理多重攻击下配电网状态估计关键技术评述

配电网数字化转型将进一步促进信息系统与物理系统的深度耦合,由于配电网信息安全防御资源有限,难以将信息侧安全风险隔离于物理系统之外,这也使得配电网状态估计正面临全新的挑战。首先,文中简要介绍了配电网信息物理系统体系结构,并构建了面向信息物理系统的配电网状态估计技术框架;其次,较为全面地梳理了信息物理融合背景下配电网状态估计技术的国内外研究现状,包括考虑网络攻击的配电网伪量测建模与分析、配电网虚假数据注入攻击分析与防御以及配电网信息物理系统安全风险分析与可靠性评估等方向;最后,对该领域未来进一步发展所面临的关键问题进行了探讨和分析。

基于观测方程重构滤波算法的锂离子电池荷电状态估计

滤波算法中观测方程的准确性在电池状态评估中起着决定性作用。然而,该文通过试验发现,由于温度、工作电流和荷电状态(SOC)的影响,即使使用精度较高的电池模型,扩展卡尔曼滤波(EKF)算法中观测方程的输出值与实际电压之间仍会存在较大误差,即产生了较大的新息。该文提出一种基于观测方程重组的增强型扩展卡尔曼滤波(E-EKF)算法。该算法的核心思想是利用具有温度、SOC和电流自适应能力的误差修正策略对观测方程进行重组,实现算法中新息的降低,进而提高SOC估计的准确性。使用两种不同温度下的典型工况试验对E-EKF算法的性能进行了验证。试验结果表明,该算法能够适应不同的温度和工况,并具有较高的SOC估计精度。