复Hilbert空间单位球上的Schwarz-Pick估计

设f是从一个复Hilbert空间单位球到另一个复Hilbert空间单位球上的全纯映射.本文利用Carathéodory度量的性质,给出了f的高阶Fréchet导数的Schwarz-Pick估计,从而应用一种新方法,推广了复Hilbert空间上全纯映射的高阶Fréchet导数的Schwarz-Pick估计.

单位球上全纯函数的高阶Schwarz-Pick估计

作者给出了单位球B_(n)■C^(n)到凸区域Ω■C上全纯函数的高阶Schwarz-Pick估计.通过引入双曲度量,得到了单位圆盘D到凸区域Ω上全纯函数的系数估计.应用该系数估计结果,得到单位球B_(n)到Ω内的全纯函数的高阶Schwarz-Pick估计.特别地,当Ω是单位圆盘或右半平面时,得到的结果分别与熟知的结果是一致的.

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。

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。

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。

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。

改进的Mertens第一定理估计及应用

在Mertens第一定理的基础上,利用定积分估计的主要思想和Stirling’s公式的估计,对Mertens第一定理中的估计不等式进行了进一步的精确化,得到了更好的估计。改进的估计结果比原来的Mertens第一定理中的估计更加精确。把改进的Mertens第一定理估计应用到一个具体的渐近公式中,提高了该渐近公式中Landau记号里对应常数的精度范围。

有序标签噪声的鲁棒估计与过滤方法

较大规模的标注数据集中难免会存在标签噪声,这在一定程度上限制了模型的泛化性能。有序回归数据集的标签是离散值,但不同标签之间又有一定次序关系。虽然有序回归的标签兼有分类和回归标签的特征,但面向分类和回归任务的标签噪声过滤算法对有序标签噪声并不完全适用。针对此问题,提出了标签含噪时回归模型的Akaike泛化误差估计,在此基础上设计了面向有序回归任务的标签噪声过滤框架。此外,提出了一种鲁棒的有序标签噪声估计方法,其采用基于中位数的融合策略以降低异常估计分量的干扰。最后,该方法与所提框架结合形成了噪声鲁棒融合过滤(Robust Fusion Filtering,RFF)算法。在标准数据集和真实年龄估计数据集上均验证了算法的有效性。实验结果表明,在有序回归任务中,RFF算法性能优于其他分类和回归过滤算法,能够适应不同类型的噪声数据,并有效提升数据质量和模型泛化性能。

基于多掩膜技术的无监督深度与光流估计方法

针对自动驾驶领域现有方法在处理动态、遮挡等复杂实际场景时存在的估计不准确问题,提出了一种以多掩膜技术为基础的无监督深度与光流估计方法,通过无监督学习从单目视频序列中提取目标深度、相机运动位姿和光流信息。根据不同外点类型设计了多种特定掩膜,以有效抑制外点对光照一致性损失函数的干扰,并在位姿估计和光流估计任务中起到剔除外点的作用。引入预训练的光流估计网络,协助深度和位姿估计网络更好地利用三维场景的几何约束,从而增强联合训练性能。最后,借助训练得到的深度和位姿信息,以及计算得到的掩膜,对光流估计网络进行了优化训练。在KITTI数据集上的实验结果表明,该策略能够显著提升模型的性能,并优于其他同类型方法。

基于高阶累积量ESPRIT算法的指数衰减正弦信号参数估计

工程应用中环境噪声多表现为高斯有色噪声,而针对高斯白噪声进行处理的算法失效问题,提出了一种高斯色噪声环境中用于多分量衰减正弦信号频率和衰减因子估计的四阶累积量ESPRIT算法。首先,推导出四阶累积量与观测样本中的自相关矩阵和互相关矩阵之间的关系,求出其四阶累积量矩阵。其次,通过对四阶累积量进行广义特征值分解,根据广义特征值即可得到信号衰减因子和频率的估计值。最后对所提算法进行了仿真实验验证,在混合信噪比为0 dB时,所提算法针对多分量衰减正弦信号角频率和衰减因子的平均估计误差分别为0.002 0πrad和0.002 0。在高斯白噪声和高斯色噪声背景下与ESPRIT算法和Prony算法相比具有更强的噪声抑制能力和更高的估计精度。

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。

微波脉冲大气击穿临界场强估计

针对高功率微波在大气传输中可能出现的击穿现象,研究了脉冲序列中首次击穿时的延迟脉冲数,发现其与种子电子、脉冲击穿概率以及微波场强密切相关。研究发现,微波场强可通过作用于种子电子间接影响脉冲击穿概率和延迟脉冲数,由此提出利用延迟脉冲数估计微波击穿临界场强的方法,并定义在脉冲击穿概率大于一定值时的微波临界场强作为击穿阈值。推导了脉冲击穿概率的估计公式,并对估计量的性能进行了分析,随后利用S波段微波大气击穿模拟装置开展了实验验证。实验结果表明,在一定范围内,重复频率微波脉冲击穿延迟脉冲数仅与种子电子产生率和脉宽成反比,能用于估计脉冲击穿概率,进而给出击穿临界场强。

人口普查遗漏的组合式估计方法

以人口普查标准时点上的人口总体(全国、全国以下各行政区)为研究对象,研究如何利用对总体登记的普查人口名单和覆盖调查人口名单构造的组合式遗漏估计量估计人口普查遗漏人口数。目前各国政府统计部门在人口普查遗漏估计中主要使用单重遗漏估计量,但该方法未包括同时遗漏于这两份调查人口名单的双重遗漏人口,低估了总体普查遗漏人口数。组合式遗漏估计量除了包括单重遗漏人口外,还包括了双重遗漏人口,避免了单重遗漏估计量的缺陷。采取抽样估计和数理模型相结合的方法研究单重遗漏估计量、双重遗漏估计量和组合式遗漏估计量,理论和数据分析结果表明:组合式遗漏估计量在抽样估计精度和遗漏人口数估计上优于单重遗漏估计量,尤其是在分析双重遗漏人口特征和改进未来人口普查登记工作等方面;在使用刀切法近似计算总体的组合式遗漏估计量的抽样方差时,不能忽视等概率人口层之间的协方差,否则可能低估或高估其抽样方差;单重遗漏估计量和组合式遗漏估计量属于有偏估计量,要使用均方误差比较其估计精度。本文创新之处在于,利用原始数据全面演示了单重遗漏估计量、双重遗漏估计量和组合式遗漏估计量及其抽样方差估计量等的详细计算过程,同时讨论了其统计性质,尤其是利用设置的数据模拟了有偏性,有助于中国人口普查遗漏估计方案的科学制定及估计精度的提高。

广义Gauss-Markov模型参数估计的效率退化边界分析

广义最小二乘估计(Generalized least squares estimation,GLSE)是最佳线性无偏估计,却有计算复杂高和依赖未知信息的局限性,使得普通最小二乘估计(Ordinary least squares estimation,OLSE)经常成为应用的无奈之选。本文探讨该现象背后的三个循序渐进的理论问题:第一,GLSE的退化问题,给出GLSE完全退化为OLSE的充要条件;第二,退化的分类问题,依据设计矩阵和误差协方差阵的结构把退化现象分为三类,并给出典型的退化特例;第三,不完全退化问题,研讨导致效率退化的因素,刻画效率曲线和效率曲面,最后给出效率不低于95%的退化边界。效率退化和边界分析的潜在应用价值主要包括两方面:第一,为进一步优化试验方案提供效率视角和反馈信息;第二,为设计更简洁更可靠的算法提供理论依据。

采用深度学习的全寿命周期锂电池荷电状态估计

针对锂离子电池的健康状态(SOH)随着充放电循环次数的增加而持续退化,导致在整个寿命周期内准确估计电池的荷电状态(SOC)难度较高的问题,提出了一种采用深度学习的全寿命周期内锂离子电池SOC估计模型。该模型采用被估计时刻及之前多个历史时刻的电流、电压和温度组成的序列数据作为模型的输入,先采用一维卷积神经网络(1D CNN)提取序列的特征,再用门控循环单元(GRU)建立特征与SOC之间的非线性关系,然后采用贝叶斯优化方法(BO)对网络超参数进行寻优以提升预测的精度。采用两个公开数据集对所提出的模型进行验证,实验结果表明:所提模型在较宽的SOH范围内实现了精确的SOC预测,且预测精度显著优于采用单个深度学习模型的预测精度;与CNN和BiLSTM模型相比,所提模型的均方根误差分别平均降低了15.16%和45.22%;当输入序列的长度为10、数据采样间隔时间为1 min时,在两个数据集上预测的均方根误差均低于2%。

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。

基于波束形成及CNN-LSTM的托辊故障距离估计模型

托辊是带式输送机的关键组件,也是输送系统的薄弱环节,波束形成算法的定向性和深度学习算法的特征识别能力为托辊故障距离估计提供可能。针对输送机输送距离长、不易检测等问题,提出一种利用波束形成(Beamforming)及时空网络(Convolutional Neural Network-Long Short-Term Memory,CNN-LSTM)对托辊故障声源实现距离估计的方法(Beamforming-Convolutional neural network-Long short-term memory,BCL)。首先利用麦克风阵列采集不同距离的故障声源数据,经波束形成定位处理构建数据集;通过卷积神经网络(CNN)获得数据采样集的空间特性,再借助LSTM网络在序列上的建模功能,将由空间数据组成的序列信息输入LSTM网络,从而获得空间时序信息;最后,再将由LSTM网络产生的空间时序信息输入到Softmax分类器,实现故障距离估计。实验结果表明,BCL模型在有无噪声干扰的环境下都可以以高准确率实现托辊的故障距离估计且较其他模型拥有更好的识别能力。

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。