基于哨兵函数和S变换的风力机叶片材料损伤特性研究

利用声发射检测技术研究玻璃纤维增强环氧树脂复合材料的损伤特性,在此过程中,采用哨兵函数来表征该材料的损伤程度,并通过S变换和模糊C均值(FCM)聚类来分析声发射信号,从而获得材料的损伤特征。三点弯曲实验结束后对试件断口进行扫描电子显微镜(SEM)拍照来验证,可得:通过对SEM照片的分析得到基体开裂、纤维脱粘、分层破坏、纤维断裂4种损伤模式;对整个声发射事件进行哨兵函数分析,观察到试件在弯曲过程中哨兵函数曲线呈明显下降趋势;对依据哨兵函数划分的不同阶段的信号进行VMD降噪处理,然后采用S变换进行时频分析得到不同损伤的特征频率,最后采用FCM聚类进行验证。结果表明:哨兵函数值的突变可作为材料断裂的预警信号,材料损伤类型的识别可依据S变换的频率分布结果进行确定。

基于S函数的调节阀粘滞特性检测方法

调节阀粘滞特性引起的振荡是工业控制回路性能恶化的最常见来源。目前虽然已有许多检测调节阀粘滞特性的方法,但这些方法的复杂性或存在的缺陷限制着其在实际工况中的具体应用。本文提出了一种检测过程控制回路中调节阀粘滞故障的新方法。该方法将控制器输出(OP)和过程变量(PV)的变化(ΔPV)在相平面图中所构成变化趋势与标准S函数进行对比,根据实际函数趋势与标准S函数间的差异计算相关系数,通过相关系数的数值具体得出调节阀中是否存在粘滞特性。仿真实例和实际工业数据分析实验验证了提出方法的有效性。

S波接收函数揭示的华南陆块岩石圈结构及构造启示

本研究利用华南陆块固定地震台站记录到的远震地震波资料,构建适合研究LAB的S波接收函数,基于接收函数波形分析和偏移成像结果对华南陆块岩石圈性质进行了研究。结果显示华南陆块下方70 km深度存在最明显且连续性相对较好的低速界面,结合其他地球物理研究成果,我们认为70 km深度低速界面反映了和软流圈上涌相关的构造事件导致的华南岩石圈大规模减薄;在华夏地块的东部较大范围探测到100~150 km深度内存在南倾的低速界面,结合区域岩石学、地球化学和地质学等研究成果,推测该现象可能表明扬子地块的岩石圈楔入到了华夏地块,是新元古代早‒中期以来,华南陆块俯冲聚合、陆内造山以及陆内构造变形等地球动力学事件留下的重要痕迹;在华夏地块中东部和江南造山带局部发现了LAB缺失区带,该现象可能与岩石圈拆沉导致的热物质上涌密切相关,可能对应了地块拼贴薄弱带。

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

由Sălăvgean-q微分算子定义的具有对称共轭点的单叶调和函数类

在单复变函数几何理论的研究中,构造函数类及研究它的几何性质是目前国内外重要的研究课题。本文首先定义了一个Sălăgean-q微分算子,利用该算子,我们构建了一类具有特殊性质的倒结构单叶调和函数,这类函数具有对称共轭点。我们进一步推导出了这类函数的系数条件,并得到了相应的Fekete-Szegö不等式,这一发现有效地拓展了现有的知识范畴。这一成果不仅丰富了单复变函数的理论内容,也为调和函数的研究提供了新的视角和方法。更重要的是,这一研究可能为未来在信号处理、图像处理等领域的实际应用提供新的数学模型和算法基础。

基于接收函数的淮安地区地壳厚度及S波速度结构研究

利用淮安区域地震监测波形资料,有效提取P波接收函数,计算了台站下方地壳厚度并反演出S波速度结构,获取较为可靠的地下深部结构和一维速度模型。从结果来看,淮安市地壳厚度较薄,且具有较大的波速比,速度结构在上地壳内呈逐渐增大的趋势特征,结合区域地质和淮安市近年来的发震特点,认为淮安地区上地壳是区域能量释放的主要空间。

Matlab中S函数的模块化应用

Matlab软件拥有很多自带的函数库,利用好它们可以有效地提高工作效率。着重对S函数的代码进行了说明与分析,借助该函数创建自主水下机器人(AUV)的水平面动力学模型,并将其模块封装,在Simulink平台搭建水平面运动仿真系统。研究详细论述了整个创建过程,并提高了相关人员对S函数的理解及运用能力。结果表明,采用S函数创建运动模型便捷、高效,可以实时获取运动参数,便于优化改进模型。

基于CED-YOLOv5s模型的煤矸识别方法研究

由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象,导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题,提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先,在YOLOv5s主干网络中引入坐标注意力(CA)机制,通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码,充分利用通道注意力信息和空间注意力信息,使模型更加关注重要特征,抑制无用信息。其次,在YOLOv5s的检测头部引入EIoU回归损失函数,将目标框与锚框的宽高差异最小化,以增强目标的位置和边界信息,提高模型在密集目标下的定位精度和收敛速度;最后,在YOLOv5s的检测头部引入轻量化解耦头,解耦出单独的特征通道,分别用于分类任务和回归任务,解决了原模型中耦合头部分类任务与回归任务的相互干扰问题,进一步提升了模型的并行运算效率与检测精度。实验结果表明:CED-YOLOv5s模型与其他YOLO系列目标检测模型相比,综合性能最佳,平均检测精度达94.8%,相较于YOLOv5s模型提升了3.1%,检测速度达84.8帧/s,可充分满足煤矿井下煤矸实时检测需求。

利用接收函数两步反演法研究小江断裂带及邻区地壳S波速度结构

文中基于2011年9月2日—2014年1月16日小江断裂带及邻区48个台站的远震三分量波形数据提取径向P波接收函数,采用两步反演法和Bootstrap重采样技术反演了各台站下方的S波速度结构,对小江断裂带及邻区的地壳深部结构进行了研究。结果表明:1)研究区地壳的S波速度在横向和垂向上都存在明显的非均匀特性,近地表处有2~4km厚的低速沉积层;中上地壳的S波速度呈高、低速相间分布;在20~35km的深度范围内存在明显的低速层,主要间断分布于小江断裂以西的川滇菱形块体和红河断裂以南的印支块体内部,另外在师宗-弥勒断裂附近也有局部分布。2)小江断裂带中、北段壳内低速层较为发育,以中段最为突出,最厚约达28km;南段在15~25km深度范围内存在明显的高速区。3)研究区的泊松比普遍较低(平均为0.24),呈不均匀分布,且横向变化剧烈,小江断裂带的泊松比总体呈北段较高、南段次之、中段低的分段特征;研究区壳内低速分布与泊松比间的对应关系不明显,大部分低速层似乎缺少发生部分熔融的条件,其地球物理结果的差异和不一致说明壳内低速层的变形演化机制及物理特性较为复杂。

基于改进YOLOv5s的小目标检测算法

针对当前主流目标检测算法对图像中远距离小目标产生的漏检、误检等问题,提出一种改进YOLOv5s的小目标检测算法。在模型训练过程中,通过引入Focal-EIOU定位损失函数,加强边界框的定位精度;在骨干网络中,通过添加小目标检测层,提高小目标的检测精度;在Neck结构中,通过优化上采样算子和添加注意力机制,加强小目标的特征信息。实验结果表明,改进后的算法在VisDrone数据集上与YOLOv5s算法相比,mAP@small提高了3.2%,且检测速度满足实时性的要求,能够很好地应用于小目标检测任务中。

区域土特征函数:收敛性

无论从一个地区内建立N-s_(v)关系曲线的工程应用角度还是作为区域土特征理论的必要组成部分,构建科学的N-v_(s)函数所需的数组量都是重要问题,但以往研究为空白。采用实测数据的随机分析,研究不同样本数量下N-v_(s)特征函数的稳定性和收敛性,并提出构建不同精度N-v_(s)特征函数的数组阈值。实测数据来源于4个国家9个地区,共11个工况,对此分别进行随机分析的结果表明,随样本数量增加,N-v_(s)特征函数具有稳定性与收敛性。研究表明,一个地区内取N-v_(s)数组超过50,100,200和800,则可分别得到变异系数小于0.2,0.15,0.10和0.05的N-s_(v)特征函数。

基于CFS-YOLO算法的复杂工况环境下煤矸图像识别方法

针对煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂工况环境因素导致煤矸识别存在误检、漏检以及检测精度低的问题,提出一种基于CFS-YOLO算法的煤矸智能识别模型。采用ConvNeXt V2(Convolutional Neural Network with NeXt Units Version 2)特征提取模块替换主干网络末端的2个C3(Cross Stage Partial Bottle Neck Mudule)模块,通过将掩码自动编码器(Masked Autoencoders,MAE)和全局响应归一化(Global Response Normalization,GRN)层添加到ConvNeXt架构中,有效缓解特征崩溃问题以及保持特征在网络传递过程中的多样性;采用Focal-EIOU(Focal and Efficient Intersection Over Union)损失函数替换原CIOU(Computer Intersection Over Union)损失函数,通过其Focal-Loss机制和调整样本权重的方式优化边界框回归任务中的样本不平衡问题,提高模型的收敛速度和定位精度;添加无参注意力机制(Simple Attention Mechanism,SimAM)于主干网络每个C3模块的后端,凭借其注意力权重自适应调整策略,提升模型对尺度变化较大或低分辨率煤矸目标关键特征的提取能力。通过消融试验和对比试验验证所提CFS-YOLO模型的有效性与优越性。试验结果表明:CFS-YOLO模型对于煤矸在煤矿高噪声、低照度、运动模糊与大批量煤矸混杂等复杂环境下的检测效果均得到有效提高,模型的平均精度均值达到90.2%,相较于原YOLOv5s模型的平均精度均值提高了3.7%,平均检测速度达到90.09 FPS,可充分满足煤矸实时检测的需求。同时与YOLOv5s、YOLOv7-tiny与YOLOv8n等6种YOLO系列算法相比,CFS-YOLO模型对煤矿复杂环境的适应性最强且综合检测性能最佳,可为煤矸的智能高效分选提供技术支持。

Excel数据表中VLOOKUP函数的单列查找和多列查找方法应用探析

在进行Excel数据查找时,如果使用最原始的手工方法依次对应查找,工作效率低且容易出错。人们可以通过VLOOKUP函数来进行快速、准确查找数据。先理解VLOOKUP函数参数对话框中的各个参数的含义,了解单列查找的参数填写、相对引用和绝对引用的使用。然后了解多列批量查找的参数填写和多列动态查找的参数填写,弄清楚多列批量查找和多列动态查找的区别,提高查找工作效率。

基于改进YOLOv8s算法的胸环靶弹孔检测技术

为了解决传统胸环靶弹孔检测技术在自然条件下易受光照强度、复杂背景影响的问题,设计了一种基于YOLOv8s的改进算法。首先,在数据集的制作过程中引入图形分割将背景与胸环靶分离,避免了复杂环境对弹孔识别精度的影响。其次,为提升模型对弹孔的检测能力,在C2f中引入CBAM注意力机制,通过对空间和通道特征赋予不同的权值提高网络对弹孔目标的识别能力;增加检测尺度为160×160的小目标输出层,减少了弹孔特征在下采样过程中的信息损失并降低弹孔漏检的概率;考虑到原有卷积层对小目标不敏感,采用SPD-Conv模块替换原有卷积层,提取更多的特征信息提升检测精度。最后,将边界框损失函数更改为WIoU以减弱正负样本数量不均衡的影响,提高了预测框的回归精度。在自制胸环靶数据集的实验结果表明:改进算法的准确率P为96.9%、召回率R为96.4%、平均精度mAP50为98.0%,相较于原算法,分别提升8.8百分点、25.4百分点、15.3百分点。实验结果证明改进的YOLOv8s模型在复杂环境和密集弹孔的检测方面具有更好的性能。

基于YOLOv5s−FSW模型的选煤厂煤矸检测研究

针对现有煤矸检测模型存在的特征提取不充分、参数量大、检测精度低且实时性差等问题,提出了一种基于YOLOv5s−FSW模型的选煤厂煤矸检测方法。该模型在YOLOv5s的基础上进行改进,首先将主干网络的C3模块替换为FasterNet Block结构,通过降低模型的参数量和计算量提高检测速度;然后,在颈部网络引入无参型SimAM注意力机制,增强模型对复杂环境下重要目标的关注,进一步提高模型的特征提取能力;最后,在输出端用Wise−IoU替换CIoU边界框损失函数,使模型聚焦普通质量锚框,提高收敛速度和边框的检测精度。消融实验结果表明:与YOLOv5s模型相比,YOLOv5s−FSW模型的平均精度均值(mAP)提高了1.9%,模型权重减少了0.6 MiB,参数量减少了4.7%,检测速度提高了19.3%。对比实验结果表明:YOLOv5s−FSW模型的mAP达95.8%,较YOLOv5s−CBC,YOLOv5s−ASA,YOLOv5s−SDE模型分别提高了1.1%,1.5%和1.2%,较YOLOv5m,YOLOv6s模型分别提高了0.3%,0.6%;检测速度达36.4帧/s,较YOLOv5s−CBC,YOLOv5s−ASA模型分别提高了28.2%和20.5%,较YOLOv5m,YOLOv6s,YOLOv7模型分别提高了16.3%,15.2%,45.0%。热力图可视化实验结果表明:YOLOv5s−FSW模型对煤矸目标特征区域更加敏感且关注度更高。检测实验结果表明:在环境昏暗、图像模糊、目标相互遮挡的复杂场景下,YOLOv5s−FSW模型对煤矸目标检测的置信度得分高于YOLOv5s模型,且有效避免了误检和漏检现象的发生。

南京公园绿地与城市功能空间的时空关联特征——基于Ripley’s K函数与POI数据

探究公园绿地与城市功能空间的分布关系及其演变特征,是促进二者高效协同发展的基础。基于POI及土地利用数据,借助核密度分析、双变量Ripley’sK函数等方法,以南京为例揭示了2012、2016、2020年公园绿地、各城市功能空间的时空关联关系及其演变规律。结果表明:1)公园绿地、各城市功能空间分布呈现古城聚集并向主城外围扩散趋势;2)主城区范围内,分别以公园绿地视角观察功能空间、以功能空间视角观察公园绿地,均呈现逐年减弱的聚集趋势,且距离阈值、变化趋势双向趋同;3)古城区范围内,城市功能空间在公园绿地周边聚集,除商业、居住空间聚集强度先增加后降低外,其余均持续增强,而公园绿地在各城市功能空间周边呈现逐年减弱的离散模式。研究结果有助于深化公园绿地与城市空间演化理论,为二者高效协同和高品质人居环境营造提供科学支撑和规划依据。

改进YOLOv5s的无人机视角下小目标检测算法

针对无人机飞行时与目标距离较远,被拍摄的目标大小有明显的差异且存在被物体遮挡等问题,提出一种基于YOLOv5s的无人机视角下小目标检测改进算法BD-YOLO。在特征融合网络中采用双层路由注意力(bi-level routing attention,BRA),其以动态稀疏的方式过滤特征图中最不相关的特征,保留部分重要区域特征,从而提高模型特征提取的能力;由于特征图经过多次下采样后会丢失大量位置信息和特征信息,因此采用一种结合注意力机制的动态目标检测头DyHead(dynamic head),该检测头通过尺度感知、空间感知和任务感知的三者统一,以实现更强的特征表达能力;使用Focal-EIoU损失函数,来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度。实验结果表明,在VisDrone2019-DET数据集上,BD-YOLO模型较YOLOv5s模型在平均精度(mAP@0.5)指标上提高了0.062,对比其他主流模型对于小目标的检测都有更好的效果。

南京公园绿地与城市功能空间分布关系——基于双变量Ripley′s K函数分析

公园绿地与城市功能空间存在空间关联关系,其规律及尺度特征仍有待揭示。以南京为例,借助标准差椭圆、核密度分析方法和POI数据以及双变量Ripley′s K函数,探究公园绿地与城市功能空间的分布关系。结果表明:1)公园绿地整体均衡、局部聚集,而交通空间均衡分布,公共服务、居住、商服空间的集聚趋势由中心向外围递减;2)主城区公园绿地与功能空间呈现显著的交互促进影响模式,其中公园绿地分别距公共服务、居住、商服空间1200 m、1300 m、1600 m开始呈现聚集模式,交通空间无明显距离差异;3)古城区集聚态势较之主城区有所减弱,公园绿地分别与公共服务、居住、交通、商服空间距1500 m、1200 m、900 m、300 m之内存在配置冲突,在此距离之外各功能空间的布局概率不断增加,仅公园绿地与交通空间呈现较为显著的正向交互影响。最后提出优化建议,为公园绿地与各功能空间协同发展、高效互动提供参考。

基于YOLOv8s改进的小目标检测算法

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题,提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络,优化检测层架构,增强浅层信息和深层信息的融合,提高了小目标的感知和捕获能力;在特征提取网络中使用部分卷积(Partial Convolution,PConv)和高效多尺度注意力(Efficient Multi-scale Attention,EMA)机制构建全新的F_C_(2)f_EMA,在降低网络参数量和计算量的同时,通过通道重塑和维度分组最大化保留小目标的特征信息;为了更好地匹配小目标的尺度,优化调整SPPCSPC池化核的尺寸,同时引入无参注意力机制(Simple-parameter-free Attention Module,SimAM),加强复杂背景下小目标特征提取;在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息;引入了全局注意力机制(Global Attention Mechanism,GAM)通过全局上下文的关联建模,充分获取小目标的上下文信息;使用GSConv和Effective Squeeze-Excitation(EffectiveSE)设计全新的G_E_C_(2)f,进一步降低参数量,降低模型的误检率和漏检率;使用WIoU损失函数解决目标不均衡和尺度差异的问题,加快模型收敛的同时提高了回归的精度。实验结果表明,该算法在VisDrone2019数据集上的精确度(Precision)、召回率(Recall)和平均精度(mean Average Precision,mAP)为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。在WiderPerson和SSDD数据集上进行模型泛化性实验验证,效果优于其他经典算法。

分形集上调和(p, s)-凸函数的Jensen和Jensen-Mercer不等式及其应用

首次提出分形集上调和(p, s)-凸函数的定义,建立了该函数的广义Jensen不等式和广义Jensen-Mercer不等式。引入局部分数阶积分,利用构建的Jensen不等式和Jensen-Mercer不等式,得到了广义调和(p, s)-凸函数的Hermite-Hadamard不等式。最后,讨论了部分结果在概率中的一些应用。