LOCAL MAXIMUM PRINCIPLE FOR SINGULAR DISCRETE-TIME LINEAR SYSTEMS

In this paper a local maximum principle for the singular discrete-time linear systemMx(k)=φx(k-1)+Bu(k-1)is investigated.By using this local maximum principle we can discussthe linear-quadratic optimal regulator problem and the minimum energy problem for singulardiscrete-time linear systems.

基于领域自适应的变工况轴承故障诊断

针对轴承故障诊断中存在训练样本和测试样本分布不同及各类故障数据不平衡导致故障识别率低的问题,设计了一种基于改进残差网络(ResNet)的领域自适应故障诊断方法。在诊断网络第1层使用多维度卷积结构进行特征提取,得到不同维度的故障特征信息;在领域自适应层采用局部最大平均差异(LMMD)对齐源域和目标域的分布,获取更多细粒度信息;使用类平衡损失函数(CBLoss)解决不平衡数据的训练问题,以Adam优化网络实现故障诊断。实验结果表明,所提方法可在故障样本类别不平衡下有较高的诊断结果。在2个轴承数据集和采集的风力发电机数据上进行实验验证,结果表明,所提方法具有一定的优越性,在数据样本不平衡情况下,诊断性能优于深度神经网络和领域自适应网络等深度迁移学习方法,可作为一种有效的跨工况故障分析方法。

基于动态辅助对比学习的跨域行人重识别

具有混合记忆的自步对比学习(Self-paced Contrastive Learning,SpCL)通过集群聚类生成不同级别的伪标签来训练网络,取得了较好的识别效果,然而该方法从源域和目标域中捕获的行人数据之间存在典型的分布差异,使得训练出的网络不能准确区别目标域和源域数据域特征。针对此问题,提出了双分支动态辅助对比学习(Dynamic Auxiliary Contrastive Learning,DACL)框架。该方法首先通过动态减小源域和目标域之间的局部最大平均差异(Local Maximum Mean Discrepancy,LMMD),以有效地学习目标域的域不变特征;其次,引入广义均值(Generalized Mean,GeM)池化策略,在特征提取后再进行特征聚合,使提出的网络能够自适应地聚合图像的重要特征;最后,在3个经典行人重识别数据集上进行了仿真实验,提出的DACL与性能次之的无监督域自适应行人重识别方法相比,mAP和rank-1在Market1501数据集上分别增加了6.0个百分点和2.2个百分点,在MSMT17数据集上分别增加了2.8个百分点和3.6个百分点,在Duke数据集上分别增加了1.7个百分点和2.1个百分点。

A Maximum Likelihood TOA Based Estimator For Localization in Heterogeneous Networks

In this paper, we exploit the concept of data fusion in hybrid localization systems by combining different TOA (Time of Arrival) observables coming from different RATs (Radio Access Technology) and characterized by different precisions in order to enhance the positioning accuracy. A new Maximum Likelihood estimator is developed to fuse different measured ranges with different variances. In order to evaluate this estimator, Monte Carlo simulations are carried out in a generic environment and Cramer Rao Lower Bounds (CRLB) are investigated. This algorithm shows enhanced positioning accuracy at reasonable noise levels comparing to the typical Weighted Least Square estimator. The CRLB reveals that the choice of the number, and the configuration of Anchor nodes, and the type of RAT may enhance positioning accuracy.

弧形绝缘子金属连接环局部机械损坏识别仿真

弧形绝缘子金属连接环通常安装在电力设备上,由于其所处的环境复杂,且存在各种环境干扰因素的影响,使得其局部出现机械损坏时,识别结果不准确。为了精准识别连接环局部机械损坏,提出一种弧形绝缘子金属连接环局部机械损坏识别方法。通过形态学开—闭重构运算对弧形绝缘子金属连接环图像展开建模,使用差分运算获取差分图像,并结合最大熵值法对其分割。根据弧形绝缘子金属连接环的特点,排除非损伤部分对图像识别的干扰。采用基于分形理论的差分盒维法,将图像划分为多个子块并计算其分形维数值,并判断图像是否在数值范围内,从而实现对连接环局部机械损坏的识别。实验结果表明,所提方法可以精准识别弧形绝缘子金属连接环局部机械损坏,具有比较强的适用性。

部分线性变系数空间自回归模型的惩罚轮廓拟最大似然方法

主要研究了部分线性变系数空间自回归模型的变量选择问题。结合拟最大似然方法、局部线性光滑方法以及一类非凸罚函数,提出了一个变量选择方法用于同时选择该模型的参数部分中重要解释变量和估计相应的非零参数。大量模拟研究表明,所提出的变量选择方法具有满意的有限样本性质,并且关于空间权矩阵的稀疏度、空间相关强度、系数函数的复杂度以及误差分布的非正态性非常稳健。特别地,当样本容量较大且罚函数选择合适时,即使解释变量的相关性较强或者模型中含有较多不重要解释变量,所提出的变量选择方法仍然具有比较满意的有限样本性质。通过分析波士顿房屋价格数据考察了所提出的变量选择方法的实际应用效果。

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。

长矩形腔体中混合流体的双局部行波

基于数值模拟,研究了分离比ψ=-0.4和长高比Γ=40的腔体内的双局部行波对流的动力学特性。结果发现,对流圈在端壁产生,向中心传播,到达一定位置对流圈消失;在矩形腔体中两端壁附近行波对流区域与中间部位无对流的传导区域同时共存,形成双局部行波对流;双局部行波对流中的行波由腔体两端向中部传播;腔体二分之一高度处的温度与垂直流速分布是谐波结构,波形比较光滑,浓度分布是台型结构;随着时间的发展,垂直流速最大值稳定在某个数值周期变化,下壁面努塞尔数基本稳定在某个数值,垂直流速最大值和下壁面努塞尔数及其达到稳定的时间随着相对瑞利数r的增加而增加;双局部行波对流稳定的存在于相对瑞利数r∈{1.52,1.57]的区间,双局部行波的对流区长度随着相对瑞利数r的增加呈良好的增加关系,并给出了双局部行波的对流区长度随着相对瑞利数r变化的拟合关系式。

基于像素距离图和四维动态卷积网络的密集人群计数与定位方法

基于卷积神经网络(CNN)获得回归密度图的方法已成为人群计数与定位的主流方法,但现有方法仍存在两个问题:首先传统方法获得的密度图在人群密集区域存在粘连和重叠问题,导致网络最终人群计数和定位错误;其次,常规卷积由于其权重不变,无法实现对图像特征的自适应提取,难以处理复杂背景和人群密度分布不均匀的图像。为解决上述问题,提出一种基于像素距离图(PDMap)和四维动态卷积网络(FDDCNet)的密集人群计数与定位方法。首先定义了一种新的PDMap,利用像素级标注点之间的空间距离关系,通过取反操作提高人头中心点周围像素的平滑度,避免人群密集区域的粘连重叠;其次,设计了一种FDDC模块,自适应地改变卷积四个维度的权重,提取不同视图提供的先验知识,应对复杂场景和分布不均匀导致的计数与定位困难,提高网络模型的泛化能力和鲁棒性;最后,采用阈值过滤局部不确定预测值,进一步提高计数与定位的准确性。在NWPU-Crowd数据集的测试集上:在人群计数方面,所提方法的平均绝对误差(MAE)和均方误差(MSE)分别为82.4和334.7,比MFP-Net(Multi-scale Feature Pyramid Network)分别降低了8.7%和26.9%;在人群定位方面,所提方法的综合评价指标F1值和精确率分别为71.2%和73.6%,比TopoCount(Topological Count)方法分别提升了3.0%和5.9%。实验结果表明,所提方法能够处理复杂背景的密集人群图像,取得了更高的计数准确率和定位精准度。

基于一维卷积子域适应对抗网络的变负荷轴承故障诊断

在大型旋转机械滚动轴承故障诊断的建模中,由于设备运行负载不同,若训练数据与测试数据具有分布差异,则会使训练得到的深度神经网络诊断模型的准确率下降。针对此问题,基于迁移学习理论,提出了基于一维卷积子域适应对抗网络的故障诊断方法。该方法嵌入了融合样本级权重的局部最大均值差异来促进子域对齐,并引入域判别器与特征提取器进行对抗训练,辅助提取域共性特征。建立了一种有效的跨负载轴承故障诊断模型,实现了目标域的无监督故障诊断,提高了滚动轴承故障诊断的准确性。最后,在凯斯西储大学发布的轴承故障数据集上进行实验,实验结果验证了所提方法的有效性。

局部遮荫下基于改进金枪鱼算法的光伏最大功率点跟踪控制

光伏阵列在局部遮荫环境下的P-U特性曲线呈现多峰特性,导致传统最大功率点跟踪(MPPT)算法在跟踪最大功率时失效。为此,提出一种基于改进金枪鱼算法的光伏MPPT双层控制模型,在上层中将莱维飞行(Levy)策略和多项式变异策略嵌入金枪鱼算法中,构建莱维-多项式变异金枪鱼算法(LPTSO)来搜索全局功率最大点;在下层中采用扰动观察法对全局最大功率点进行局部跟踪,以降低局部遮荫环境下的功率振荡。将该双层控制模型应用于光伏MPPT仿真系统中,仿真实验结果表明,针对多峰MPPT控制,所提模型在收敛速度、跟踪效率、功率振荡等方面都有较大提升,该光伏MPPT双层控制模型能够有效解决局部遮荫环境下最大功率跟踪失效的问题。

冰盖下组合桥墩的局部冲刷特性及水力特性

为研究冰盖对组合桥墩局部冲刷及其周围流场分布的影响,基于动床冲刷试验,在不同覆盖条件下,分析了不同水流条件和桥墩尺寸对组合桥墩局部冲刷的影响,建立了预测明渠水流与冰盖流条件下组合桥墩最大冲刷深度的经验方程,并通过ADV测量了墩前的流场。结果表明:组合桥墩的冲刷模式与串列桥墩相似,最大冲刷深度始终出现在墩正前方;经验方程中来流水深、来流流速、桥墩尺寸、冰盖糙率均与最大冲刷深度呈正相关关系;在粗糙冰冰盖流条件下,墩前的垂向流速最大,导致其最大冲刷深度总是大于同等条件下的明渠水流和光滑冰盖流。

基于改进鹦鹉算法的光伏多峰值MPPT控制

针对光伏阵列在光照不均条件下呈现多峰突变,导致传统的最大功率点追踪失衡问题,提出了一种基于改进鹦鹉算法的MPPT控制。首先考量Halton序列进行种群初始化,使多样性变化显著;其次选取切线搜索算法中的切线飞行机制减少动态跳跃,克服早熟和局部极点问题;后期通过鹦鹉翻筋斗觅食策略进行二次更新,减小自适应范围,加速收敛。对比传统鹦鹉算法、金豺算法以及灰狼优化算法,测试结果显示,改进的鹦鹉算法的MPPT控制跟踪效率分别为98.23%、97.26%、96.91%和96.81%,跟踪时间分别为0.077 s、0.112 s、0.127 s、0.156 s,最后通过实验验证跟踪精度和速率均显著高于其余3种算法。

基于多视角三维航摄影像的树高提取方法比较

树高是一个重要的立木调查因子,传统树高测量方法是利用测高器人工测量,该方法调查速度慢,效率低下.重叠的立体像对,可以反映地物的高度信息,为大面积树高信息提取提供了可能.本研究采用大疆Phantom 4 RTK无人机获取研究区航摄影像并构建立体像对,分别从不同视角采用三维模型直接测量法、倾斜摄影点云提取法、冠层高度模型局部最大值法进行了树高信息提取.研究结果表明,三种方法林木检测率依次为:82.5%、76.8%、71.1%,测得的树高结果精度分别为:R2=0.730,RMSE=1.699;R2=0.804,RMSE=1.459;R2=0.766,RMSE=1.548.三维模型测量法获取的树高提取率最高,倾斜摄影点云提取的树高值与实测值的拟合度最高.研究结果利用航摄影像能够高效地提取树高信息,为林业研究调查提供一种低成本、高效率的方法.

基于无人机激光雷达数据的树高提取分析

树高是森林资源调查的重要参数,由于传统人工估算树冠树高方法存在费时、费力等缺点,因此,无人机激光雷达技术被广泛应用。首先,获取数据并分析,采用坡度滤波算法和布料模拟滤波算法提取地面点的精度情况,其相关系数R²分别为0.9927、0.9922,坡度滤波算法提取地面点准确度略高;然后通过自然领域法插值生成数字高程模型(Digital Elevation Model,DEM),再用归一化数字表面模型(Nor‐malized Digital Surface Model,nDSM)提取冠层高度模型(Canopy Height Model,CHM),采用局部最大值算法和分水岭算法提取树高;最后,用实测结果进行精度验证。结果表明:树顶点识别与实测树顶点结果召回率96%、准确率100%、F测度为98%,说明树顶点识别精度较高;树高提取均方根误差达到0.33、最大绝对误差为1.87、最小绝对误差为0.01,说明轻小型无人机遥感技术可快速高效地测量单木树高,且测量精度满足林业调查基本需求,为城市林业资源调查提供技术支持,实现高效化和低成本化。

基于滑动窗宽优化的LMSSGST识别非平稳信号瞬时频率

为提高非平稳响应信号瞬时频率的识别效果,提出基于滑动窗宽优化的局部最大同步挤压广义S变换(local maximum synchrosqueezing generalized S-transform,LMSSGST)。该方法首先对非平稳响应信号进行广义S变换获得相应的时频系数;其次,利用该响应信号的功率谱密度特征曲线确定局部最大同步挤压算子中滑动窗的宽度;再次,通过局部最大同步挤压算子进行时频重排;最后,采用模极大值改进算法提取瞬时频率曲线。通过两个数值算例、一个滑动窗宽参数分析和一个时变拉索试验验证了所提方法的有效性,研究结果表明:利用功率谱密度特征曲线能够有效确定滑动窗的窗宽和模极大值算法的提取范围。相比局部最大同步挤压变换算法,基于滑动窗宽优化的LMSSGST具有更佳的瞬时频率识别效果。

结合SLMSST和DO提取时变结构瞬时频率

为提升局部最大同步挤压变换估算瞬时频率的精度,本文结合2阶局部最大同步挤压变换(Second-order Local Maximum Synchrosqueezing Transform,SLMSST)和动态规划(Dynamic Optimization,DO)方法提出一种识别时变结构瞬时频率的新方法。该方法首先通过引入2阶瞬时振幅与相位得到精度更高的2阶瞬时频率估算位置。其次,搜索频率方向上时频系数的局部最大值所对应的2阶瞬时频率位置并根据这些位置对时频系数进行重排,从而得到2阶局部最大同步挤压变换后的瞬时频带。再次,运用动态规划法在限定频带范围内提取瞬时频率曲线。通过一组数值算例和一个时变拉索试验验证了所提新方法的有效性,研究结果表明:相比既有的局部最大同步挤压变换算法,2阶局部最大同步挤压变换和动态规划的联合算法不仅具有较好的精度,而且具有更好的时频聚集性。

基于深度学习与域自适应的工件涡流热成像的缺陷检测

机械设备运行过程中,标记的故障样本量小,导致建立的模型故障诊断准确率低,为此本文提出一种结合深度学习与域自适应的工件涡流热成像的缺陷检测方法。首先将注意力机制引入深度残差网络ResNet50中,加强模型的特征提取能力;然后将源域和目标域数据送入改进的ResNet50网络中提取深度特征,并且在网络的全连接层中引入局部最大均值差异,用于缩小两域特征间的分布差异,以此实现相关子域的分布对齐;最后在网络的Softmax分类器中实现对工件金属材料的缺陷检测。在公开的磁瓦数据集和本文实验采集的金属板涡流红外图像数据集上进行实验,结果表明,本文方法对涡流红外图像的裂纹缺陷检测识别准确率较高,通过t分布随机邻居嵌入方法对分析结果可视化,验证了本文方法的优越性。

基于快速局部对比度和目标特征的星图弱小目标检测算法

为了解决局部对比度方法在用于星图空间目标检测时存在运算量大和去除背景噪声困难的问题,提出了一种基于快速局部对比度和目标特征的方法来检测目标。在对比度计算前、对比度计算中和对比度计算后3个环节,分别提高了算法实时性、对复杂背景的抑制和去除噪声。首先,通过中值滤波去除高频噪声;然后,通过快速局部极大值滤波确定目标区域,通过局部对比度计算抑制背景,突出目标成像特征;最后,根据目标成像特征,设置目标能量分布、目标能量集中和目标能量传递3个特征函数,通过设置特征阈值去除噪声,提取真实目标。实验结果表明,本文所提方法在检测率和时间消耗上均具有优越性,对于信噪比为1.5的目标有95%的检测率,平均耗时仅为某些对比方法的1/30~1/6。本文所提方法更适用于星图复杂背景条件下的目标快速检测,满足星图空间目标检测算法鲁棒性强、实时性高的要求。

基于模型的非凸聚类算法

由于数据可能分布在非规则的流形上,其中潜在的簇往往呈现非凸的形状和结构,针对这类数据的聚类问题被统称为非凸聚类。现有的主流非凸聚类方法包括基于原始空间的方法和基于空间变换的方法,均忽略了非凸数据模式的显式描述。提出一种描述性模型用于非凸聚类。首先,基于核密度方法定义了一种具有混合形式的特征加权核密度模型,其无需事先假定任何概率分布模型且不限制簇的形状,这是传统基于模型的聚类方法无法实现的。其次,基于提出的模型推导了聚类目标函数,并基于期望最大化算法提出一种求解密度函数局部区域密度极大值的优化算法,那些上升到密度函数相同密度极大值的样本点被划分为同一个簇。最后,定义了一种基于模型的非凸聚类算法。算法不需人为定义簇的数量,并且能够为每个簇分配一个显式的概率密度函数,有助于更稳健和更准确地表征集群。除此之外,算法不仅在优化过程中进行自适应带宽选择,而且在优化过程中赋予了样本空间特征权重,实现了嵌入式特征选择。