基于正态云神经网络的直流输电高频稳态控制

高压直流输电线路的运行数据直接用于其高频率稳态控制中,会导致控制结果出现偏差,为此,研究了一种基于正态云神经网络的高压直流输电线路高频率稳态控制方法,构建正态云神经网络模型;分析高压直流输电线路结构及接线方式,依据分析结果选取输电线路的逆变侧与整流侧频率差信号及其变化率作为控制信号;以所选取控制信号为输入,通过所构建模型的正态云部分处理输入信号,降低其噪声与不确定性;处理后信号输入所构建模型的广义动态模糊神经网络部分,获得稳态控制信号输出,实现对高压直流输电线路的高频率稳态控制。实验结果显示:该方法可实现高频率下,正常运行与加入功率扰动时,高压直流输电线路的稳态控制,能够快速有效抑制输电线路的振荡情况,保持其发电机功率与直流输送功率快速恢复稳定,进行实时监测所得参数数据产生的噪声影响很小。该方法具有稳定性和可靠性。

4D毫米波雷达稀疏点云下的连续帧隐空间法线估计

针对毫米波连续调频雷达在室外运动场景下点云数据稀疏和空间配准精度低的问题,本文提出了一种轻量级空间配准方法。该方法适用于室外运动场景下毫米波雷达连续多帧之间的点云处理,能在没有位姿传感器辅助的情况下,通过时空图神经网络准确估计相邻多帧点云的隐空间法线,并将每帧雷达点云数据转换到统一的观测坐标系中,从而实现四维点云的多帧融合与场景配准。实验结果表明,该方法不仅能准确评估四维点云的空间姿态,还能有效校正和融合每帧点云的坐标,在运动及震动过程中实现点云坐标的精准配准。此外,该算法还能显著提高点云成像的密度,增强图像的精度和可读性,同时适用于静态和动态目标的成像,为毫米波雷达在室外运动场景的应用提供了有力支持。

基于卷积神经网络的航空零件去噪技术

为去除在用三维激光扫描技术扫描航空零部件时,因扫描环境、设备等因素带来的大量零件点云噪声,提出基于卷积神经网络的航空零件去噪技术。首先应用经典卷积神经网络预测点云法线信息,然后以此进一步对点云进行位置更新,从而实现点云去噪。经实验证明,与目前的去噪方法相比,所提方法在去噪方面更具优越性。

基于无线传感网络和正态云神经网络的液压泵的故障诊断研究

液压泵的工作性能将影响到整个液压系统的工作可靠性,因此,深入地分析了无线传感器网络和正态云神经网络在液压泵故障诊断中的应用。首先,设计了液压泵故障诊断的无线传感网络系统,分别设计了系统的硬件和软件,并且设计了路由算法;其次,分析了液压泵故障诊断系统的正态云神经网络学习算法,构建了云神经网络;最后,进行了液压泵故障诊断的实例研究,结果表明该技术具有较好的故障诊断效果。

结合空间深度卷积和残差的大尺度点云场景分割

目的在点云场景中,语义分割对场景理解来说是至关重要的视觉任务。由于图像是结构化的,而点云是非结构化的,点云上的卷积通常比图像上的卷积更加困难,会消耗更多的计算和内存资源。在这种情况下,大尺度场景的分割往往需要分块进行,导致效率不足并且无法捕捉足够的场景信息。为了解决这个问题,本文设计了一种计算高效且内存高效的网络结构,可以用于端到端的大尺度场景语义分割。方法结合空间深度卷积和残差结构设计空间深度残差(spatial depthwise residual,SDR)块,其具有高效的计算效率和内存效率,并且可以有效地从点云中学习到几何特征。另外,设计一种扩张特征整合(dilated feature aggregation,DFA)模块,可以有效地增加感受野而仅增加少量的计算量。结合SDR块和DFA模块,本文构建SDRNet(spatial depthwise residual network),这是一种encoder-decoder深度网络结构,可以用于大尺度点云场景语义分割。同时,针对空间卷积核输入数据的分布不利于训练问题,提出层级标准化来减小参数学习的难度。特别地,针对稀疏雷达点云的旋转不变性,提出一种特殊的SDR块,可以消除雷达数据绕Z轴旋转的影响,显著提高网络处理激光雷达点云时的性能。结果在S3DIS(stanford large-scale 3D indoor space)和Semantic KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute)数据集上对提出的方法进行测试,并分析点数与帧率的关系。本文方法在S3DIS数据集上的平均交并比(mean intersection over union,mIoU)为71.7%,在Semantic KITTI上的m Io U在线单次扫描评估中达到59.1%。结论实验结果表明,本文提出的SDRNet能够直接在大尺度场景下进行语义分割。在S3DIS和Semantic KITTI数据集上的实验结果证明本文方法在精度上有较好表现。通过分析点数量与帧率之间的关系,得到的数据表明本文提出的SDRNet能保持较高精度和较快的推理速率。