摘要：针对强背景噪声下机械故障微弱暂态特征表示和有效提取的难题,提出了通用的稀疏优化特征提取算法。算法针对含噪声冲击性特征提取问题设计了稀疏优化表征函数,该函数融合了冲击特征的保真度与惩罚函数因子,考虑了正则化参数以适应不同工程背景下各分析因子的实际影响,实现处理结果稀疏性极大化。同时,引入受控极小化方法对设计的表征函数进行转化,分解成一系列凸优化分析问题。提出了针对离散信号的有限差分式数值迭代算法,验证了其快速收敛性和数值稳定性,提出的算法对机械故障诊断的数字采样信号具有普遍适用性。将所提出的算法应用于实验室环境下的轴承故障特征识别中,无论是低噪声还是低信噪比白噪声环境下,振动信号中的冲击特征都得到了显著增强,在Hilbert包络谱中的故障特征频率及其高次谐波比能量中占优。所提出的算法还应用于电力机车走行部轮对的故障诊断中,在高强度的工程有色噪声环境下精确提取了其中的冲击衰减成分,在时域和频域诊断结果中都得到了准确的验证,指导了诊断实践。

摘要：在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法.该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度.该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件.将近端算法用于所构造的无约束优化问题的求解.此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性.在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏.

摘要：目标跟踪一直是计算机视觉领域中重要且富有挑战的问题。为克服目标形变、遮挡或快速移动等因素对跟踪性能的影响,笔者提出一种结合模板更新与轨迹预测的孪生网络跟踪算法。首先,在基于孪生网络跟踪模型中引入模板图像的自适应更新迭代机制,实现对目标表观变化的动态表征,以此提升目标形状或颜色发生变化时的跟踪性能。具体来说,通过对每一帧跟踪结果的分析,判断是否满足更新条件,设计了自适应模板更新的策略,有效地降低了目标模板被污染的可能性。其次,在目标跟踪过程中引入卡尔曼滤波,通过收集跟踪过程中目标位置信息并进行轨迹预测,将前一帧中跟踪算法预测的目标位置信息与轨迹预测的位置信息相融合,得到当前帧搜索区域的裁剪位置,进而实现了离线跟踪与在线学习的结合,进一步解决了目标被遮挡或者快速移动的问题。最后,在VOT2018和LaSOT数据集上验证了该算法在多种复杂场景下的性能表现。实验结果表明,所提算法的跟踪性能超过了大部分其他跟踪算法。

摘要：本文深入研究电气电子类课程改革思路和实践方法,目标是在新工科背景下培养具有综合学科知识、高阶创新能力和浓厚家国情怀的人才。以“信号与系统”为例,提出兴趣激发、问题驱动、高阶实践、思政渗透四维导向的课程内容优化理念,采取基于BOPPPS的教学模式,促进学生积极参与高阶课堂,挑战任务。针对多元化的教学活动,设计教学全过程综合考核方式,包括知识、能力和素养指标,促进教学目标的达成。