摘要：实现快速且高精度的点云分类算法对自动驾驶、3维场景识别、地图重建、工业机器人等应用领域起着重要的作用。针对目前传统3维点云分类算法存在着深度学习需要海量带标签训练数据以及在网络中没有考虑到3维点云数据的局部信息的不足,基于最大分类器差异域适应方法,设计了一种3维点云分类框架。首先使用PointNet点云分类网络作为网络的基本框架,其次在特征网络中添加自适应节点模块以处理3维点云的局部特征,最后利用领域自适应方法中的最大分类器差异域适应方法对网络的全局特征进行训练,有效缓解对海量训练数据的依赖性。在3维点云数据集PointDA-10的6种迁移组合对所提方法进行实验验证,在其中5种组合的分类准确率优于传统的点云分类算法,并且在减少20%训练数据量的情况下仍能较传统方法有效提升分类准确率。

摘要：运动想象脑电信号(EEG)的模式识别方法,一直是无创脑机接口领域的重要研究方向之一.近年来,深度学习进一步提升了运动想象EEG信号的识别准确率,但面对EEG信号较强的时变性,依然存在训练样本不足和特征维度太高等问题.针对上述问题,本文提出了一种新型的重叠时间切片训练策略,在现有的时间切片策略基础上(cropped),采用重叠的时间切片策略(overlapped),并基于重叠时间切片集合构建了全新的损失函数计算和标签预测方法.采用重叠时间切片策略,不但能够进一步提升训练样本数量,还可以降低单个样本特征空间,从而提升深度神经网络在EEG信号识别中的性能.为了验证overlapped策略的可行性与有效性,本文选择了BCI CompetitionⅣdataset 1,2a和2b三个开源EEG信号数据集,在数据集上分别建立5种深度神经网络模型,并对比cropped策略与overlapped策略的运动想象识别性能与效率.实验结果表明,overlapped策略较cropped策略拥有更好的识别性能.最后,通过调整重叠时间切片策略的参数值,设计了9组不同参数组合的对比实验,实验结果表明不同的参数组合会影响最终的分类性能,且分类性能的好坏并不与效率的高低呈线性关系.本文提出的overlapped策略在CompetitionⅣdataset 1,2a和2b数据集上的识别准确率分别达到了92.3%、77.8%和86.3%,较传统策略有明显的性能提升,效率却不一定降低.

摘要：本文以辅机程控系统为例，分析了潍坊发电厂ＰＬＣ程控系统干扰信号产生的原因，并针对这些原因提出了消除干扰信号影响的几种方法，对以后同类型系统的设计和施工也提出了具体的参考意见。