摘要：视频异常检测需从整段视频中识别帧级别的异常行为。弱监督方法使用正常与异常视频,辅以视频级别标签训练模型,相比无监督视方法展现出了更优越的性能。然而,目前的弱监督视频异常检测方法无法记录视频长期模态,且部分方法为了获得更优的检测效果,利用了未来帧的信息,导致无法在线应用。为此,文中首次提出了一种基于双重动态记忆网络的弱监督视频异常检测方法,通过设计包含两个记忆模块的记忆网络来分别记录视频中长期的正常和异常模态。为了实现视频特征和记忆项的协同更新,采用读操作基于记忆模块中的记忆项对视频帧的特征进行增强,采用写操作基于视频帧特征对记忆项的内容进行更新,同时记忆项的数量在训练的过程中会动态调整从而适应不同视频监控场景的需求。在训练时,设计模态分离损失增加记忆项之间的区分度。在测试时,仅需要记忆项而不需要未来视频帧的参与,从而实现准确的在线检测。在两个公开的弱监督视频异常检测数据集上的实验结果表明,所提方法优于所有在线应用的方法,相比只能离线应用的方法也具有很强的竞争力。

摘要：针对现有单光镜片存在人眼实际感受屈光力不恒定的问题,提出了一种基于镜眼联合模型的单光镜片设计方法。将人眼视角变化与对应的镜片使用区域相匹配,以角膜表面人眼实际感受到的屈光度保持恒定为基准,对镜片表面的屈光度进行重新计算,最终获得镜片表面的屈光度分布及相应的面形数据。基于所提设计方法,以角膜表面实际感受到的屈光度-6.00 D为例,生成面形数据进行镜片加工,并对加工后的镜片面形及屈光度进行了测量和评价。测试结果表明:加工镜片的中心屈光度为-6.30 D,且呈中心向边缘渐变趋势,屈光度最大误差小于±0.23 D,验证了所提方法的有效性。

摘要：针对传统的变分模态分解(VMD)需要预先设置模态个数和惩罚参数,提出了一种基于麻雀搜索算法(SSA)的参数自适应VMD方法。首先,引入一种新的测量指标-相关脉冲,该指标能反映出原始信号与分解模态之间的相关性,并且能有效突出包含丰富信息的模态。其次,基于相关脉冲指标,采用麻雀搜索算法选择最优VMD分解参数。最后,通过最大相关脉冲指标对模态分量进行分析,利用希尔伯特包络谱进行频谱分析。此外,将故障轴承放在轴承寿命试验台上进行仿真验证,实验结果表明该方法在轴承故障特征提取上具有可行性。

摘要：角接触球轴承广泛应用于机床、自动化设备等领域,但是对角接触球轴承中刚度的研究却少之又少。对于现有文献中的模型而言,未考虑接触参数如表面粗糙度对刚度的影响关系。这里在角接触球轴承刚度分析的基础上,提出了一种基于分形理论来计算轴承刚度的模型,这里建立的角接触球轴承刚度模型能够考虑接触参数对刚度的影响。结果表明,角接触球轴承中的轴向载荷和刚度在不同表面粗糙度下是相互影响的。此外,该模型通过与其他文献的模型相比较,对比结果表明了该模型的有效性。

摘要：为解决滚动轴承运行可靠度预测问题,这里提出了基于麻雀搜索算法-相关向量机的滚动轴承可靠度预测方法。首先对轴承振动信号在时域、频域及时频域构成的维数较高的向量集利用主成分分析算法进行降维;然后将降维后的特征集作为轴承的退化状态特征输入到逻辑回归模型中,进行滚动轴承可靠性评估;然后将轴承的性能退化状态特征作为麻雀搜索算法-相关向量机模型的输入,获取预测结果;最终把结果带入到逻辑回归模型中,预测轴承的运行可靠度。实验结果表明提出的算法在预测滚动轴承运行可靠性中具有明显优势。

摘要：由可见光驱动的将CO2转化为高附加值燃料是一种清洁可再生的技术,有助于控制全球变暖和应对能源短缺.近年来,二维的金属偶氮盐框架（2D MAFs）因其特定的电子传输路径、高度暴露的表面活性位点及可调节的吸光能力,在CO2光还原研究中备受关注.然而,对其在该领域的研究仍处于初级阶段.本文设计了一种新型二维MAFs（compound 1）,通过四-（4-四唑基苯基）乙烯（H4TTPE）与钴的自组装实现了对CO2的光还原.作为对比,通过类似的合成过程构建了具有三维结构的compound 2.非均相光催化实验结果显示,2D compound 1的光还原性能明显优于3D compound 2,在相同条件下,其CO产率高达11.56 mmol g-1h-1,是compound 2 (1.94 mmol g-1h-1)的6倍.这一性能优势源于compound 1独特的二维结构,其不仅具有有利于CO2还原的能级,还能在整个CO2光还原过程中促进电子-空穴高效分离.本工作为设计适用于高效CO2光还原的2D MAFs光催化剂指引了方向.

摘要：高分辨率遥感图像有丰富的空间特征,针对遥感土地覆盖方法中模型复杂,边界模糊和多尺度分割等问题,提出了一种基于边界与多尺度信息的轻量化语义分割网络.首先,使用轻量化的MobileNetV3分类器,采用深度可分离卷积来减少计算量.其次,使用自顶向下和自底向上的特征金字塔结构来进行多尺度分割.接着,设计了一个边界增强模块,为分割任务提供丰富的边界细节信息.然后,设计了一个特征融合模块,融合边界与多尺度语义特征.最后,使用交叉熵损失函数和Dice损失函数来处理样本不平衡的问题.在WHDLD数据集的平均交并比达到了59.64%,总体精度达到了87.68%.在DeepGlobe数据集的平均交并比达到了70.42%,总体精度达到了88.81%.实验结果表明,该模型能快速有效地实现遥感图像土地覆盖分类.

摘要：针对滚动轴承可靠性预测问题,提出了基于特征选择和ELM网络的可靠性预测方法。首先,对振动信号提取特征,构成特征参数初选集;其次,引入单调性、相关性、鲁棒性三个特征评价指标对特征参数初选集进行特征评价,并定义了一种新的限制性指标,得到可以反映轴承退化过程的参数,构成退化特征参数集;再次,对退化特征参数集进行维数约简,构成低维特征向量集;最后,以退化特征参数集和特征向量集分别为输入数据和标签带入ELM网络中做可靠性预测。通过西安交通大学轴承振动信号数据集证明了该方法的有效性。

摘要：滚动轴承在机械传动中占有十分重要的地位,其运行状况直接影响着机械的运行效率。因此,对滚动轴承故障的研究具有十分重要的理论意义和现实意义。该文章在故障诊断的基础上提出一种故障定位的新方法。该方法利用三个振动传感器采集滚动轴承运行过程中的振动信号,然后利用相关分析法与EMD算法对其进行去干扰处理,提取振动信号的幅值,并计算其衰减量。利用三个传感器采集到的三处振动信号衰减量来分析计算故障的准确位置。该方法简单,提取特征值少,定位精度高。且该方法不仅能准确定位滚动轴承外滚道单点故障,而且可同时定位出多个故障点。这在以往的定位方法中是很难实现的。

摘要：针对滚动轴承故障诊断在小训练样本下和强噪声下无法取得高精度识别的问题,提出一种基于Welch功率谱结合卷积神经网络进行诊断的方法。该方法以原始时域振动信号作为输入,用Welch功率谱转换数据形态同时对高强度噪声进行抑制,再用得到的功率谱训练卷积神经网络,最后将训练好的模型用于轴承的故障诊断。与WDCNN[1]等方法进行对比,实验发现在混合负载下,该方法平均识别率正确达到99%,其它方法达到这个精度至少需要20倍以上的训练样本量,明显优于WDCNN等方法。抗噪实验结果表明噪声对信号的干扰越强烈,该方法的抗噪表现越好,其抗噪性能要显著优于WDCNN等方法。