摘要：随着新型电力系统的“双高”特征凸显,电网中的宽频动态成分日益复杂,对功率及电能计量技术提出了新的需求与挑战。发展量子功率及电能标准是电力量子计量技术研究的主流趋势,但传统的差分测量方法在传递交流量子电压阶梯波量值时,量子电压的合成频率被限制在1 kHz以下,以确保测量准确度达到10^(-6)量级。针对上述问题,文中提出了一种基于可编程约瑟夫森电压的宽频量子功率及电能标准设计方案,通过下采样原理的宽频量子差分测量方法,实现宽频信号向低频量子电压阶梯波的可靠量值溯源,有望将功率及电能的量子测量频率从当前的工频提升至10 kHz以上。通过构建实验系统,以脉冲驱动型交流约瑟夫森电压标准的输出为被测信号,证明所述下采样测量方法在1 kHz频点上的有效值测量结果与传统差分测量结果的一致性优于3×10^(-6),扩频测量至10 kHz时没有显著的测量偏差,以上测量结果为构建最优合成不确定度达到10^(-6)量级的宽频量子功率及电能标准提供了技术支撑。

摘要：点云是一种重要的三维数据格式,能直观地描绘真实世界,然而点云的巨大数据量限制了其更加广泛的应用。为了简化点云并提高下游应用效率,提出了一种基于轻量级Transformer的任务驱动点云下采样方法。该网络包括特征提取模块和软采样模块,在特征提取模块中采用最先进的Transformer模型学习点云特征,考虑到计算和存储资源有限,将其设计为轻量化结构;在软采样模块中利用MLP和Gumbel-Softmax来模拟实际采样过程,得到下采样点云。为使采样点云适合后续应用任务,构造了一个包含任务损失、采样损失和约束损失的联合损失函数用于网络端到端训练。此外,为简化训练并方便实际应用,在基于轻量化Transformer的任务驱动点云下采样网络的基础上,还提出了多倍率下采样方法,它采用渐进式结构,结合多组采样损失,实现一个模型得到多个采样率下的点云。通过在ModelNet40和ShapeNetCore55数据集上进行点云分类任务和重建任务实验表明,所提方法在简化点云数量的同时,分类精度和重建精度得到良好保证,尤其是下采样点数较少时,相比于同类算法,任务性能更高。

摘要：针对受硬件条件、物体遮挡和背景杂波等客观因素的影响,传感器采集的目标点云具有较强的稀疏性和密度不均匀性,导致分类模型对点云特征的学习效率低、分类泛化能力差的问题,提出了一种基于多级自适应下采样的点云分类模型PointMLP-FD。该模型设计了多个MLP模块作为网络分支,以点云的浅层特征为输入得到每个点云类别维度上的特征表达,之后再根据特征表达进行排序,选择具有更强语义特征的点构成下采样点集。通过过滤背景和与目标相关性低的信息来自适应保留反应目标本质特征的信息。最后分别计算分支网络的损失,与骨干网络并行训练来优化点云特征,减少模型参数。该方法在ScanObjectNN数据集上进行测试,结果表明相较于PointMLP-elite分类精度更高,mAcc提升1%,OA提升0.8%,以更少的参数量接近SOTA模型的性能。

摘要：针对无噪点云采集困难且使用模拟噪声在合成数据集上训练泛化性能较低的问题,提出一种仅需含噪点云即可完成训练的自监督去噪方法,以实现在不同环境下的点云去噪.该方法首先通过设计并实现特殊的采样器,对带噪点云下采样,得到训练网络所需的配对点云;然后通过设计轻型多尺度去噪网络,解决网络训练中噪声的扰动问题.在多个数据集上的实验结果表明该方法有效,在不同场景下能获得与有监督训练相同的效果.

摘要：一种基于压缩感知和兰姆波的损伤检测方法利用兰姆波下采样信号构造测量矩阵,需要恰当的采样率才能使测量矩阵行数小于列数,从而满足压缩感知的适用条件。但是,过低的采样率会导致采集到的接收信号与真实信号严重失真。针对这一问题,提出基于插值的计算下采样信号与真实信号相关系数的方法,判断下采样信号与真实信号的失真程度。并结合压缩比,选择合适的采样间隔,确定测量矩阵。通过对测量矩阵做行正交规范化处理,优化测量矩阵,大大提高重构效果和损伤定位精度及能力。优化后,重构概率为1的稀疏度由1增长到12左右。

摘要：提出一种基于输入码流信息和已转码码流信息的视频转码快速运动估计算法。本算法利用Alpha-激励均值滤波通过输入码流的运动矢量合成作为备选预测运动矢量之一,并利用H.264标准中帧间预测的方法通过已转码码流信息合成另一个备选预测运动矢量,共同作为EPZS运动估计算法的预测中心。结合图像的运动活跃性,自适应的调整运动估计的搜索策略。该算法比传统的运动矢量方法相比提高了1 dB左右的PSNR,保持了较高的转码图像质量并与菱形搜索算法相比能够降低18%左右的转码时间。

摘要：智能手机等移动设备受电池续航及计算能力的限制,在面向图像/视频处理应用时需要进行特定的算法设计和优化.为此提出一种快速的非局部均值图像去噪算法.首先利用像素点权值计算的对称性原理减少像素权值的计算量;然后根据实验确定的优化步长对图像进行下采样,并利用权重公式和双线性插值算法分别对采样点和非采样点的权值进行计算;最后应用NEON指令对部分C语言代码进行汇编级优化.实验结果表明,与传统非局部均值图像去噪算法相比,该算法在轻微图像质量损失的情况下大幅减少了图像的去噪时间,能够满足手机等移动终端上的实时图像处理要求.

摘要：针对电力系统中负载端耗电预测精准性的问题,提出一种结合卷积神经网络和长短期记忆网络的预测方法。利用小波变换原理,对卷积神经网络中的下采样方法进行改进,使时频特征信息在下采样过程中理论上得以保留和增强。以实际耗电量数据为实验内容,结果表明,所提方法与传统方法相比,各评估指标和短周期负载预测精度方面得到显著提升。

摘要：针对正交频分复用(OFDM)系统中的整数频偏问题,提出一种新的估计方法.该方法将1个等分的OFDM训练符号下采样为大量长度为点的OFDM子符号,然后结合小数频偏估计值,设计新的快速傅里叶变换(FFT)算法解调一部分OFDM下采样符号,再合并结果,寻找频域峰值,从而对整数频偏做出估计.仿真结果表明,所提出方法具有计算复杂度及估计错误率较低的优点.

摘要：提出一种新的基于生成对抗网络的人脸属性编辑全局组织网络算法.人脸属性编辑是指通过结合编码解码器结构与生成对抗网络,生成具有期望属性的人脸图像.传统的编码解码器结构对人脸的重构和编辑能力有限.直接将编码特征与属性标签结合会因为融入编码特征造成属性编辑性能低下,同时,也会由于缺失编码特征造成人脸还原度的损失,两者无法平衡.因此,提出U型传递方式与全局组织单元.U型传递改变了传统的属性流动方式,并生成反向状态.全局组织单元结合反向状态生成全局属性信息,在编码解码器中搭建桥梁,帮助解码器更好地融入编码器特征与属性信息.与此同时,为了更好地配合全局组织模块,重新设计了编码器下采样.实验结果表明,本文所提方法可以同时提高模型的人脸重塑与属性编辑能力.