摘要：针对新型电力系统运行场景复杂多变、调度目标繁多导致调度方案应变能力不足的问题,提出了一种考虑时空完整性的新型电力系统运行断面图生成与特征提取方法。首先,以系统历史运行断面为数据依托,从时间和空间2个维度出发,定义了考虑时空完整性的时序运行断面数学化表征形式;然后,围绕运行断面数据高维且非线性的特点,设计基于格拉姆角求和场的运行断面高维空间转换算法,将高维时序运行数据编码为运行断面图;最后,以VGG16为基模型,保留其前13层卷积层,并引入全局最大池化层(GMP)替代其末端的全连接层,构建了系统运行断面图的VGG13_GMP特征提取模型。通过算例分析验证了所提方法的有效性及鲁棒性。

摘要：由于事件相关电位(ERP)信噪比低、变异性强,其在大脑皮层所体现的空间−时间信息分布在不同RSVP范式下的分布差异较大,并且传统基于CSP或LDA的单试次解码算法在不同数据集下分类性能不稳定,分类模型鲁棒性在数据集间有限.对此,从频−时−空域多个角度出发,通过设计两个交替迭代优化的空时域滤波器进行特征提取,提出了一种多层频时空ERP特征提取的目标分类算法(STAEE)以增强RSVP-BCI的解码性能.算法共分为滤波器组模块、时间窗分解模块、空时域滤波模块和感兴趣区域选择模块.在两个公共RSVP数据集的分类任务中,相较于结构化判别分析(HDCA)、共空域模式(CSP)、滤波器组共空域模式(FBCSP)以及空时判别分析(STDA)4个基准算法,所提出的STAEE算法获得了更高的曲线下面积(AUC),这表明该算法能够有效克服ERP在不同数据集分布的变异性,提升识别系统的分类性能.

摘要：以卷积神经网络为代表的深度学习方法为机械故障诊断大数据分析与处理提供有效工具,但其底层逻辑和物理内涵等“黑盒”问题破解是发展可信、安全、可靠人工智能及机械故障智能诊断方法的一个重要研究方向。提升多小波框架是一个天然多通道卷积过程,基于多小波基函数内积匹配思想可有效提取隐藏于背景噪声下多种故障特征。因此,将提升多小波理论引入卷积神经网络,提出基于多元提升核神经网络的机械故障诊断方法并探讨其底层多通道卷积下故障特征提取机理。首先,该网络以提升多小波框架为底层构架设计自适应提升多小波层,并在提升多小波理论数学约束下构造兼备重要信号处理特性的多元提升核,通过单参数训练高效精准完成多故障特征匹配提取。其次,通过仿真试验研究该网络基于内积匹配原理的物理内涵,探讨训练过程中多元提升核波形演化规律并研究其多通道卷积运行机理、网络映射关联含义等特征提取可解释性问题。最后,试验验证表明该方法对同工况类间差异小、多工况类内差异大特性下行星齿轮箱故障识别表现出优异诊断准确性、稳定性和抗噪性,工程应用表明该方法对高精密天线指向机构微弱和复合故障识别也具备精确诊断能力。

摘要：研究来源于特征提取中的一类鲁棒判别回归模型,该模型问题可以重构为Stiefel流形和线性流形组成的乘积流形约束下的一类矩阵迹函数极小化问题.整合紧流形和线性流形,结合乘积流形几何性质,本文设计适用于求解重构问题简化版本的一类基于Zhang-Hager技术拓展的乘积流形黎曼非线性共轭梯度法,并给出算法全局收敛性分析.数据实验表明所提算法对于问题求解是高效可行的,且与已有算法、其它黎曼梯度类算法及黎曼优化工具箱中已有的黎曼一阶和二阶算法相比在迭代解精度或迭代效率上有一定优势.

摘要：基于深度学习的双目立体匹配算法大多采用卷积神经网络(CNN)进行特征提取。但该网络存在感受野有限、卷积核权重共享等固有的局限性,难以提取到强辨识度的特征,易导致弱纹理区域、细节区域等有挑战性区域的匹配精度较低。针对该问题,本文提出一种基于三分支混合特征提取的双目立体匹配算法。具体地,将CNN分支、Swin Transformer分支、融合分支并联设置,并对左、右图像进行特征提取,并联分支设置有效地保留了CNN的局部特征表达能力和Swin Transformer框架的全局特征表达能力。融合分支由多阶段的全局-局部信息适配器组成,不仅能实现本阶段全局信息和局部信息的融合与表达,而且能够跨不同阶段有效地传播特征,从而筛选出适用于弱纹理区域和细节区域的强相关特征信息,提高了立体匹配的精度。在SceneFlow数据集上进行的消融实验验证了本文算法的有效性。利用SceneFlow、KITTI 2012、KITTI 2015数据集进行了测试。本文方法在SceneFlow数据集上的端点误差为0.652个像素;在KITTI 2012数据集上的非遮挡区域,视差误差大于5个像素的百分比为0.79%。结果表明本文算法具有优异的立体匹配精度。

摘要：针对用于位姿估计的RGB-D特征提取网络规模过于庞大的问题,提出一种轻量化改进XYZNet的RGB-D特征提取网络。首先设计一种轻量级子网络BaseNet以替换XYZNet中的ResNet18,使得网络规模显著下降的同时获得更强大的性能;然后基于深度可分离卷积设计一种多尺度卷积注意力子模块Rep-MSCA(re-parameterized multi-scale convolutional attention),加强BaseNet提取不同尺度上下文信息的能力,并约束模型的参数量;最后,为了以较小的参数代价提升XYZNet中PointNet的几何特征提取能力,设计一种残差多层感知器模块Rep-ResP(re-parameterized residual multi-layer perceptron)。改进后的网络浮点计算量与参数量分别降低了60.8%和64.8%,推理速度加快了21.2%,在主流数据集LineMOD与YCB-Video上分别取得了0.5%与0.6%的精度提升。改进后的网络更适宜在硬件资源紧张的场景下部署。

摘要：目的:以阿克苏苹果为例,设计一种联合图像最优特征提取和改进RBF神经网络学习的苹果质量估计方法,以克服人工分级称重成本高、误差大的缺陷。方法:首先,建立苹果图像采集系统,得到苹果前景图像信息;其次,设计苹果图像特征集合最佳子集提取策略,将最佳子集提取过程转化为目标函数优化问题,并利用改进的离散蝗虫优化算法进行求解,从而得到最佳苹果图像特征子集;最后,构建基于RBF神经网络学习的苹果质量估计模型,将最佳特征子集作为网络输入,并采用蝗虫优化算法优化配置RBF神经网络超参数,从而实现对苹果质量的有效估计。结果:所提苹果质量估计方法精度更高,质量估计值平均相对误差率为1.23%。结论:该方法可以有效实现苹果质量预估,也能够推广应用到其他类似轴对称形状的水果质量估计。

摘要：针对传统方法提取到的轴承各类故障特征混杂,部分类别故障不易区分的问题,设计一种双流卷积神经网络(Convolutional Neural Network,CNN)的故障诊断模型。首先将振动信号转换到频域,为减少低频微弱信号的干扰,过滤频域信号,设定滤波器通带和阻带衰减值以保证信号不失真,进而确定频率带宽,在该带宽值下求得信号振幅占比最大值的范围,同时以正常信号振幅平均值作为高频信号的阈值确定频率最高值。用上述参数分别作为滤波器的参数,过滤信号得到频谱信号和构建时频图像。将提取频谱信号和时频图作为模型两个通道的输入,在卷积层和池化层后加入特征融合层,通过加权融合的方式将两个通道的特征融合,使得各类故障特征区分度显著提高。实地搭建故障平台采集数据验证,实验结果表明,该方法能提取到每类故障独有的特征,轴承故障识别准确率达到98.95%。

摘要：为提升边坡险情的监测能力,本文提出了一种基于深度学习与图像局部特征提取的边坡异常监测技术。该技术通过提取边坡自然特征物的二维坐标构成目标三角网络,以三角网络的变化区域圈定边坡险情范围,并提取变化范围内的同名特征点,以同名特征点的位移情况对边坡的变化进行描述。首先,拍摄边坡发生险情前后的图像,利用目标检测模型YOLOv5识别边坡自然特征物,利用语义分割模型DeepLabV3+对提取的自然特征物进行语义分割得到其二值化区域,提取区域中心得到二维坐标,以所有自然特征物的二维坐标点阵构建目标三角网络,并以三角网络变化圈定边坡的变化范围。然后,利用图像特征提取技术,提取变化范围之内的同名特征点,并统计其位移距离与方向,以此反馈边坡的变化情况。最后,设计了试验验证该方法的稳定性与可靠性,并在真实的边坡验证了方法的实用性。试验结果表明,该技术能够对边坡的变化进行有效监测,是边坡监测工程中的一种可行技术。

摘要：针对风力发电机变桨轴承往复运转的行程短,转速低,故障信息微弱,故障诊断困难的问题,提出了一种基于多层窄带局部峰值因子的变桨轴承故障特征提取方法。首先,使用编码器零位信号对原始信号进行分割重构,去除往复换向过程中非平稳信号和冲击的影响;然后,构建多层窄带滤波器组,设计并使用谐波局部峰值因子代替传统的谱峭度作为滤波频带的评估指标,进行滤波频带的优化选择;最后,基于选取的最优滤波频带对重构信号进行带通滤波和解调,基于平方包络谱的峰值频率及其幅值提取故障特征。设计了一种非整周往复运转轴承故障模拟试验台,用于变桨轴承故障信号的模拟和多层窄带局部峰值因子方法验证,结果表明,在基于谱峭度的滤波频带选取方法无效的情况下,多层窄带局部峰值因子方法可以有效提取变桨轴承振动信号中的故障特征。