融合注意力机制的U-Net混合电磁重构方案

电磁逆散射问题是非线性和病态的,传统的求解方法无法兼顾成像精度和计算效率,而基于深度学习的直接重构方法缺失先验信息,导致学习过程较困难.采用结合衍射层析成像（DT）算法和融合注意力机制的U-Net混合电磁重构方案,求解电磁逆散射问题,将基于Born近似的DT算法重建的粗糙图像作为U-Net的输入,有效利用先验信息,提高逆散射问题求解的效率和精度.此外,在U-Net每次的下采样过程中加入注意力机制,进一步提高了目标散射体相对介电常数和位置的重建精度.实验结果表明,相比未引入注意力机制的方案,融合注意力机制的U-Net混合电磁重构方案重建误差较小,可实现相对介电常数分布的高精度重建.     

基于多尺度学习的电介质目标定位与重构

利用神经网络将电磁逆散射问题与多尺度方法相结合,通过将散射场的场强数值输入多尺度融合模型中进行不断训练,实现目标的定位与重构. 对于目标区域内的手写数字散射体,首先利用Lenet网络模型定位目标散射体所在的区域;然后将散射体所在的区域进一步通过SmaAt-UNet神经网络学习,训练重构散射体的形状,进而确定该数字,不同的模型负责提取不同的特征;最后将特征融合在一起,以增强最终结果的表征能力.     

基于共轭梯度迭代算法受控AR模型的参数辨识

推导了单输入单输出系统的辅助模型,它有助于减少计算量和提高共轭梯度迭代算法（新算法）的收敛速度.相比于受控移动平均模型中所提出的交互式随机梯度算法,新算法用更少的迭代步骤就可求出模型的参数估计.另外,新算法能避免出现矩阵的逆矩阵形式.对新算法与双共轭梯度算法进行比较,并给出数值实例检验新算法的有效性.     

三段式Halbach阵列永磁电机解析建模与研究

针对传统子域模型在分析电机电磁性能时无法考虑软磁材料磁导率的缺陷,提出了一种考虑软磁材料磁导率为具体值的三段式Halbach阵列永磁电机多层解析模型。根据内部激励源和媒介的不同,将永磁电机全域划分成Halbach阵列永磁体层、气隙层、定子齿尖层和电枢绕组层4类磁场求解层。利用柯西乘积和复数形式的傅里叶级数来描述磁场求解层中媒介磁导率分布情况。基于麦克斯韦方程组建立了每个磁场求解层的拉普拉斯方程或泊松方程,结合边界条件求解出每个磁场求解层的磁矢位。利用多层解析模型计算了电机的气隙磁密、空载反电动势和输出转矩等电磁特性,并与有限元模型计算结果进行了对比。计算结果表明：多层解析模型和有限元模型计算得到的气隙磁密波形吻合得很好,两者的空载反电动势峰值和输出转矩平均值的相对误差均小于1%,证明了多层解析模型的正确性。最后利用多层解析模型研究了槽开口宽度、磁极宽度和充磁夹角对电机输出转矩的影响规律,给出了输出转矩最优的设计方案。仿真结果表明：优化后的输出转矩脉动削减了75.7%,证明所提出的多层解析模型不仅计算准确而且计算速度快,在电机的初始设计和电磁性能影响规律的探究上具有明显的优势。     

镍闪速熔炼过程的模糊动态质量模型与控制

提出了利用Ｔａｋａｇｉ－Ｓｕｇｅｎｏ（简称Ｔ－Ｓ）模糊模型建立镍闪速熔炼过程动态质量模型的方法（即考虑过去与当前的输入、输出信息对将来输出的影响）,并对其动态过程进行了结构辨识和模型参数辨识。;在此基础上,针对建立的模糊动态模型,设计了２种不同的模糊控制器,一种是建立模糊动态质量模型的逆模型来实现控制;另一种是通过模型计算输出的前馈控制加系统输出的反馈控制来实现控制。经过２个月的离线指导和实际在线     

基于注意力机制的人像分割方法

注意力机制能够挖掘与任务密切相关的重要信息并抑制非重要信息，在语义分割的深层特征表示中发挥着越来越重要的作用。本研究基于广泛应用的U-Net模型，提出了一种基于注意力机制的神经网络模型，针对边缘分割模糊的问题，将U-Net的压缩路径和扩展路径中的双卷积替换为卷积核选择模块，该模块允许网络的每一层根据输入信息进行自适应调整接受野的大小；另外，针对人像分割网络存在不同尺度的全局上下文信息被忽略的问题，采用多尺度预测融合的方法来利用不同尺度的全局信息，并采用双注意力模块汇总空间和通道两方面的注意力信息。大量实验表明，本文中方法的性能与U-Net、UNet++和Attention U-Net等网络相当或更好。     

多层快速多极子分析三维复杂目标的谐振区电磁散射特性

用多层快速多极子方法（MLFMA）和预优的广义最小残差法（GMRES）计算了三维复杂目标的谐振区电磁散射特性。对于在谐振区中5～10个波长目标的电磁散射体,MLMFA比矩量法（MOM）和快速多极子法（FMM）占用内存少很多,计算速度也更快;本文讨论了MLFMA中重要参数多极子数L的优化选取,同时采用了预优的GMRES方法求解MLFMA大规模矩阵方程,这比采用传统的共轭梯度（CG）法具有更大的优越性。最后对某导弹模型和典型隐身飞机模型进行了谐振区散射特性的高效求解分析。     

两电机变频调速系统的改进RLS逆模型辨识

为弥补现有两电机变频调速系统逆模型辨识中存在的不足,提出一种多模型LSSVM逆模型辨识方案.依据多模型思想,利用LSSVM拟合系统局部逆模型中的非线性映射,将各局部逆模型加权输出,建立离线初始逆模型.根据逆模型输出与系统输入的偏差,通过改进的RLS算法自适应调整局部逆模型权值,对初始逆模型在线校正,使其适应对象的变化,提高辨识精度和收敛速度.分析了两电机变频调速系统及可逆性,阐述了改进的RLS算法和LSSVM算法,给出了多模型LSSVM辨识方案的实现步骤,并对辨识效果进行了仿真试验.仿真结果表明,新型辨识方案是可行有效的,适用于两电机变频调速系统的逆模型辨识.     

多变量系统子子模型辨识

目前,对多变量系统辨识的研究已经越来越多,但是,基本上都属于子模型的辨识问题,不便于实际应用.本文采用子模型与子子模型技术,将一个有R个输入,m个输出的多变量系统分解为M个带R个输入的子模型,而每个子模型又可分解为R个子子模型(单输入单输出系统).在多变量系统中,只要做一次试验(同时加入月个输入信号),使用月个输入信号与M个输出信号的数据,可以自动辨识子模型的阶次与参数,再从子模型的有关数据,最终辨识出子子模型的阶次与参数.本文采用分块矩阵求逆公式,提出一种快速的自动定阶与估计参数的递推算法.     

非嵌入式多项式混沌方法在电磁模型验证与确认中的应用

针对电磁模型验证与确认的量化分析方法进行研究.采用非嵌入式多项式混沌方法研究电磁模型仿真输入参数不确定引起的相关输出响应量的不确定度.在详细阐述了此方法的数学原理及实现步骤的基础上,数值结果验证了非嵌入式多项式混沌法可以为电磁模型输入参数的不确定性对响应量的影响建立一种有效的不确定度传播及量化方法.针对带孔缝结构的机箱模型,采用非嵌入式混沌多项式方法研究了电磁波入射角度的不确定性对机箱中心点电场幅值的影响,在此基础上结合特征选择评估方法（feature selective validation,FSV）依据实际测量值对此电磁模型进行度量评估,最终给出评估等级.结果表明,机箱模型的评估为优异.      

多尺度卷积核U-Net模型的视网膜血管分割方法

针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.     

基于多尺度注意力的皮肤镜图像自动分割算法

针对现有的皮肤镜图像分割算法存在边缘分割时效果较差和对中小目标的识别能力较弱等问题。本文提出了一种基于多尺度注意力融合的分割网络MAU-Net(Multi-scale attention U-Net)。MAU-Net网络是以U-Net网络为基础的分割模型,通过本文设计的多尺度注意力模块(MA),在特征提取时融合不同层次的特征,并将重要的目标特征给与一定的权重,从而使网络能更快和更精准的分割出目标区域。实验结果显示,在ISIC2017数据集上平均交并比(MIOU)、精确度(PRE)和kappa值分别为83.61%、93.58%和81.70%,性能比U-Net分别提高了5.27%、2.01%和6.83%;并在ISIC2017挑战赛数据集上进行了消融实验,实验结果验证了MA模型有助于网络性能的提升。本文提出的MAU-Net网络在皮肤病变分割任务中表现优异,同时具有良好的泛化性能。     

神经网络自变量输入模式的视电阻率求解算法

根据瞬变电磁场理论公式中的响应和自变量之间的关系特点,提出用非线性方程模式的 BP 神经网络求解电阻率。通过构造单输入单输出网络结构,建立以不同时间点上的电流归一化的感应电压值为输入、视电阻率值为输出的神经网络,来拟合瞬变电磁场的二次涡流曲线。利用数值方法计算出的数据验证该训练网络的精确性,比较了不同算法对训练精度和收敛速度产生的影响。以重庆大学某处的防空洞探测实验为例验证了该算法的有效性,该算法避开具体的复杂电磁场计算或数值反问题计算,从而实现电阻率快速计算,为快速成像准备必要条件。     

基于多尺度一维卷积神经网络的弯管冲蚀损伤智能检测方法

针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network, MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积层。在MS-1DCNN模型中,把通过模拟实验所得弯管冲蚀损伤原始时域信号作为多尺度一维卷积神经网络的输入,这样能解决传统方法依赖人工提取特征和专家知识的问题;然后,通过多尺度卷积层和池化层的交替连接对输入信号进行特征提取;最后,经由输出层输出弯管冲蚀损伤分类结果。模型试验结果表明：基于MS-1DCNN弯管冲蚀损伤检测方法可以有效检测出弯管冲蚀损伤,且平均检测准确率达到99.18%。研究可为高压管汇冲蚀损伤智能检测提供一种新思路。     

时域有限差分结合BP神经网络反演各向异性材料电磁参数

本文以时域有限差分(FDTD)法数值模拟了各向异性材料的散射特性,在此基础上利用人工智能技术-BP神经网络对各向异性材料电磁参数进行了反演研究.以各向异性介质球的雷达散射截面(RCS)作为训练样本信息,经过适当的训练,实时重构了各向异性介质球的相对介电常数和电导率.反演结果显示了该方法的有效性和准确性.     

基于改进小波神经网络的大气质量评价模型

为了缩短人工神经网络的训练时间、减少迭代次数和提高输出结果的准确率,将小波基函数应用于人工神经网络,并用专家评分后归一化处理的方法对输入层的权值初始值进行优化,建立了优化的小波神经网络模型。将该模型对井冈山区域2012年大气监测数据进行评价,实验结果表明:经过优化的小波神经网络模型的评价精度较高。最后与将该模型与其它评价方法相比,该模型还具有计算快速、评价客观、可靠性强、效率更高的特点。     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...     

三维非均匀电大目标散射的有限元撕接区域分解法计算

针对非均匀电大目标的散射问题,将有限元撕接区域分解方法(finite element tearing and interconnecting,FETI)应用于非均匀电大目标散射的精确计算模型.该计算模型以各向异性完全匹配吸收层作为吸收边界.数值实验表明,该计算模型比一般吸收边界条件模型精度高.更为重要的是,虽然该模型由于使用各向异性完全匹配吸收层导致计算效率略有降低,但降低十分有限,有限元撕接区域分解方法对于电大尺寸目标的该模型仍然具有很高的计算效率.结果表明,有限元撕接区域分解方法是计算非均匀电大目标散射的一种有效方法.