基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。     

π-正则半群的全π-正则子半群格

研究了π-正则半群的全π-正则子半群格的相关性质及特征.进一步给出π-正则半群的全π-正则子半群格是分配格的充分必要条件.     

深度优先局部聚合哈希

已有的深度监督哈希方法不能有效地利用提取到的卷积特征,同时,也忽视了数据对之间相似性信息分布对于哈希网络的作用,最终导致学到的哈希编码之间的区分性不足.为了解决该问题,提出了一种新颖的深度监督哈希方法,称之为深度优先局部聚合哈希(Deep Priority Local Aggregated Hashing,DPLAH).DPLAH将局部聚合描述子向量嵌入到哈希网络中,提高网络对同类数据的表达能力,并且通过在数据对之间施加不同权重,从而减少相似性信息分布倾斜对哈希网络的影响.利用Pytorch深度框架进行DPLAH实验,使用NetVLAD层对Resnet18网络模型输出的卷积特征进行聚合,将聚合得到的特征进行哈希编码学习.在CI-FAR-10和NUS-WIDE数据集上的图像检索实验表明,与使用手工特征和卷积神经网络特征的非深度哈希学习算法的最好结果相比,DPLAH的平均准确率均值要高出11％,同时,DPLAH的平均准确率均值比非对称深度监督哈希方法高出2％.     

李代数sl(2,C)的斜导子

研究了sl(2,C)的斜导子,得到了sl(2,C)的任意一个自同构所确定的斜导子,进一步证明了s l(2,C)的自同构σ所对应的σ-导子空间是1维或3维的.     

交换半环上广义矩阵代数的Jordan导子

研究交换半环上加法可消的广义矩阵代数的Jordan导子、导子和反导子,给岀了广义矩阵代数的Jordan导子、导子和反导子的刻画,进而证明了在某些条件下广义矩阵代数的每一个Jordan导子都可表示为一个导子和一个反导子之和.     

一种减小互耦的互素嵌套阵列及测向算法

为了减小阵元之间的互耦效应,首先提出一种阵元间距可调节的互素嵌套阵列.这种阵列由2个不同的嵌套子阵列组成,2个子阵的最小阵元间距由一对互素的正整数确定.只要这对正整数足够大,2个子阵的最小阵元间距便可远超过入射信号的半个波长,从而将阵元间的互耦效应减小到可忽略的程度.然后,为了解决大间距阵列所引起的角度模糊问题,提出了一种基于四阶累积量的无模糊波达方向(DOA,direction of arrival)估计算法.仿真实验表明,此算法具有较好的估计性能,相比一些经典的自校正DOA估计算法,此算法具有更高的角度分辨力和估计精确度.     

基于深度学习图像描述子的三维彩色点云配准

不断发展的激光扫描技术使得获取三维空间中的彩色点云信息更加方便.但是,如何将多个采集点生成的彩色点云数据统一在同一个坐标系下,构建一个完整的数据模型仍是一个挑战.因此,提出了一种基于深度学习的图像描述子,将其应用于三维彩色点云配准中,能够以较高精度获取点云配准的初始位姿.首先,根据点云和图像之间的一一对应关系,将三维彩色点云投影为图像;其次,使用卷积神经网络提取关键点邻域的局部特征,结合方向梯度直方图,形成组合描述子;再次,根据计算出的组合描述子计算点云的匹配点对,得出点云间的转换关系,实现点云粗配准.以实际的三维彩色点云数据与多种配准算法进行对比,验证了所提方法的有效性.     

基于重构噪声子空间的相干信号DOA估计

传统DOA(direction of arrival)估计算法无法处理相干信号,因此提出一种基于重构噪声子空间的高精度DOA估计算法.该算法利用阵元接收数据的自协方差与互协方差信息构造成增广矩阵作为新的协方差矩阵,对该矩阵进行奇异值分解得到相应的噪声子空间和特征值矩阵.为了获得更精确的信号向量,重构一个由新特征值矩阵对应的特征向量所组成的噪声子空间.最后通过谱峰搜索得到DOA估计值.算法不影响对非相干信号估计的效果,并且比IMMUSIC(improved multiple signal classification)算法具有更高的估计精度,在低信噪比及信号入射间隔较小的情况下也有良好的准确性.仿真结果表明,提出的改进算法在低信噪比及低采样快拍数的条件下,能有效估计出相干信号的波达方向.     

DC-投射模的若干注记

利用同调代数的方法,研究了关于半对偶模C的Ding-投射模的若干性质,给出了相关模类之间的联系,并证明了PC(R)是DPC(R)的内射余生成子,其中DPC(R)表示所有D_C-投射R-模组成的类,PC(R)表示所有形如CR〖P(P为投射模)的R-模组成的类.     

基于交通指数聚类的路网区域动态划分

针对宏观路网区域交通状态预报需要首先产生路网区域的需求,提出了一种新的基于交通指数聚类的路网区域动态划分方法。首先对整个城市路网进行网格化划分,将路段划分为从属于某个网格的子路段;然后,计算每个网格的交通指数,提取网格特征,从而得到样本特征矩阵;接着,利用k-means~(++)聚类算法对样本特征矩阵进行聚类,得到初始聚类标签,并对其中奇异网格的聚类标签加以修正;最后,得到划分后的路网区域。为了验证该方法的性能,利用上海市的GPS数据对上海市进行了路网区域的划分,并与不同聚类方法的结果进行了对比。结果表明,新方法对路网区域划分的精度及稳定性均有所提高。