基于深度学习的柴油机气门健康状态评估

柴油发动机在运行过程中,其气门间隙会随其性能状态退化发生改变,为了解决传统的健康状态评估方法健康指标确定困难、权重人为经验依赖性大的问题,提出一种基于深度学习的柴油机气门健康状态评估方法.首先通过小波包分解算法对柴油机缸盖振动信号进行分解,对分解得到的节点信号分别提取常见的14个时域特征和小波包分解信号能量比向量,构建...     

多特征融合的深度强化学习色彩增强方法

提出一种结合深度特征与美学特征的图像增强方法.首先,结合多种图像特征重构智能体评估网络,该网络通过拼接图像语义特征、图像色彩特征及历史动作信息输出当前策略.其次,感知奖励模型通过预训练分类模型激活层网络提取深层特征,使用余弦距离获得图像间的深度感知距离;利用美学模型获得图像间的概率距离.最后,结合两方面的距离表示并将其用于奖励模型构造中.在MIT-Adobe FiveK数据集上的实验结果表明,本色彩增强方法在结构相似度和平均均方误差上优于其他基线算法,模型场景适用性强.生成图像在保留更多的细节信息的同时,可以有效增强图像色彩.     

基于单/多参数的DC-DC模块电源健康评估技术研究

随着电子产品的快速发展,系统设备对电源系统的性能以及可靠性提出了更高的要求,将基于状态的维修思想引入电源可靠性保障领域十分必要。实现模块电源基于健康管理的智能维护的首要基础是要准确获得电源的健康状态。针对某两种型号DC-DC模块电源,本文提出了一种基于分布间距离度量的单或多监测参数的健康评估方法。基于DC-DC电源的4个评估参数的历史监测数据,文中采用mRMR特征选择的方式提取出相关敏感退化特征,然后采用基于CV值（置信值）单参数及基于马氏距离多参数的健康评估方法,对某两款28V直流转5V以及28V直流转3.3V直流的 DC-DC模块电源进行健康状态评估,试验分析结果验证了本文提出的评估算法的正确性和实用性。文中提出的电源评估算法对于轻度退化程度以上的电源评估问题具有较高的准确率,该研究成果对DC-DC模块电源的健康评估以及解决电源产品的可靠性保证提供一种切实可行且具有工程化前景的方法。     

基于混合生成网络的软件系统异常状态评估

针对现有软件系统异常状态评估方法过度依赖数据标注、对时序数据的时间依赖性关注较低和系统异常状态难以量化等问题,提出一种基于混合生成网络的软件系统异常状态评估方法.首先,通过对长短期记忆网络（long short-term memory network, LSTM）与变分自动编码器（variational auto-encoder, VAE）的融合,设计一种LSTM-VAE混合生成网络,并以该网络为基础构建基于LSTM-VAE混合生成网络的系统异常状态检测模型,由LSTM对系统数据的时序特征进行提取并由VAE对系统数据的分布进行建模.然后,由LSTM-VAE异常状态检测模型处理系统关键特征参数,获取系统关键特征参数的异常度量值.最后,利用耦合度方法对传统的线性加权和方法进行优化,通过加权耦合度优化方法计算得到软件系统异常状态的量化值,从而实现对软件系统的异常状态评估.实验结果表明,本文模型对软件系统的异常时序数据具有较好的检测能力,其对系统异常状态的评估结果更为合理、有效.     

基于度序列的复杂网络模型及其路由策略分析

通过对复杂网络一般模型的节点度序列{k1,k2,…,kl}(1≤k1k2…kl)长度l的分析,得出了该模型度序列长度的一般特征,即l是log2N(N为网络节点数)级别的,同时采用基于BA模型的数据和真实复杂网络数据进行了实证分析,实证结果也证实了该特征.论文分析了大规模复杂网络中构建路由表的效率问题,同时构建了大量的基于度序列的复杂网络的一般模型,通过实验对比了基于广度优先搜索(BFS)算法的路由策略与基于最大度(MD)算法的路由策略的性能,实验结果表明,在复杂网络模型下,基于MD算法的路由策略比基于BFS算法的路由策略有更好的性能.     

基于光流和深度运动图的行为识别算法

为了融合不易受光照等环境因素影响的深度信息和RGB视频序列中丰富的纹理信息,提出一种基于光流和深度运动图(Depth Motion Map,DMM)的人体行为识别算法.首先从RGB视频序列获取彩色信息(RGB视频帧)和光流信息,并且从同步的深度视频序列获取深度信息,以增强特征互补性,其次把3种特征信息分别作为基于ResNet101的空间流网络、时间流网络和深度流网络的输入,通过LSTMs进行特征融合,最后将特征送入Softmax层得到每个行为类别的概率值.实验结果表明,在具有挑战性的UTD-MHAD数据集和MSR Daily Activity 3D数据集上的行为识别准确率分别为94.86%和97.69%,在与该领域中的同类算法比较中表现优异.     

基于模糊理论和BN的燃气轮机健康状态评估方法

针对小样本条件下燃气轮机的健康状态评估问题,提出了基于模糊理论和近等式约束的贝叶斯网络的燃气轮机健康状态评估方法。用模糊理论整合专家先验知识,以近等式约束的形式将其融合到贝叶斯网络参数学习中,再通过贝叶斯网络模型得到燃气轮机健康状态。以某型燃气轮机为例进行仿真,结果表明,该型燃气轮机处于正常状态,与实际运行状态相符,验证了方法的可行性,具有一定的工程应用价值。     

飞行器电源系统在线实时健康管理

飞行器电源系统在线实时健康管理需解决观测信息不确定性、任务完成时限性的问题,针对此问题,总结国内外最新健康管理算法,研究贝叶斯网络、编译贝叶斯网络,提出飞行器电源系统在线实时健康管理方法。首先基于系统结构模型,采用面向对象方法构建贝叶斯网络健康模型,然后通过全局消元算法对构建的贝叶斯网络健康模型进行离线编译,所得到的运算电路健康模型则可在线实时计算系统健康状态的后验概率。实验结果表明:与贝叶斯网络健康模型相比,运算电路健康模型在观测信息不确定性的情况下,不仅能够高精度在线实时诊断飞行器电源系统故障,也可以有效满足其健康管理严格时限性要求。     

基于模糊理论和贝叶斯网络的燃气轮机健康状态评估方法

针对小样本条件下燃气轮机的健康状态评估问题,提出基于模糊理论和近等式约束的贝叶斯网络的燃气轮机健康状态评估方法。用模糊理论整合专家先验知识,以近等式约束的形式将其融合到贝叶斯网络参数学习中,再通过贝叶斯网络模型得到燃气轮机健康状态。以某型燃气轮机为例进行仿真,结果表明,该型燃气轮机处于正常状态,与实际运行状态相符,验证了方法的可行性。该方法具有一定的工程应用价值。     

一种基于贝叶斯网络和博弈论的信息融合模型

针对多源信息融合问题,以博弈思想为指导构建博弈信息融合模型,在贝叶斯网络表示的基础上提出用于博弈融合模型的融合算法.在具体算法的研究中,按照博弈信息融合模型的要求,对原有的贝叶斯网络算法中节点判断算法和Parzen窗融合算法进行改进并将两者相结合,提出了博弈融合态势评估算法,并从理论上分析了融合算法的最坏时间复杂度.将博弈信息融合模型及其贝叶斯网络算法应用于交通状态预测中,针对交通车流量、车速、车流密度等多源动态问题,构建合适的贝叶斯网络模型,实现交通状态的预测,给出预测的仿真结果.     

基于Dueling DDQN的无人车换道决策模型

针对高速公路场景中无人驾驶车的换道决策问题,提出一种基于竞争结构的双深度Q网络(DDQ N)的无人车换道决策模型.在深度Q网络的基础上,将无人车动作的选择和评估分别用不同的神经网络来实现,并将Q网络分为仅与状态S相关的价值函数和同时与状态S和动作A相关的优势函数两部分,使得Dueling DDQ N模型可以更好地理解外...     

基于多尺度特征混合注意力的连续帧深度估计

目的 估计获取拍摄物体到相机之间距离的深度信息是单目视觉 SLAM 中获取深度信息的方法,针对无监督 单目深度估计算法出现精度不足以及误差较大的问题,提出基于多尺度特征融合的混合注意力机制的连续帧深度 估计网络。 方法 通过深度估计和位姿估计的两种编码器解码器结构分别得到深度信息和 6 自由度的位姿信息,深 度信息和位姿信息进行图像重建与原图损失计算输出深度信息,深度估计解码器编码器结构构成 U 型网络,位姿 估计网络和深度估计网络使用同一个编码器,通过位姿估计解码器输出位姿信息;在编码器中使用混合注意力机 制 CBAM 网络结合 ResNet 网络提取四个不同尺度的特征图,为了提升估计的深度信息轮廓细节在提取的每个不 同尺度的特征中再进行分配可学习权重系数提取局部和全局特征再和原始特征进行融合。 结果 在 KITTI 数据集 上进行训练同时进行误差以及精度评估,最后还进行了测试,与经典的 monodepth2 单目方法相比误差评估指标相 对误差、均方根误差和对数均方根误差分别降低 0. 034、0. 129 和 0. 002,自制测试图片证明了网络的泛化性。 结论 使用混合注意力机制结合的 ResNet 网络提取多尺度特征,同时在提取的特征上进行多尺度特征融合提升了深度 估计效果,改善了轮廓细节。     

基于深度中心匹配哈希网络的足迹压力图像检索

以赤足足迹压力图像为研究对象,采集了40人的5 230幅赤足足迹压力图像,在具有较低存储消耗的哈希算法基础上,结合深度学习方法设计了一种深度中心匹配哈希(DCMH)网络实现足迹的检索．该网络首先根据足迹压力图像的特点构建深度特征融合模块,提取反映足迹形态结构的全局特征和压力分布的局部特征,并将两种特征进行融合;然后在哈希编码模块通过全连接层将融合后的特征映射为1 024维特征向量,并通过哈希层生成哈希码;在网络优化过程中通过构建深度中心匹配损失函数从而减小哈希码与对应哈希中心之间的距离．深度中心匹配损失函数通过伯努利分布生成哈希中心,设计对数中心损失函数减小同类足迹压力图像数据哈希码与哈希中心的距离,并设计相似性损失函数作为正则化项约束每个批次数据间的相似性关系．通过在40人的赤足足迹压力图像数据上进行图像检索实验,本文算法检索结果的mAP可以达到0.99,优于传统的哈希算法及常用的深度哈希算法,为足迹的进一步的现场应用提供技术支撑．     

多源信息搏弈融合模型的研究及其在ETC中的应用

将搏弈论与信息融合技术相结合,针对多源信息冲突环境下的信息融合问题,提出了一种新的通用型融合功能模型多源信息搏弈融合功能模型.该模型在搏弈思想指导下,把局中人、对策和支付作为模型的基本要素,把目标识别或局势评估作为模型的核心功能,把融合中的冲突与合作视为多源信息以不同策略进行的交互搏弈.针对不确定性环境下的态势评估或目标识别,提出了以贝叶斯网络为基础的问题表示及求解方法.在应用中,将博弈融合模型及算法应用于ETC电子不停车收费中的车辆身份识别.实验表明,在车辆身份的识别过程中,博弈融合模型优于传统的信息融合方法,并能有效地改善识别结果,从而验证了博弈融合模型及其算法的有效性和具体应用价值.     

基于深度学习的水面目标检测模型压缩方法

针对目标检测模型过大且计算复杂而导致其无法应用于无图形处理器嵌入式终端的问题,通过改进YOLO算法,提出一种基于深度学习的水面目标检测模型压缩方法.采用带有深度可分离卷积和轻量级注意力模型的改进网络替代特征提取网络DarkNet,通过多尺度特征融合进行模型压缩,引入k-means++算法与Mish激活函数,保证模型压缩后的准确度.试验结果表明,YOLOv3-MobileNetV3网络模型较YOLOv3网络模型的参数量减少61.35%,模型大小减少144 MB,模型平均精度均值较YOLOv3-MobileNetV1网络模型提升5.55%,满足嵌入式设备水面目标检测实时性和准确性的要求.     

噪声相关的带宽约束传感器网络融合算法

研究了一类相关量测噪声和带宽限制背景下的传感器网络融合问题.利用Cholesky分解方法将量测方程转化为量测噪声互不相关的等价模型.由于带宽的限制,各局部传感器节点的原始信息需量化成消息才能上传到融合中心.文中采用自适应的量化策略获得了局部测量新息的量化消息,并利用顺序滤波和强跟踪滤波技术设计融合方法.简要分析了基于量化新息融合算法的性能特点.通过一个计算机仿真实验验证了新算法的有效性.     

一种基于深度学习模型的数据融合处理算法

针对无线传感器网络传统数据融合算法效率较低、处理高维数据困难问题,提出一种基于深度学习模型的卷积神经网络结构实现数据融合的算法CNNMDA.算法首先在汇聚节点对构建的特征提取模型CNNM进行训练,然后各终端节点通过CNNM提取原始数据特征,最后向汇聚节点发送融合后的数据,从而减少数据传输量,延长网络寿命.仿真实验表明,CNNMDA与同类融合算法相比,在同样数据量的情况下能够大幅降低网络能耗,并有效提升了数据融合效率与准确度.     

基于HOG-CSLBP与深度学习的跨年龄人脸识别算法

针对人脸识别中识别精度低的问题,提出一种基于深度学习的跨年龄人脸识别算法.该方法创新性地将方向梯度直方图(Histogram of Oriented Gradient,HOG)和中心对称局部二值模式(Center Symmetric Local Binary Pattern,CSLBPS)组合方法用于人脸图像特征提取,获得包含结构和强度信息的图像融合特征,然后使用二叉树对特征信息进行降维,降维特征作为深度信念网络的可视层输入量,弥补深度新信念网络无法达到图像局部特征要求的缺陷.通过训练好的深度网络模型对测试样本进行学习,在深度信念网络的最顶层对特征进行分类识别.实验结果表明,该方法能高精度实现人脸识别,且与其他方法比较,该方法性能优于其他方法,说明该方法具有可行性和有效性.     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

融合多尺度注意力和双向LSTM的行人重识别

将深度学习应用于行人重识别领域,嵌入多尺度注意力融合模块至神经网络中进行多尺度特征提取和表示,可有效提升注意力机制对深度学习网络的识别性能。提出了一种基于SE block的多尺度通道注意力融合模块,并结合ResNet50卷积神经网络提取特征;然后通过双向LSTM网络进一步提取特征序列上下文信息,在提高模型对图像重要特征的提取能力的同时,降低对图像冗余特征的关注度;最后使用级联难采样三元组损失函数和交叉熵损失函数共同训练网络模型,使样本能够在高维特征空间中实现聚类,进一步提升模型识别准确性。所提出算法在Market1501数据集和CUHK03数据集分别进行实验,并在同等条件下和其他注意力模块算法进行比较。为进一步验证各模块作用,对算法进行消融实验,以验证各模块的有效性,实验结果表明,所提出方法可有效应用于行人重识别