基于边缘增强和特征金字塔的视网膜血管分割网络

U-Net在许多医学图像分割问题中具有先进的性能，因此提出了一种基于边缘增强和特征金字塔的U型分割网络并应用于视网膜血管分割。通过基于梯度算子的边缘增强模块获取额外的边缘先验，以无监督的方式增强边界特征和提高网络对细小血管的辨识能力，利用特征金字塔级联模块帮助网络提取更丰富的语义特征，并将传统卷积替换为Octave卷积方式以更好地提取特征。在公开的2个眼底图像数据集上进行实验，结果证明改进的方法具有更好的性能，有效地提高了分割结果中血管的完整性和连续性。     

基于频段能量特征的低速滚动轴承故障诊断

直升机自动倾斜器滚动轴承通常在低速环境下工作,其故障特征频率易淹没在各种干扰频率中,因此以特征频率处的谱峰作为故障特征的传统诊断方法效果不佳.为此提出一种基于频段能量特征的低速滚动轴承故障诊断方法.计算振动信号的FFT和功率谱,利用轴承正常、内圈故障、外圈故障和滚珠故障4种状态的振动信号在功率谱上能量分布不同的特点,构建故障特征向量.利用具有小样本优势的支持向量机构建分类器,进行故障类型诊断.在实验台上模拟直升机自动倾斜器滚动轴承的低速工作环境,进行了故障模拟实验,采集振动数据,与传统LMD包络谱特征方法进行对比,验证了该方法在低速滚动轴承故障诊断方面的适应性和优越性.     

在线评论的静态多模态情感分析

提出了一种基于Pre-LN Transformer的静态多模态情感分类模型.该模型首先利用Pre-LN Transformer结构中的编码器提取评论文本中的语义特征,其中编码器的多头自注意力机制允许模型在不同的子空间内学到相关情感信息.然后根据ResNet提取评论的图像特征,在特征水平融合的基础上通过视觉方面注意力机制...     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

某型直升机空中低频振动原因分析及问题处理

【目的】通过低频振源频率分析和机载振动监测系统监测来研判直升机的低频振动问题，为同类问题的分析与处理提供一定的参考。【方法】对某型机主旋翼1Ω振动、主尾旋翼形成的拍振和传动链扭振进行振动机理分析，结合振动数据进行判读。【结果】从主桨振动和主桨锥体两个方面改善主旋翼1Ω振动，从基础频率、振动水平和飞行姿态三个方面改善主尾旋翼形成的拍振，从旋翼、传动、动力三个系统及飞行姿态等方面改善传动链扭振。【结论】直升机振动故障排除需要通过振动的表象结合数据分析找到故障的根源，改善直升机振动问题，进一步保证飞行安全。     

关于卷积神经网络损失函数的改进算法

经典的卷积神经网络模型损失函数在设计时只考虑输出与标签之间的比较,没有涉及到图片之间的差异.为了提高卷积神经网络模型提取特征的差异,提出了基于Triplet network模型约束的卷积神经网络模型,这种方法提高了卷积神经网络提取有效特征的能力,减少数据集数量对于模型的影响.在MNIST数据集和cifar-10数据集上进行实验,提出的新模型在这2个数据集上比经典的卷积神经网络模型识别效果更好.     

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络的短时交通流预测方法.首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的...     

基于CNN-RSC组合优化算法语音情感分析与研究

提出一种基于深度学习的文本情感分析方法,将整个卷积神经网络的模型作为一种自动学习器,对输入词语的预表达特征进行学习,引入深度学习领域的递归自编码作为输出层情感分类器,实现语义情感信息的深度提取.设置实验对比卷积神经网络和递归自编码模型的参数,找出了实验过程的最佳参数组合,实验对比了CNN、RSC、CNN-RSC三种不同的算法.实验结果表明:基于CNN-RSC的组合优化算法在对文本情感特征的自动学习上有着较好的效果,在准确度和训练时间以及分类性能上均优于其他两种算法.     

多层记忆增强生成对抗网络二次预测的视频异常检测方法

为了提高视频异常检测的准确率,提出了一种基于多层记忆增强生成对抗网络二次预测的视频异常检测方法。首先利用目标检测提取时空立方体,并将其输入自编码器中得到预测帧;其次将预测帧的表观特征和对应真实帧的光流特征进行融合,形成融合特征;最后利用多层记忆增强生成对抗网络二次预测未来帧,以便学习不同层次特征的正常模式并捕获上下文的语义信息。在UCSD Ped2和CUHK Avenue数据集上进行的实验结果表明：所提出的方法与其他视频异常检测方法相比,可有效提高视频异常检测的性能,使帧级别AUC分别达到99.57%和91.59%。     

一种结合全局和局部特征的图像描述生成模型

针对局部特征的图像描述模型存在的不足之处,提出了一种结合局部和全局特征的带有注意力机制的图像描述生成模型.在编码器-解码器结构框架下,在编码器端利用InceptionV3和VGG16网络模型分别提取图像的局部特征和全局特征,将两种不同尺度的图像特征融合形成编码结果.在解码器端,利用长短期记忆网络将提取的图像特征翻译为自然语言,借助微软COCO数据集进行模型训练和测试.实验结果表明:与基于局部特征的图像描述生成模型相比,该方法能够从图像中提取更加丰富完整的信息,生成表达图像内容更加准确的句子.     

基于振动的减速机轴承故障诊断试验台研制

减速机中的轴承在工作过程中受交变载荷的作用,60%都会发生点蚀故障,若故障不断发展,将造成严重的后果。本文研制了一套用于检测减速机轴承点蚀故障振动信号特征的故障模拟试验台,以滚动轴承点蚀故障为例,介绍了该试验台的设计方案和基于振动的故障检测方法。该试验台不仅能开展滚动轴承多种故障形式的故障模拟振动检验,还可以模拟现实工况,实现不同转速,不同负载的滚动轴承振动检测研究,为滚动轴承故障的准确诊断和识别奠定了基础。     

基于多输出网络的无参考平面图像质量评价研究

从深度学习方向对无参考图像质量评价进行了研究,提出了一种基于多输出网络的无参考平面图像质量评价算法.该方法考虑了深度卷积神经网络在提取特征时,每一层提取的特征表示不同的抽象视觉特征,浅层网络提取纹理、区域等细节特征,深层网络提取轮廓、形状和边缘等结构特征.设计了三个输出的网络结构,该网络将浅层和深层特征分别回归到主观质...     

基于MFANet和上下文特征融合的遥感影像目标检测

针对遥感影像背景复杂、目标尺度变化较大、类间相似性较高等特点而导致目标检测效果欠佳的问题,提出一种基于Faster R-CNN的有效且鲁棒的遥感影像目标检测方法.首先,引入可变形卷积、调制机制和空洞卷积,构造调制的特征自适应网络,提取更准确、更完整的目标信息.其次,构造上下文特征金字塔网络,提取更丰富且更具判别性的特征...     

基于深度卷积神经网络的遥感图像超分辨率重建

针对基于卷积神经网络(Convolutional Neural Network,CNN)的遥感图像超分辨率重建算法训练时间较长问题,提出了一种超深的卷积神经网络来重建遥感低分辨率图像的方法。卷积神经网络共有20层,每层包含卷积层和非线性层,层与层之间采用级联的网络结构。其过程为从插值的低分辨率图像(Interpolated Low Resolution Image,ILR)中提取特征,将提取出来的特征通过残差学习预测到高频信息,ILR结合预测的高频信息重建出高分辨率图像(High-resolution Images,HR)。在训练过程中,通过梯度裁剪来防止梯度爆破,使训练保持平稳。实验表明,本文算法与其他算法相比较,主观视觉明显改善,客观评价指标显著提升。     

基于级联可分离空洞残差U-Net的肝脏肿瘤分割

计算机辅助肝脏肿瘤分割可减少医生工作量,提高手术成功率,因而具有重要的临床诊疗价值。为获得精确的肝脏肿瘤自动分割结果,该文结合医学影像分割领域近年新兴的U-Net模块提出了基于级联可分离空洞残差U-Net（cascaded separable and dilated residualU-Net,CSDResU-Net）的肝脏肿瘤分割方法。CSDResU-Net采用了级联操作,解决了因肿瘤在整幅图像中占比小而造成的肿瘤分割数据不平衡问题;通过在分割网络中整合残差单元、深度可分离卷积和空洞卷积,能够增加卷积核感受野并快速提取更具判别性的肝脏肿瘤图像特征,从而提高肝脏肿瘤分割精度。在国际医学图像计算和计算机辅助干预协会肝脏肿瘤分割数据库上的实验结果表明,CSDResU-Net比基线方法的Dice系数指标提升了1.3%,同时发现空洞率对分割网络的性能表现影响较大。     

浅析工业机械轴承和齿轮的失效研究

轴承与齿轮作为所有机械设备构造中必用的机械部件,自身的质量与性能成为了可直接影响工业机械设备的性能与效率的重要决定因素,同时也就牵系到工业生产能否正常进行。机械部件在工作运作中丧失自身功能,导致无法正常工作的现象被叫做失效。轴承失效和齿轮失效可直接造成工业机械失效,也会引发工业机械设备出现故障,对轴承失效和齿轮失效的原因进行分析,并采取有针对性的解决方法,以降低工业机械设备的故障几率,减少工业机械设备的故障次数,保证工业机械设备可以正常的运作使用。     

融合自注意力机制与生成对抗网络的DEM空洞填充

针对现有数字高程模型（digital elevation model, DEM）数据空洞填充算法存在修复效果不连续、适用空值范围狭小以及细节重构丢失等问题，提出了一种融合自注意力机制的生成式对抗网络的DEM空洞填充方法。首先，构造自注意力机制提取DEM数据特征信息，改善DEM空洞填充结果高程值不连续和纹理细节缺失的问题。其次，在生成器中使用对称结构的卷积与反卷积网络结构，保证生成可靠度较高的数据以实现空洞区域填充，并利用判别器实现空洞填充结果的预分类。最后，结合重构损失函数进行训练，提升DEM空洞填充结果对异常值的鲁棒性，增强模型的回归能力。采用不同分辨率DEM数据进行空洞填充并与现有方法进行对比，结果表明：所提方法能够大幅提升填充精度，有效解决原始数据中存在的空洞问题。     

匀变速运动中编码器细分误差分析方法的研究(英文)

编码器的误差不仅与位置有关,还与速度、加速度等运动参数有关,分析编码器细分误差的产生原因,给出细分误差的计算公式,建立了匀变速运动中编码器光电信号的数学模型,通过计算机模拟仿真,提出了匀变速编码器光电信号参数特征的提取方法,即对实际采集的信号进行等间隔处理后,进行谐波分析,可以恢复出较真实的光电信号参数,进而计算出细分误差,最后给出了本方法的适用条件。     

应用掩码区域卷积神经网络的文本检测模型

要：提出一种基于掩码区域卷积神经网络的文本检测模型。首先从扩大模型感受野并尽可能保持模型效率的角度出发，针对残差神经网络中的瓶颈结构进行优化，构建基于结构优化的残差神经网络（residual network based on structural optimization, ResNetSO）；然后去除冗余特征以提高融合后特征质量，并将空间注意力机制应用于特征金字塔网络，构建了基于下层特征指导的特征金字塔网络（feature pyramid network based on lower feature guidance,FPNetLFG）。在两个公开数据集上的实验结果表明：包含ResNetSO和FPNetLFG两个模块的模型应用在级联区域卷积神经网络、递归特征金字塔和可切换空洞卷积的目标检测模型中，分别可以带来0.8%和0.3%左右的F1值提升，从而说明了该方法的有效性和普遍适用性。     

基于ZG方法的悬挂负载直升机零振荡悬停控制

能够空投并高效地完成起降、装卸货物,是悬挂负载直升机重要的优点。欲使直升机成功并安全地实现货物装卸,需要直升机成功到达目的地,而且悬挂负载直升机飞行时悬挂物不发生振荡。为了实现悬挂负载直升机的零振荡悬停控制,基于ZG方法,在悬挂负载直升机简化数学模型基础上研究零振荡悬停控制问题。首先通过使用ZG方法对数学模型进行处理,得到相应的控制公式。然后创新性地引入参数的可变性,得到了辅助控制公式,并结合得到了控制器公式组。最后在MATLAB平台上进行计算机仿真,仿真结果验证了该控制器的有效性和精确性,进而证实了ZG方法对于实现悬挂负载直升机零振荡悬停控制的可行性和有效性。