基于深度学习的红外图像超分辨率重建

为提升红外图像分辨率,本文构建了用于红外图像超分辨率重建的IEDSR(enhanced deep residual networks for infrared image super-resolution)网络。该网络在EDSR网络模型的基础上加入了池化层,避免了EDSR(enhanced deep residual networks for single image super-sesolution)网络移除批正则化层(batch normalization, BN)可能会带来训练困难的问题。同时考虑到红外图像对比度低、纹理不明显的特性,在残差块内加入新的卷积层和激活层,通过增加网络深度扩大局部残差模块的感受野,有利于恢复图像的局部细节信息。最后利用增强预测算法对重建图像进行优化,提升重建精度。实验结果表明:本文算法重建的红外图像在主观视觉效果与客观指标上较传统红外图像重建方法均有所改善,具有较高的实用价值。     

基于改进SRResNet深度学习网络的低照度图像超分辨率重建方法

为解决低照度条件下低分辨率图像的超分辨率重建问题,提出一种基于改进超分辨率残差网络(super-resolution residual networks, SRResNet)深度学习网络的低照度图像超分辨率重建方法。通过将读取的图像下采样、亮度降低等处理生成低照度低分辨率图像,并将该图像与高分辨率图像作为数据对输入学习模型,以便改进SRResNet的训练数据对的生成方式,优化训练过程,从而构建面向单帧低照度彩色图像的基于改进SRResNet训练的超分辨率重建方法。实验结果表明：与现有流行的图像超分辨率重建方法相比,该方法的峰值信噪比(peak signal to noise ratio, PSNR)、结构相似性(structural similarity, SSIM)指标整体为最优,低照度环境下的超分辨率重建图像更为清晰明亮、细节更丰富,该方法训练出的深度学习网络的重建效果更好。     

基于金字塔池化网络的质子交换膜燃料电池气体扩散层组分推理方法

针对质子交换膜燃料电池气体扩散层(gas diffusion layer composition,GDL)形貌划分与制备工艺改进问题,提出了一种基于金字塔池化网络(pyramid scene parsing network,PSPNet)与多层感知器(multi-layer perception,MLP)的气体扩散层组分识别与比例推理方法：首先将带标签的气体扩散层扫描电镜(scanning electron microscope,SEM)图片输入神经网络,得到特征图;得到的图像特征层进入金字塔池化模块后,获取SEM图像的深层和浅层特征;随后将深层和浅层特征图层融合输入全卷积网络(fully convolutional network,FCN)模块,得到预测图像;最后统计各个组分上的像素点比例,通过MLP完成组分比例推理。结果表明：所提方法组分识别像素准确率达81.24%;在5%偏差范围内,比例推理准确率为88.89%。该方法解决了气体扩散层多组分无法区分、比例无法获知的问题,可有效应用于气体扩散层的质检、数值重构以及制备工艺改进。     

基于CALPUFF模型的毒害性气体泄漏事故三维动态模拟方法——以开县井喷事故为例

针对目前基于大气扩散模型开发的应急管理 GIS 系统中存在的时空分辨率低、未考虑三维地形等问题, 提出一套基于CALPUFF模型的三维气体扩散模拟方法。经过多层计算, 获得气体扩散浓度的三维时空分布数据。 通过Marching Cubes可视化技术读取并显示 , 可以实现三维空间的气体动态扩散效果 。以“12·23”开县特大井喷事故为案例进行模拟, 并开展二、三维对比以及模拟数据与实际情况对比分析。结果表明, CALPUFF模型三维计算得到的气体浓度在量级和空间分布上具有较高的精确性, 三维时空动态模拟具有较高的时空分辨率和重建效率, 可以达到较好的可视化效果, 能够更好地表达气体泄漏过程和扩散规律, 为应急管理提供重要的辅助手段。     

基于超分辨率重建的外源雷达实测信道估计

针对基于DRM(数字调幅广播)的外辐射源雷达实测参考信道估计面临的精度不足问题,研究了有限实测样本下的超分辨率重建网络估计方法．该方法在深度网络设计上通过将LS(最小二乘)信道估计方法获得的频域信道响应视为低分辨率的图像,经VDSR(非常深的超分辨重建网络)重建为高精度信道响应,最终实现对参考信号的准确估计;在训练数据集构建上,由于DRM外辐射源雷达实测信道估计中难以获取大量对应不同信道特征的实测数据,首先基于实测数据通过LS估计出时域信道响应,粗略确定信道中多径的大致时延和增益,然后在此基础上基于DRM波形特征仿真得到足够的信道数据,训练所提超分辨率重建网络,最后使用预训练模型预测实测数据．实测结果表明：本文方法可以达到比传统信道估计方法更高的精度．     

基于并联式卷积神经网络的遥感影像超分辨率重建

遥感影像超分辨率重建有助于丰富地物细节,从而更全面地反映地物目标信息。为了解决目前基于深度学习的超分辨率重建方法难以同时兼顾影像高、低频信息的问题,本文提出了一种并联式遥感影像超分辨率重建方法。该方法并联了密集深层反投影网络和浅层多尺度网络,利用密集深层反投影网络精确预测遥感影像的高频内容;同时利用浅层多尺度网络来增加目标可分辨能力,并保留影像的低频部分来提升影像的质量。这个方法在在GF-1和GF-2数据集上进行了实验,并在Landsat 8和ASTER异源遥感影像数据集上进行了泛化验证,研究结果表明,相较于增强深度残差网络（enhanced deep residual networks for single image super-resolution,EDSR）、深层和浅层端到端卷积网络（end-to-end image super resolution via deep and shallow convolutional network,EEDS）和密集深层反投影网络（deep back-projection networks for super-resolution,DBPN）,峰值信噪比（peak signal to noise ratio,PSNR）指标分别提升了2.30 dB、2.23 dB、0.25 dB,结构相似度（structural similarity,SSIM）性能指标分别提升了 0.1 316、0.1 085、0.0 096。本文方法有助于从数据端改善遥感影像目标识别、地物分类等应用的精度,进一步提高遥感数据在资源调查、环境监测、灾害预报等领域的应用效能。     

基于Dropout改进的SRGAN网络DrSRGAN

超分辨率作为一种经典的视觉任务,在多个领域有着广泛的应用。随着深度学习中无监督学习的发展,以及生成对抗网络(generative adversarial network, GAN)的提出,超分辨率技术又得到了进一步的提高,但是相关网络仍旧存在过拟合、泛化性弱等诸多问题。以超分辨率生成对抗网络(super-resolution generative adversarial network, SRGAN)为基础,受研究Dropout在经典超分辨率网络中影响的相关论文启发,在SRGAN中加入Dropout层并研究其对生成图像质量的影响,采用峰值信噪比(peak signal to noise ratio, PSNR)和结构相似性(structural similarity, SSIM)评估图像质量。实验结果表明在合适的Dropout参数下,网络重建图像具有更好的视觉效果,PSNR能够达到0.4左右的提升同时SSIM也有提高,从训练过程中不同迭代次数生成图像的比较发现改进后网络缓解了训练不稳定问题。将Dropout层加入超分辨率网络不同于以往的方法,为改进此类网络提供了一个新的思路。     

编码激励在脉冲Doppler超声血流测量中的应用

为了提高声谱图的信噪比和距离分辨率,使用编码激励技术来改进脉冲Doppler超声血流测量系统.在仿真实验中,分别用7位Barker码和传统方法对Doppler仿真体模进行激励,通过对结果声谱图的比较,验证了编码激励对系统性能的改善.实验结果表明,在达到相同的轴向分辨率时,该方法获得的穿透深度比传统方法增加了1 cm左右;而在信噪比相同的情况下,该方法能得到远高于传统方法的轴向分辨率.相对于传统方法,编码激励在测量深层微小血管或相邻血管中的血流时有着明显的优势.     

复杂地形条件下气体泄漏扩散规律仿真与试验

针对复杂地形气体泄漏扩散问题,基于计算流体动力学方法,建立复杂地形气体泄漏扩散数值仿真方案,确定地面气体分布特点、监测点气体质量浓度随时间变化规律、地形及环境风向、风速等对气体扩散的影响作用。以SF6为示踪气体,设计并在川东北某山区集气站实施气体释放试验,以有色烟雾发生器为工具确定采样点布置,采用电子时控大气采样器和气相色谱-电子捕获检测法进行样品采集和分析,得到不同采样点、不同时间段内示踪气体浓度值。SF6释放试验结果表明,试验方案设计合理、可靠、具有广泛的适用性,能够有效降低采样点数量,提高采样数据的有效性,实现对试验数据的采集和分析。试验与仿真计算数据的一致性验证了建立的数值模型处理复杂地形气体泄漏扩散过程的有效性。     

基于深度学习的SF6气体压力时序数据预测

为提高复杂电网环境中六氟化硫(SF₆)气体压力预测的准确度,提出一种基于长短期记忆(long-short-term memory, LSTM)网络的SF₆气体压力预测方法。该算法根据SF₆气体压力实测数据对深度神经网络进行训练,并预测SF₆气体压力值,再将预测值与真实值的误差反馈给网络,以修正网络参数并提高预测准确度。仿真试验使用3个月的SF₆气体压力实测数据对LSTM神经网络进行训练和测试,结果表明,LSTM网络模型有效降低了SF₆气体压力预测误差。     

非线性偏微分方程求解器：基于改进欧拉法的神经网络

针对一般深度学习方法求解非线性偏微分方程时泛化能力差的问题,本文提出一个使用改进欧拉法联通网络模块的长短期卷积循环神经网络. 具体来说,该神经网络的构建运用了改进欧拉法和有限差分法. 网络中的模块之间通过改进欧拉法实现有效连接,偏微分方程中涉及的导数项通过基于有限差分法构建的卷积核实现精确近似. 本文在两个典型的非线性偏微分方程,即Burgers方程和反应扩散方程上进行了仿真实验. 实验结果证明,该方法不仅在训练数据上具有很高的精度,而且在外推到新领域时也表现出较强的泛化能力.     

基于深度学习的图像超分辨率重建方法综述

图像超分辨率重建(super-resolution, SR)是指从观测到的低分辨率图像重建出相应的高分辨率图像,在目标检测、医学成像和卫星遥感等领域都有着重要的应用价值.近年来,随着深度学习的迅速发展,基于深度学习的图像超分辨率重建方法取得了显著的进步.为了把握目前基于深度学习的图像超分辨率重建方法的发展情况和研究热点,对一些最新的基于深度学习的图像超分辨率重建方法进行了梳理,将它们分为两大类(有监督的和无监督的)分别进行阐述.然后,在公开的数据集上,将主流方法的性能进行了对比分析.最后,对基于深度学习的图像超分辨率重建方法进行了总结,并对其未来的研究趋势进行了展望.     

面向各向异性3D-MRI图像超分辨率 重建的ESRGAN网络

高分辨率磁共振图像(MRI, magnetic resonance images)能够提高疾病诊断精度,但高分辨率MRI图像的获取十分困难。基于深度学习的图像超分辨率(SR, super resolution)技术可有效地提高图像分辨率。近年来,生成对抗网络(GANs, generative adversarial networks)为3D-MRI图像SR重建提供了新思路。相较于传统的基于深度卷积神经网络(DCNN, deep convolutional neural network)的SR算法,GANs网络以人类视觉机制为目标,且引入判别函数,使重建3D-MRI图像更接近真实图像。研究采用增强超分辨率生成对抗网络(ESRGAN, enhanced super-resolution generative adversarial networks)对3D-MRI图像进行SR重建;并利用3D-MRI图像的跨层面自相似性,将重建任务降维到2D,在保证重建效果的基础上,减少了网络训练时间和内存需求。通过与其他传统算法和基于DCNN算法对比实验表明,提出的算法能够进一步提高3D-MRI图像的视觉...     

基于烟花优化的WSN数据融合算法

为减少无线传感器网络(WSN)中的数据冗余,延长网络生命周期,克服基于BP(反向传播)神经网络的数据融合算法收敛慢、数据精度低和易陷入局部最优的不足,提出一种基于烟花算法优化的无线传感器网络融合算法(IFWABP)．首先在烟花算法中使用Tent混沌图改进烟花种群的初始位置分布,使初始烟花分布更加均匀;然后利用改进的烟花算法优化BP神经网络的权重矩阵和阈值矩阵等参数进行数据融合;最后通过仿真对算法的性能进行测试和分析．仿真结果表明：对比其他算法,IFWABP算法提升了WSN数据融合的精度,降低了网络能耗,延长了网络生命周期．     

基于传感器网络的分布式生化气体源参数测定算法

针对生化气体源参数测定问题,提出了一种基于传感网络的分布式贝叶斯迭代估计算法,该算法在给定气体物理分布扩散模型条件下,通过传感器节点获取气体浓度,并基于分布式扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）实现气体源的坐标定位和释放率估计.通过仿真实验对两种分布式算法进行性能分析,结果表明,UKF算法在参数估计成功率和参数估计误差两个方面均要好于EKF算法,分别可以提高约50%和70%,其收敛速度快,使用节点少,更有助于节省网络能量消耗,并延长其生存周期.     

改进高斯烟团模型的多气体源泄露扩散模型

本文针对高斯烟团模型在多稳定气体源泄露扩散模型建立上的欠缺问题,提出多稳定气体源泄露扩散模型。根据气体源位置和环境风速信息,对坐标轴进行平移和旋转变换,构建变换后坐标和变换前坐标的数学转换公式,将多气体源的泄露扩散过程建模为多个高斯烟团的叠加过程,建立适用于预测多稳定气体源泄露扩散趋势的改进高斯烟团模型。最后,以研究多个氯气气体源泄漏扩散问题为例,基于改进高斯烟团模型,根据毒物浓度时间伤害准则对其泄漏后的危险区域进行划分。仿真实验结果表明,该模型具有较好的参考价值。     

基于VDRCNN的电力巡检图像超分辨率重建算法

针对无人机巡检图像模糊、分辨率低等问题,利用深度残差卷积神经网络(VDRCNN:Very Deep Residual Convolutional Neural Network)理论,提出了一种无人机巡检图像的超分辨率重构方法。该算法模型由超分辨率加深网络(VDSR:Very Deep Network for Super-Resolution)和残差结构组成,同时结合批量组归一化和Adam优化器以获得更好的重建效果。在此基础上,构建电力部件检测数据集,通过恰当设置网络参数,实现针对模糊电力部件图像的高分辨率重构。实验结果表明,基于VDRCNN的超分辨率方法重建出的图像纹理更丰富、视觉效果更逼真,在峰值信噪比和结构相似度上分别有2.95 dB和3.79%的提升,明显优于传统检测方法。所提出的基于VDRCNN的电力巡检图像超分辨率重构方法对解决电力巡检实际问题具有一定的应用价值。     

一种基于深度学习的图像超分辨率重构方法

近年来,基于卷积神经网络(CNN)的单幅图像超分辨率重构得到了广泛应用﹒然而,随着网络不断加深,也同时出现了参数过多、计算代价过大和难以训练等问题﹒为解决上述问题,提出一种新的深度残差密集网络(DRDN)框架并应用于单幅图像超分辨率重建﹒首先,网络通过密集连接充分利用了低分辨率图像从浅层到深层的各层特征,为超分辨率重构提供更多的低分辨率图像信息;其次,为了充分融合全局特征信息,通过残差学习的方式进行融合重构,同时为了缓解深层网络带来的训练困难等问题,网络采用多路跳步连接,使误差更加快速地传到各层网络;最后,将该方法与深度递归残差网络(DRRN)方法在公共数据集上进行了实验比较,结果表明DRDN在网络稳定性、时间效率、收敛速度和重建效果等方面都优于DRRN﹒     

质子交换膜燃料电池双极板与气体扩散层接触压力测量与模拟

质子交换膜(PEM)燃料电池的组装力和工作温度对双极板与气体扩散层(GDL)之间的接触压力有着重要影响,而双极板与气体扩散层之间接触压力的大小与分布对燃料电池的电化学性能至关重要。基于有限元软件ABAQUS开发了PEM燃料电池预紧力-温度顺序耦合程序,预测得到了不同螺栓预紧力和温度下双极板与气体扩散层间接触压力的大小和分布。有限元分析结果表明:接触压力随预紧力的增大而增大;燃料电池的工作温度对双极板与气体扩散层之间的接触压力有重要影响,接触压力随温度的升高而增大。采用压力传感膜技术试验测试了双极板与GDL之间的接触压力大小与分布,试验结果与模拟结果吻合较好。     

全封闭组合电器室SF6气体泄漏分布规律与气体检测布置策略

全封闭组合电器(GIS)在运行过程中不免故障,会出现SF6气体泄漏的问题,这不仅会对设备维护人员的人身安全构成极大威胁,也会对环境造成难以估量的负面影响。目前,SF6气体检测及回收装置布置策略缺乏理论指导。针对盆式绝缘子开裂而造成的SF6气体泄漏事故,本文基于FLUENT软件,结合SF6气体泄漏的两相流三维非定常态湍流流动特征,搭建三维传递现象模型,进行真型尺寸GIS站室泄漏SF6气体分布规律仿真研究。分析了GIS设备因故障而发生气体泄漏时,SF6气体扩散的过程及SF6气云的分布规律,比较了不同位置、不同方向出现单点泄漏时SF6气体的扩散分布情况。再结合GIS室实际空间布局,指出应在贴地安全警示带距离地面0.5m处及GIS设备上方沿纵横方向均匀布置SF6气体检测设备,形成立体的空间密集网状检测系统。