基于深度自编码器的电力能耗异常检测方法

针对电力能耗数据的非线性和不平稳特征,提出了一种基于深度自编码器的电力能耗异常检测模型。将深度学习的门控循环单元网络和自编码器结构相结合,通过传统自编码器的编码器和解码器部分采用门控循环单元网络来实现,充分发挥门控循环单元的数据特征提取能力和自编码器结构的数据重构功能。根据原始数据和重构数据之间的重构误差来检测电力能耗异常数据点。将所提方法应用于实际的车间电力能耗数据集,结果表明：所提方法能够对电力能耗数据进行异常点检测,检测效果良好。     

基于交替方向乘子法的单天线ADS-B信号分离

广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)系统是一种针对空中交通管理的监视系统。然而，由于ADS-B信号传输的随机性不可避免地导致多个ADS-B信号之间的重叠。传统的单天线Capon算法由于频率估计误差导致算法性能下降，针对以上问题提出了一种非频率估计的ADS-B信号分离算法。首先，基于矩阵重构，将单天线ADS-B信号分离问题重新表述成一个与Capon算法类似，但是约束条件完全不同的非凸优化问题。然后，针对该非凸优化问题，使用了交替方向乘子法求解了该非凸优化问题。仿真结果表明，当非重叠的数据的长度大于1μs时，提出的算法就能有效地分离出重叠的单天线ADS-B信号。此外，即使在Capon算法已知重叠信号的频率精确而所提算法未知的情况下，所提算法的性能也优于Capon算法。     

机场三维态势呈现中IMMKF平滑ADS-B数据

针对基于广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)数据进行机场三维态势呈现的应用,研究了在态势显示的第一步,ADS-B数据精度不高、不平滑问题,预处理后数据可以用于后续插值生成高帧率的航迹数据。交互式多模型卡尔曼滤波(interacting multiple model Kalman filter, IMMKF)算法可以较好地解决机场场面运动目标ADS-B轨迹数据的实时平滑问题。首先,根据飞机的真实运动情况建立了飞机的匀加速运动、匀速转弯运动及匀速运动模型,然后利用卡尔曼滤波Singer模型与IMM相结合的IMMKF算法对场面飞机的ADS-B轨迹进行了跟踪滤波,达到目标轨迹光滑的效果。实验结果表明,与多种经典的滤波方法相比, IMMKF方法在保证了光滑性的情况下跟踪失败概率低,可实时计算,精度能满足要求。     

基于邻接网络的序列规则挖掘算法

给出一个新的序列规则挖掘算法，该算法在挖掘规则以前将数据库预先存贮为序列邻接网络，在序列邻接网络中每个项目集顶点都有一个域来记录它的支持度，算法把频繁序列规则的发现问题转化为网络中的顶点搜索问题，大大提高了搜索过程的效率，为了有效地解决网络生成过程中的序列支持计算问题，采用了一种纵向的数据库表示格式。     

基于一维堆叠池化融合卷积自编码器的HRRP目标识别方法

针对雷达高分辨距离像(high resolution range profile, HRRP)目标识别中特征提取及识别问题, 提出了一种基于一维堆叠池化融合卷积自编码器(one-dimensional stacked pooling fusion convolutional autoencoder, 1D SPF-CAE)的识别方法。首先构造一维池化融合卷积自编码器(one-dimensional pooling fusion convolutional auto-encoder, 1D PF-CAE), 在编码阶段, 采用最大池化和平均池化同时提取不同的编码特征并进行融合来提取HRRP的结构特征; 然后堆叠多个1D PF-CAE形成1D SPF-CAE; 最后使用标签数据对网络进行微调, 实现HRRP目标识别。并使用AdaBound算法优化网络训练来提高识别性能。基于弹道中段目标仿真数据的实验结果表明, 该方法具有较强的特征提取能力, 对于HRRP目标识别准确率高、鲁棒性强。     

用Bayes网络检测航空影象中的三维结构体

感知组织是自动检测目标的有力工具。文章提出一个基于Bayes网络的感知组织算法，用于检测城市航空影象中房屋等三维人造结构体。算法使用假设检验的方法检测目标，由提取边缘及线段、生成平行四边形、生成假设、检验假设四个步骤组成。文中设计了两个Bayes网络分别作为假设生成和检验中的信息融合工具。Bayes网络的学习能力，使算法具有一定的自适应性。实验结果表明了算法的有效性。     

基于交叉细化和循环注意力的RGB-D显著性目标检测

针对显著性目标检测区域边界模糊以及检测区域不精确不完整的问题，提出了基于交叉细化和循环注意力的RGB-D显著性目标检测方法。在利用编码器提取特征的阶段设计了交叉细化模块，用于补充对方的特征信息，改善了融合前的特征质量，抑制了质量较差的深度图带来的消极影响，解决了显著性目标边缘模糊的问题。针对融合后的特征，提出联合注意力机制与卷积长短期记忆网络单元的循环模块以模拟大脑的内部生成机制，通过检索过往的记忆帮助推断当前的决策，从而获得需要长期记忆的语义场景，可以全面学习融合特征的内部语义关系，生成检测区域更完整，更准确的显著性图。在6个公开数据集上进行的实验表明，所提的方法可以得到边缘清晰且准确度更高的显著图。     

基于边缘梯度的自动聚焦算法

针对传统自动聚焦算法所存在的问题,提出了一种基于边缘梯度的自动聚焦算法。首先通过阈值检测算法得到图像序列的边缘,把图像中的背景部分滤除,减少了背景信息的影响,从而可以提高算法的精确度和稳定性,然后用边缘像素的梯度值来表征最后图像的清晰程度。经过大量的仿真实验表明,所提算法不仅有单峰性强,无偏性好,灵敏度高等特点,而且还具有很好的抗噪声性能,具有很好的稳定性。     

特征自适应的精准目标跟踪算法

提出了一种能够自动选择最优特征、精准描述目标尺寸连续变化的新的序列图像目标跟踪算法.该算法首先计算由RGB分量线性组合而成的区分目标和背景的最优特征,将每一帧榆入图像按照此最优特征转换成目标概率分布图,然后通过检测该图在尺度空间中微分滤波器输出的极值,来决定目标的尺度.最后采用QP_TR信任城算法在尺度空间里和图像平面内快速搜索概率分布图多尺度规范化Laplacian滤波函数的极值,实现了目标的定位,从而完成了跟踪任务.通过与现有算法进行比较,并结合大量真实序列图像进行实验验证,结果表明算法不但能够更准确地描述目标的大小,而且显著提高了跟踪算法的精度.     

基于重构误差和多块建模策略的kNN故障监测

针对基于k近邻(k-nearest neighbor,kNN)的故障监测算法中，引发故障的异常信息易被正常信息淹没，导致故障检测不及时和报警率低的问题，利用自编码器和多块建模策略提出一种基于重构误差的k NN故障监测方法。该方法利用正常工况数据集训练自编码器模型，基于该模型进行重构误差提取以解决异常信息易被淹没的问题。进一步考虑微小偏移和振荡等故障特征，采用多块建模策略，对各子块分别计算统计量并融合检测。通过一个数值例子与田纳西-伊斯曼(Tennessee-Eastman,TE)过程进行仿真与分析，结果验证了所提方法的有效性与监测性能的提升。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络,分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合,充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

融合注意力机制的IETM细粒度跨模态检索算法

交互式电子手册是提高各类装备保障信息化、智能化的关键技术之一，针对其检索模态单一的问题，以其数据中图文描述为研究对象，提出一种融合注意力机制的细粒度跨模态检索算法。针对数据中图像简图较多、色彩单一等特点，特征提取模块使用Vision Transformer模型和Transformer编码器分别获得图文的全局和局部特征；使用注意力机制在图文模态间及模态内部挖掘细粒度信息，加入文本对抗训练增强模型泛化能力，采用跨模态联合损失函数对模型进行约束。在Pascal Sentence数据集和自建数据集上进行验证，所提方法的平均精度均值分别达到了0.964和0.959,较基准模型(深度监督跨模态检索)分别提升了0.248和0.214。     

基于通信域和雷达域融合特征的无人机集群类型识别算法

目前已有无人机类型识别算法仅通过通信域或雷达域的信号特征实现单个无人机类型的识别，存在识别准确率低等问题。提出了一种基于通信信号和雷达信号融合特征的无人机集群类型识别算法。首先，提取集群通信信号的高阶累积量和瞬时特征统计量，并融合雷达航迹特征构建无人机集群特征矩阵。其次，提出一种改进的特征选择算法—二次筛选的近邻成分分析，对融合特征矩阵进行降维。最后，利用稀疏自编码器网络进行集群类型的识别。仿真结果表明，该算法显著降低了集群特征矩阵的维度(仅为原始矩阵维度的27%),同时在信噪比为0 dB时，对5种集群类型识别的正确率可达88%。     

基于全局位置信息和残差特征融合的SAR船舶检测算法

针对合成孔径雷达(synthetic aperture radar, SAR)图像船舶目标尺度不一且易受海面、地面杂波和相干斑噪声的影响,难以提取目标多维特征且特征融合过程中易产生语义歧义,造成船舶目标检测率低,虚警率高的问题,提出一个基于全局位置信息和残差特征融合的SAR船舶目标检测算法。基于Faster区域卷积神经网络(region convolutional neural network, R-CNN)目标检测算法,在特征提取网络和特征融合网络中进行改进：在特征提取网络中使用高宽注意力机制提取目标在图像中的全局位置信息,增强目标的多维特征提取能力;在特征融合网络中使用带有残差连接的双向特征金字塔网络削弱特征融合过程中的语义歧义,降低复杂背景下的船舶目标虚警率,同时进行不同层级的多尺度特征双向融合,增强高低层特征的联系,提升多尺度船舶目标的检测能力。在SAR船舶数据集上达到98.2%的均值平均精度,超过部分算法2.4%以上。实验表明,所提算法有效提取了目标的多维特征,显著缓解了语义歧义问题,具有较好的检测能力和泛化能力。     

反馈交易与证券市场收益的尖峰厚尾特征

提出了一个有理性交易者和非理性交易者参与的证券市场收益模型,其中非理性交易者采取简单趋势外推的反馈交易策略.反馈交易导致收益序列的自相关,收益序列的长程相关性引起了异常扩散,由于扩散的方差大于标准布朗运动的方差,造成收益概率密度函数的厚尾现象.在模型的基础上,利用蒙特卡罗仿真方法生成了股市收益时间序列样本,计算了仿真数据的峰度、尾指教和自相关系数,并与我国上证指数真实收益序列的相应指标进行了对比分析.模型的仿真结果显示了证券收益的尖峰厚尾特征以及收益序列的自相关性.     

不确定性建模在2D和3D目标检测中的应用

目标检测算法在自动驾驶领域有着不可或缺的地位，其检测精度和速度往往可以作为评判一个自动驾驶系统好坏的标准。如何提升目标检测精度和速度已成为当前目标检测算法的主要研究方向。对此，提出了一种基于不确定性建模的目标检测改进算法，在原有二维单次多柜检测器上通过对物体的边界框进行高斯建模并引入新的位置损失函数，实现对原有检测结果的微调。同时，在原有单阶单目三维检测器的基础上引入深度以及航向角的不确定性来调整目标在热力图中的高斯半径，并用马氏距离替代原有的L1距离以提升对较远目标和斜向目标的识别率。对比实验证明，改进后的2D和3D检测算法在KITTI自动驾驶数据集上对比原始2D和3D算法，检测精度分别提升了近5%和2%。     

基于深度强化学习算法的无人机智能规避决策

为提升无人机在复杂空战场景中的存活率，基于公开无人机空战博弈仿真平台，使用强化学习方法生成机动策略，以深度双Q网络(double deep Q-network, DDQN)和深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法为基础，提出单元状态序列(unit state sequence, USS),并采用门控循环单元(gated recurrent unit, GRU)融合USS中的态势特征，增加复杂空战场景下的状态特征识别能力和算法收敛能力。实验结果表明，智能体在面对采用标准比例导引算法的导弹攻击时，取得了98%的规避导弹存活率，使无人机在多发导弹同时攻击的复杂场景中，也能够取得88%的存活率，对比传统的简单机动模式，无人机的存活率大幅提高。     

组合导航智能信息融合自适应滤波算法分析

针对当前自适应组合导航系统算法的研究趋势,总结了卡尔曼滤波技术的缺陷和利用智能融合技术提高滤波器性能的设计思想。对模糊控制自适应算法(FIR AKF)、神经网络自适应算法(NN AKF)和自适应神经网络模糊推理自适应算法(ANFIS AKF)进行了分析。着重研究FIR AKF采用滤波器新息序列和外系统状态的模糊控制器关键的模糊规则设计问题;分析NN AKF在组合导航系统模型调整、故障检测和隔离中的应用方法,并给出ANFIS AKF利用神经网络自动生成推理规则和建立自适应组合导航系统的基本方法。     

基于人眼视点图的特征融合小目标检测算法

针对目前深度学习小目标检测算法在实际应用中存在的漏检率高、精度低等问题,提出了一种基于人眼视点图的特征融合小目标检测算法。基于多类别单阶检测器(single shot multibox detection, SSD)算法通过不同扩张率的空洞卷积融合,在基础网络上获得具有类似人眼感受野的浅层特征层;对附加网络中的特征层进行信息融合,合并上下文信息,增加位置信息和全局语义信息,从而提升小目标检测精度。通过PASCAL VOC 2007数据集验证,结果表明,该算法较传统SSD算法检测精度提升了3.7%,较改进的小目标检测算法Bi-SSD精度提升了0.8%,验证了选择更有表征能力的特征层是有效提升小目标检测精度的方法。     

基于反面选择原理的智能融合故障检测模型及其应用

针对反面选择算法用于故障检测所存在的局限性,提出了一种基于反面选择原理的智能融合故障检测模型.该模型利用人工免疫系统的反面选择原理来构建神经网络检测器,通过训练将系统的异常模式信息存储在分布的检测器中,根据检测器的激活来发现系统的故障.通过混沌时间序列的异常检测仿真实验,研究了模型参数对故障检测性能的影响.最后以发动机压气机失速检测实验为例,证实该方法对失速信号的模式特征具有较强的分辨能力,同时表明神经网络检测器比常规的二进制编码检测器具有更好的故障识别能力.