基于改进Faster R-CNN的农田残膜识别方法

为了实现农田残膜的精准捡拾,提高残膜回收机的回收率.将改进Faster R-CNN卷积神经网络运用到农田残膜的识别检测中,提出了一种农田残膜的识别方法.以11MS-1850残膜回收机工作后遗留在农田表面的残膜为研究对象,分别在晴天、阴天不同时间段采集图像共计1648幅.通过更改图像亮度、旋转等方式扩充数据集,最终得到4950幅残膜样本图像,按照7:2:1划分为训练集(3465幅)、验证集(990幅)、测试集(495幅);采用双阈值算法替代传统的单阈值算法,降低了阈值对模型性能的影响;通过对比试验,选取具有残差网络结构的ResNet50作为主干特征提取网络,准确率可达88.84％,召回率为87.70％,总体精度为88.27％;为了使检测模型对小目标更加灵敏,根据数据集中残膜尺寸大小,在原有锚点基础上增加322和642的尺度参数,准确率、召回率、总体精度分别提升了1.29％、0.67％、0.97％,单幅检测时间为284.13 ms,基本满足了识别残膜的要求.可为残膜回收机加装补收装置提供参考,为研制人工智能残膜回收机提供理论基础.     

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。     

连通2-Kn-残差图的一个注记

【目的】对Erdös等人关于连通 m-Kn-残差图的最小阶和极图的两个猜想进行修正。【方法】利用容斥原理以及集合的运算性质等方法。【结果】证明了最小阶的连通2-K6-残差图仅存在两个不同构的极小图,从而解决了连通2-K6-残差图的最小阶和极小图问题。【结论】最后提出了新的猜想。
     

基于DRNet的常微分方程模型逼近和序列预测方法

针对残差网络预测精度偏低的问题,基于系统观测数据和相轨线的关系,提出密集残差网络的方法实现对自治系统的拟合逼近和序列的高精度预测。首先,为强化对数据内含“特征信息”的提取和流通使用,将神经网络各隐藏层的输入与之前各层输出拼接后作为本层的输入,形成密集连接模块;其次,为避免加大网络深度时出现的“退化”现象,引入残差机制,将密集连接模块的输入层与输出层相连,形成密集残差网络。最后,将密集残差网络应用于线性的单自由度系统振动模型和非线性的SEIRS模型、Logistic Volterra模型。结果表明,在规模为5 000和10 000的数据集上,密集残差网络对模型的拟合逼近效果和预测精度优于残差网络、反向传播神经网络和密集网络,特别是在非线性系统上的4项定量评价指标均优于对照模型,表现出密集残差网络对自治系统模型逼近和序列预测的高有效性;同时,在观测数据中加入5%的噪声后,密集残差网络表现出较好的抗干扰性。     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

基于残差网络的海洋温跃层分析方法

首先, 以世界海洋地图集2013（WOA13）海洋数据为实验数据, 提出将不等距微分法、 垂直梯度法应用于海洋数据预处理、 海洋区域划分和跃层分析中, 并通过对多种神经网络在基于WOA13海洋三维数据二分类实验的性能分析, 选取残差网络作为二分类实验的网络模型, 在三层残差网络模型基础上增加了Dropout保留层以防止过拟合. 其次, 将残差网络模型用于温跃层分析判定, 并针对改进模型进行超参数优化、 残差单元改进、 保留率调整等对比实验. 实验结果表明, 改进的ResNet 26网络对WOA13海洋区域数据的温跃层数据分类有效, 分类准确率超过94%.     

显著边缘直接引导的动态模糊图像盲复原方法

针对主动视觉中运动载体和云台抖动导致图像模糊的问题,提出一种显著边缘直接引导的动态模糊图像盲复原方法。为了克服经典 Canny 算子只能对边缘进行标注的缺陷,设计了图像边缘搜索-增强算法,并基于此提出了仅依据图像中显著边缘邻域完成点扩散函数优化估计的方法;为解决传统残差图像方法不能适应预测图像错位的问题,提出图像解模糊的递归残差修正算法来抑制复原图像波动;设计了图像复原的分层迭代处理流程,保证模糊图像复原的可靠性和精度。理想光照条件下的仿真表明,算法能准确恢复模糊图像的边缘,同时抑制复原图像中的波动。非理想光照条件下的仿真也验证了算法对环境有良好的适应性,具有较高的实际应用价值。     

锂电池异常状态监测的FEKF方法研究

为了保障锂离子电池的使用安全,提出了基于带渐消因子的扩展卡尔曼滤波（Fading Extended Kalman Filter,FEKF）的电池状态在线监测方法. 建立锂电池一阶等效电路模型,利用递推最小二乘法进行锂电池状态参数在线辨识,建立状态方程;引入最优渐消因子,构造FEKF,得到端电压残差;使用端电压残差序列构造χ2分布的诊断函数,计算误检率与状态参数异常阈值. 实验结果显示利用FEKF生成的残差能更早对异常状态进行告警,证明FEKF能够显著提高χ2检验对锂电池内部缓变型异常状态判断的准确率.     

基于向量残差SVD的混凝土超声测试温度效应研究

为研究温度对混凝土超声测试尾波信号的影响规律;将信号向量间的归一化夹角作为波动指标,反映温度效应引起的信号变化;通过向量残差矩阵SVD获得表征温度效应大小的特征向量,建立向量空间映射和温度差的数学关系。在实验室采集混凝土梁尾波信号进行验证,结果表明,随温度升高尾波信号的波形发生后移,文中方法可分段线性量化温度效应;基于量化结果,得到常温下超声尾波信号最敏感的温度区间;任意4.5 ℃范围内,可去除74%~90%的温度效应。     

南黄海辐射沙洲海底地形可视化与定量分析

南黄海辐射沙洲海底地形复杂多变,精细的数字地形模型、不同地形单元的立体可视模型及其定量统计值是进行海洋科学研究、海洋功能区与海域开发利用的基础.利用在辐射沙洲北翼进行的单波束测深获取的水深资料,根据残差分析,选择研究区现有水深数据最佳插值法——克里金法,生成海底地形的数字高程模型.运用水深分层设色法立体可视地表征了辐射沙洲的四种地形单元:浅滩、沙脊、潮流槽和宽谷.根据地形倾角可以定量地分析脊、槽等地形单元的坡形变化,整个沙洲以水平-微倾斜地形(倾角<5°)为主,占总面积的60%,分布在宽谷、沙脊顶部和潮流槽中部等.地形剖面曲率分层设色可以更细致地刻画脊、槽相间地形单元的微地貌,并可定量分析不同地形单元的面积及所占比例.地形平面曲率和切线曲率可以指示不同地形单元的海洋动力特征,即:负值区水深较小、流场较强;正值区水深较大、流场较弱.