增量学习的拉曼光谱识别算法

针对拉曼光谱仪内置数据库样本数量少和新增物质光谱无法识别的问题,提出了一种增量学习的拉曼光谱识别算法。构建了基于空间注意力机制的一维膨胀卷积神经网络（convolutional neural network model,CNN_SA）,用数据库已有光谱数据对CNN_SA预训练,提取拉曼光谱特征,与逻辑回归（logistic regression,LG）和支持向量机（support vector machine,SVM）等算法相比,CNN_SA具有更好的识别性能。并采用类别增量的学习方式,将CNN_SA学习的先验知识迁移到新增物质的拉曼光谱识别中,极大提高了新增物质小样本拉曼光谱的识别准确率。     

基于Kalman滤波的稳态白噪声估值器

基于 Kalman 滤波,对带非零均值的相关噪声系统提出了统一的稳态白噪声估值器,可统一处理白噪声滤波、平滑和预报问题。它们包括稳态输入白噪声估值器和观测白噪声估值器,且包括白噪声新息滤波器和 Wiener 滤波器。一个 Bernoulli-Gaussian 白噪声的仿真例子说明了它们的有效性。     

抗野值H∞滤波在组合导航中的应用

为了消除H∞滤波应用过程中野值产生的影响,利用切比雪夫不等式判断新息中野值的存在,利用基于信息扩散原理的新息替代法对含有单个或连续野值的新息加以修正,达到检测和剔除野值的目的.通过对远程火箭弹的SINS/GPS组合导航的仿真可知新算法能够有效地检测出野值,并在野值单个或成片出现的情况下都能保证滤波精度.     

SoS滤波器及其在工业超声波成像中的应用

为减少采样数据和采样频率,文中考虑将有限新息率(FRI)模型应用于工业超声波成像系统中,但现有的FRI模型并不能很好地应用于反射信号频率很高的工业超声波成像系统.为此,文中基于FRI滤波器组,提出了一种适用于工业超声信号处理的新型FRI采集方法——辛格函数之和(SoS滤波器)法,推导了该方法应具备的条件,并给出了SoS滤波器的构造方式.采用该方法对一维超声波成像原始数据进行处理,结果表明文中所提出的采集方法是有效、可行的.     

Brown运动增量在Holder范数下的拟必然收敛速度*

利用Brown运动在Holder范数下关于容度的大偏差与小偏差, 得到了Brown运动增量在Holder范数下关于(r,p)-容度的拟必然收敛速度.     

SIFT辅助角点匹配的快速图像匹配算法

采用Harris角点检测算法进行图像特征检测.使用快速SIFT图像匹配方法进行图像匹配并计算基础矩阵,去除误匹配点后用SIFT图像匹配的结果对Harris角点进行定位,并用ZNCC算法对角点进行增量匹配.该算法有效地弥补了SIFT图像匹配算法的特征点只分布于非边缘区域的问题,相比单纯SIFT算法可获得更多的匹配点,并且算法时间增加较少.     

复合随机场分布的某些弱收敛定理

研究了ε＞０时：定义在 Ｚ＝［０，∞）~２，取值于Ｄ_ｚ空间的随机场ξ_ε（ｔ）和随机矢量ｖ_ε∈Ｚ的性质，证明了当ε０时复合随机场ξ_ε（ｖ_ε）分布的弱收敛性．     

基于两种新型算子的粗糙集运算

定义了基本致粗因子和基本致粗相关因子,将边界域划分为两部分·并以这两个因子为基础,定义了确定增量算子和不确定减量算子,给出并证明了这两类新型算子的一些重要性质和定理·进一步讨论了基于这两类新型算子的粗糙集运算·利用这两种新型算子可将对粗糙集理论影响较大的两个不等式转化为等式·同时,粗糙集的并、交、补运算被重新定义·这些新定义的运算在运算过程中不会丢失任何信息且具有良好的运算性质,特别是这些运算满足互补律和德摩根律·这使得粗糙集理论中的许多方面都得到了改善,进而拓宽了粗糙集的应用·     

转子绝对动能增量及其在失稳模式判别中的应用

研究了大扰动下复杂电力系统失稳模式的判别指标。针对暂态能量函数法使用的势能概念在物理意义上的疑问,从发电机原始转子运动方程和经典转子运动方程出发,讨论了转子不平衡功率对时间积分的物理意义,分析了它们同暂态稳定分析中使用的势能概念的关系,在此基础上提出了相对动能和绝对动能的概念。根据发电机绝对动能增量大的机组最有可能率先失步的事实,提出了以绝对动能增量为指标进行电力系统失稳模式判别的方法,并通过对实际系统的仿真计算验证了方法的可行性。