基于潜在空间特征的无袖带血压估计方法

针对目前基于光电容积脉搏波(photoplethysmography, PPG)的血压(blood pressure, BP)估计模型的不足,文章提出一种基于潜在空间特征的BP估计方法。该方法充分挖掘PPG中与BP相关的特征,利用梯度增强回归树(gradient boosting regression tree, GBRT)提取单周期PPG信号及其一阶和二阶导数的高阶交叉特征,并利用卷积神经网络(convolutional neural networks, CNN)提取PPG信号的时频图中的深层特征;随后将提取的特征输入支持向量回归器(support vector regression, SVR)构建BP估计模型。在UCI-BP数据库的12 000个样本上进行了模型评估,实验结果表明所提出的方法优于最新的BP估计方法。     

一种基于一维卷积神经网络的烟叶霉变预测方法

构建了基于一维卷积神经网络的仓储烟叶霉变预测模型,以烟叶样本霉变过程中产生的特征气体浓度为学习数据,对仓储烟叶霉变进行预测;实验结果表明:与传统的BP神经网络模型相比,所构建的模型预测效果更好.     

图像恢复盲解卷积之文献综述

本文对近20年图像恢复的相关算法做了综述,最后寻找一种更适合针对大气湍流造成的图像质量退化的图像进行复原的方法,在处理效果上更进一步,并且能针对多帧图像进行修复。     

复杂场景下基于R-FCN的手势识别

为了解决复杂场景下手势识别的问题,将基于区域的全卷积网络(R-FCN)用于手势识别.为了使网络适应复杂场景,利用在线难例挖掘技术对手势识别过程中产生的难例进行在线学习,并结合手的特征对网络参数进行优化调节.实验结果表明:基于R-FCN的手势识别方法能准确地从复杂场景中识别手势,识别率达到99.73%.     

数字孪生驱动的小样本旋转机械剩余寿命预测

针对小样本数据下旋转机械剩余使用寿命难以准确预测的问题，提出一种数字孪生驱动的旋转机械健康因子构建及剩余使用寿命预测方法。通过融合卷积自编码器与Weibull分布构建数据驱动的旋转机械退化行为模型。使用旋转机械早期退化信号训练卷积自编码器，使其学习到早期退化信号模式；使用卷积自编码器对测试信号进行重构并计算重构误差，将重构误差映射到[0,1]区间作为健康因子，根据健康因子拟合Weibull可靠度函数并预测旋转机械剩余使用寿命；在旋转机械持续运行过程中基于实时数据重复上述步骤，实现旋转机械剩余寿命的实时更新。在PHM2012公开数据集上的测试结果表明：所提方法可以在不需要末期退化信号的前提下预测轴承剩余寿命，预测结果明显高于现有报道的各类方法，均方根误差和平均绝对百分比误差分别为938.8 s与42.62%。在巴斯夫新材料有限公司某自动化测试系统数字孪生预测性维护平台的应用案例表明，所提方法具有实际工业场景下小样本旋转机械寿命预测的可行性。     

卷积积分的计算方法探讨

卷积积分是一种特殊积分,也是信号与系统分析等学科中应用较广的一个重要数学工具。从卷积积分的定义出发,探讨了卷积积分的求解方法,给出了用定义法和图解法求卷积时积分上下限的确定方法。分析了运用卷积的微积分性质计算卷积时的条件,提出了运用傅里叶变换求卷积积分的方法。     

一种消除锯齿的图像放大算法

为了最大程度消除图像放大后出现的锯齿现象,提出了一种新的二次导数连续的多结点立方卷积插值函数,通过增加结点使得插值曲线更加的平滑;同时对插值函数引入逆梯度约束条件,然后根据图像放大的倍数定义一个适当的模板对图像进行卷积操作,自适应的消除图像放大后出现的锯齿现象。实验结果表明,该算法在对图像执行高倍放大时,几乎看不到锯齿,同时图像的清晰度也保持的较好。     

γ-星函数类的Fekete-Szeg(o)不等式

利用星像函数的Fekete-Szego不等式,对γ-星函数类上的系数泛函｜a3-μa22｜作了精确估计,得到了准确的结果,并给出利用Hadamard卷积定义的新函数类上的Fekete-Szego不等式,推广一些作者的结果。     

某周期卷积类在L尺度下的单边逼近

研究了周期卷积类KM(Ψ)在核Ψ(t)满足一定限制条件时,以n-1阶三角多项式子空间T2n-1和以2π为周期的样条子空间S2n(Ψ)在L尺度下的最佳单边逼近的精确估计.     

杜哈梅尔积分的全解析算法

从杜哈梅尔积分的严格定义式出发，利用其解析式中存在的广义函数，提出杜哈梅尔积分的全解析算法。给出了用于解析计算的通用解析表达式。算例表明，本算法简洁，特别适于当系统的输入ｘ（ｔ）或其阶跃响应ｓ（ｔ）为具有不连续点时的复杂函数情况。