一种改进的故障检测算法在组合导航中的应用

为提高组合导航系统的容错性能,实时检测滤波器处理测量信息的有效性,针对组合导航系统突变故障的检测问题,提出了相应的改进算法. 该算法不仅对系统层面上进行故障探测,而且对故障进行定位和隔离,分析了作为假设检验量的标准化残差之间的相关性强弱对故障正确定位的影响,由此对基于标准化残差的故障检测与隔离算法进行了改进,实现子系统内部故障的正确定位与隔离. 实验结果表明,改进的算法能够更有效地利用多余观测量,从而提高组合导航系统的稳健性.      

多生成器生成对抗网络

生成对抗网络(Generative adversarial networks,GAN)广泛应用于各种领域,尤其在图像生成方面.该模型由生成网络与判别网络2部分组成,在无监督的训练方式下,2个网络相互竞争相互提高.然而,GAN在训练时经常出现模式崩溃问题,进而导致模型收敛较慢,生成样本多样性较差.为解决这一问题,在深度卷积神经网络的基础上提出了一种多生成器生成对抗网络模型.该模型包含多个生成网络,每个生成网络均使用残差网络进行搭建,同时在生成网络间引入协作机制,以加快模型获取信息并减少参数量,最后将各生成网络的特征图进行融合得到最终图像输入到判别网络中.GAN在训练过程中还会出现梯度消失、训练不稳定问题.为避免出现这些问题,将Wasserstein距离和梯度惩罚引入模型的损失函数.通过在多个数据集上与多种相关方法进行实验比较,结果表明提出的模型在缓解模式崩溃问题、加快模型收敛速度以及减少参数量上均明显优于其他几种方法.     

基于残差注意力网络的马铃薯叶部病害识别

马铃薯叶部病害严重制约着马铃薯的产量,为此提出了一种基于注意力和残差思想的深度卷积神经网络模型RANet.依据注意力机制,在RANet中构建并行池化的注意力模块,以增强网络的特征提取能力,并借助残差思想避免注意力模块造成的特征值衰减.以早疫病初期、早疫病晚期、晚疫病初期、晚疫病晚期和健康叶片的叶部图像为研究对象,RAN...     

玻耳兹曼分布律的推广和应用

通过对玻耳兹曼分布律的推广,从而证明能均分定理.     

线性离散系统间歇故障的鲁棒检测方法

针对一类存在未知扰动、过程噪声和测量噪声的离散线性随机动态系统,研究了其鲁棒间歇故障检测问题.设计了降维未知输入观测器的输出,通过引入滑动时间窗口构造了截断残差信号,使得该残差信号对未知扰动解耦而对间歇故障敏感;针对间歇故障的发生时刻和消失时刻,分别提出了2个假设检验,在给定误报率和漏报率的情况下,分别定量确定了间歇故障发生时刻和消失时刻的检测阈值以满足检测性能要求,并在概率框架下分析了间歇故障的可检测性.同时,在某卫星模型上对所提出的方法进行了仿真验证.结果表明,所提出的方法能够快速、准确地检测出间歇故障的发生时刻和消失时刻.     

基于残差修正的涡轮增压机组差异演化建模与降负荷特性分析

针对船用增压锅炉涡轮增压机组的建模与运行特性分析问题,提出了一种基于差异演化算法和残差修正的演化建模方法.在涡轮增压机组机理模型的基础上,采用差异演化算法辨识模型参数,利用原始数据和所建模型的残差进行修正,避免了采用经验值或理想状态下的实验数据作为模型参数所造成的偏差,在所建模型和已有增压锅炉涡轮增压机组模型的基础上进行仿真实验,研究了涡轮增压机组在快速降负荷过程中的动态特性,并通过仿真结果与原始数据的对比验证了其可靠性.结果表明:在给定的模型空间和参数范围内,采用残差修正的差异演化算法能够自动生成同时满足实时性和精度要求的显性模型;通过对仿真结果分析发现,相对于锅炉,涡轮增压机组在快速降负荷过程中出现了明显滞后的现象,甚至可能导致锅炉熄火.     

基于直方图对无损数据隐藏的立体图像编码

将基于直方图对的无损数据隐藏用于立体图像编码,把数据隐藏和3D电视两个前沿研究结合起来.立体图像对中的一幅压缩后,无损嵌入另一幅中,使得3D电视的传输和存储容量减少一半,同时提供3D与2D电视兼容的可能.利用左右图的相关性进行4个参数的最优搜索,取得新的压缩极限.采用多循环方法的直方图对无损数据隐藏,得到较大容量以及较好的图像质量的无损嵌入.     

求解随机二阶锥线性互补问题的期望残差最小化方法

引入期望残差最小化(ERM)方法来求解随机二阶锥线性互补问题.在非负象限内,利用ERM方法求解随机线性互补问题是可行的,为此将非负象限内的随机线性互补问题延伸到二阶锥内.首先,介绍了二阶锥矢量相关的若尔当积及谱分解等预备知识.然后,通过二阶锥互补函数FB函数将随机二阶锥线性互补问题转化为极小化问题.以预备知识为基础证明了若尔当积下的x2与x 2的关系,并进一步证明了离散型目标函数解的存在性与收敛性.最后,证明利用ERM方法解随机二阶锥互补问题是可行的.     

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﹒     

一种改进重采样的粒子滤波盲分离算法

在通信混合信号单通道盲分离技术中,粒子滤波盲分离算法是一大主流算法。针对粒子滤波算法必然存在的粒子退化问题,提出一种结合有效粒子数和残差重采样思想的改进重采样粒子滤波盲分离算法。所提算法在粒子退化,即有效粒子数减少至需进行重采样时,根据有效粒子数的值找出一定数量的权重大的粒子,按每个粒子的权重占总权重的比例复制一定数量的该粒子到新粒子集中。复制后将该粒子权重更新为剩余权重,把所有权重重新归一化,再用传统随机重采样方法复制少量粒子,完成重采样的改进算法,进而得到改进重采样的粒子滤波盲分离算法。仿真结果表明,在粒子滤波单通道盲分离应用中,提出的改进重采样算法与传统随机重采样算法相比,在复杂度近似相同的情况下误码性能提高了约1 dB。