基于模糊神经网络的高压电力设备故障预测模型

电力设备作为电力系统的基本要素,对其故障风险预测可以有效降低电网故障风险带来的损失。当前应用的高压电力设备故障预测模型忽略了对高压电力设备信号的盲源分离处理,无法去除虚假故障分量,导致故障预测结果不准确、耗时较长的问题。构建新的基于模糊神经网络的高压电力设备故障预测模型。将小波降噪方法引入到盲源分离中,对高压电力设备信号完成盲源分离和小波分解;通过互信息方法将分解结果中的虚假分量删除;利用插值形态滤波的方式提取故障特征,将其设定为模糊神经网络的输入变量,构建高压电力设备故障预测模型。实验结果验证了所构建的模型在30次实验迭代过程中的误差始终不超过2.5%,均方根误差低于3.4%,预测用时测试结果在14~23 ms之间。数据表明所构建模型的预测精度较高、预测速度更快,具有明显的应用优势。     

卫星激光辅助光学影像立体测绘评估与分析

卫星激光辅助光学影像进行立体测绘是提高无控制测图精度的重要手段。针对美国ICEsat 1和我国高分七号、资源三号03星在轨激光测高载荷,本文从激光辅助光学影像提升高程精度的需求出发,采用激光与立体影像平高分离的区域网平差方法,对比和分析三颗卫星激光用于复合测绘的精度。试验选取天津同一地区的资源三号03星传感器校正立体影像和三颗卫星激光数据,利用15个外业检查点进行精度验证。试验结果显示,利用6～10个ICEsat 1、高分七号、资源三号03星激光点辅助光学立体影像平差后,立体影像定位高程精度分别由原始的464m提升到251m、24m、348m,充分表明,三颗卫星激光数据均可用于进一步提高立体影像高程精度,GF 7卫星激光辅助定位高程精度效果略优于ICEsat 1,ZY3 03星次之。     

基于周期性极化钽酸锂晶体的连续激光倍频技术研究

针对连续激光倍频的需求,对比分析了周期性极化钽酸锂晶体和铌酸锂晶体的非线性光学特性,从技术研究角度确定了周期性极化钽酸锂晶体更适合用于连续激光倍频。依据非线性转换效率和晶体结构安装尺寸,确定了基频激光压缩及倍频激光准直的参数,从保证工程应用的角度选择了81μm极化周期的钽酸锂晶体,设计并实现了双光路倍频,获得了超过5W的540nm连续倍频激光输出。     

提升小波与能量检测联合优化下的频谱感知方法北大核心CSCD

传统的频谱感知方法易受噪声波动的干扰,而且在低信噪比的无线通信条件下检测精度较差。通过结合提升小波去噪与动态门限能量检测算法,能有效提高传统频谱感知方法的抗噪声性能和检测精度。首先对含噪信号进行奇偶抽样,分解信号,去除噪声部分,再重构为去噪新信号,然后通过能量检测方法来统计信号的能量积累,设置动态门限,最后以动态门限判断用户信号是否存在。提升小波去噪能够有效地去除采样信号中的噪声,减少噪声对能量检测法检测精度的影响,动态门限能根据噪声波动进行调整来适应复杂的噪声环境。仿真结果表明,提升小波去噪结合动态门限能量检测算法相比于传统的频谱感知要有更优的检测精度。此方法不但提高了其对不确定噪声的抵抗性,使之能适应复杂的通信环境,而且提高了频谱感知过程的可靠性。     

基于改进的SSD监理目标检测研究

针对装饰装修工程中由人工验收带来的诸多问题,文中提出了一种改进的SSD算法并将其应用于监理工作来代替人工验收,推动智能监理的实现。由于SSD算法存在对同一目标复检以及小目标检测效果欠佳等问题,故文中利用DPN网络替换基础特征提取网络VGG16。DPN结合了Resnet和Densenet的优点,具有更好的特征提取能力。通过加权FPN融合特征图,突出不同层特征图的贡献,丰富用于预测的特征图语义。利用深度可分离卷积降低模型的参数量,提高算法的推理速度。实验对比发现,改进后模型的平均精度提升了3.47%,对小数目检测平均精度的提升可达15%,证明新模型在监理目标检测任务中效果良好。     

标签敏感的多重集正交相关特征融合方法

典型相关分析(CCA)作为一种经典的特征融合方法,广泛用于模式识别领域,其目标是学习相关投影方向使两组变量间的相关性最大,但其没有考虑样本的类标签信息和样本间的信息冗余(MDOCCA),从而影响了融合后特征的监督敏感性和鉴别力。为此,该文提出一种标签敏感的多重集正交相关特征融合方法,该方法在典型相关分析理论基础上,将类标签信息嵌入到特征融合框架,同时加入正交约束确保融合特征最大限度的不相关,减少特征信息冗余,提高鉴别力。在不同图像数据集上的实验结果显示该方法是一种有效的特征融合方法。     

跨谱段SAR散射中心多维参数解耦和估计方法

微波光子雷达发射大带宽跨谱段的信号,为目标的精细电磁特性描述和准确识别提供基础的同时,也亟需与之相应的大带宽大转角情况下的电磁模型参数提取方法.相比窄带条件,跨谱段信号数据量大,所含物理量信息维度高且复杂,大转角情况下距离和方位向耦合.该文提出跨谱段SAR散射中心多维参数解耦和估计方法,首先结合极坐标格式算法(PFA)和属性散射中心模型构造2维解耦波数域散射中心模型,再结合坐标下降法(CDA)将复杂的高维耦合参数估计方法简化为循环迭代的1维参数估计方法,有效降低字典维度和估计复杂度,并引入Hooke-Jeeves算法提高估计精度.最后根据各个散射中心的参数估计结果对它们的结构和位置进行识别,对仿真数据的处理实验验证了该文方法的有效性.     

基于历史梯度平均方差缩减的协同参数更新方法

随机梯度下降算法(SGD)随机使用一个样本估计梯度,造成较大的方差,使机器学习模型收敛减慢且训练不稳定。该文提出一种基于方差缩减的分布式SGD,命名为DisSAGD。该方法采用历史梯度平均方差缩减来更新机器学习模型中的参数,不需要完全梯度计算或额外存储,而是通过使用异步通信协议来共享跨节点的参数。为了解决全局参数分发存在的“更新滞后”问题,该文采用具有加速因子的学习速率和自适应采样策略：一方面当参数偏离最优值时,增大加速因子,加快收敛速度;另一方面,当一个工作节点比其他工作节点快时,为下一次迭代采样更多样本,使工作节点有更多时间来计算局部梯度。实验表明：DisSAGD显著减少了循环迭代的等待时间,加速了算法的收敛,其收敛速度比对照方法更快,在分布式集群中可以获得近似线性的加速。     

能量收集中继安全传输网络的在线功率控制算法

针对源节点和中继节点均采用收集能量供电的放大转发中继网络,考虑两个目的节点之间信息相互保密的场景,该文提出最大化长期时间平均保密速率的源节点和中继节点发送功率联合优化算法.由于能量到达和信道状态是随机过程,该问题是一个随机优化问题.利用Lyapunov优化框架将电池操作和能量使用约束下的长期优化问题转化为每时隙的"虚队列漂移加惩罚"最小化问题,并求解.仿真结果显示该文提出的算法在长期平均保密速率上相较于对比算法具有显著的优势,同时算法仅依赖于当前的电池状态和信道状态信息做出决策,是一种实用的、低复杂度的算法.     

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集.针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法.首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果.针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12％时,新模型的分类准确度可达到91％.