一种改进残差重采样算法的研究

粒子滤波算法对非线性非高斯系统有很好的估计性能,但是存在较为严重的退化问题.重采样算法的提出,有效缓解了粒子滤波器的退化问题.但重采样算法本身也存在一定问题,针对残差重采样和残差系统重采样算法进行研究,并提出改进算法.该改进算法避免了残差重采样算法中的残留粒子重采样问题,减少了运算量,提高了运行效率.仿真结果表明该算法的运行效率明显高于残差重采样和残差系统重采样2种算法,并且随着粒子数目的增加,这种优势表现地更加显著.     

基于视觉注意力模型的红外人体图像兴趣区域提取*

由于红外人体图像所处背景的复杂性,使用阈值分割定位红外人体图像往往把大量的非人体图像一起分离出来,这给后续工作带来了巨大的计算量.研究了红外人体图像的典型特点和人眼视觉判断人体轮廓图像的敏感特征,使用该特征建立了简单的人眼视觉对人体的注意力模型,并构建特征判别概率函数,对待定目标进行概率的估算,最终使用该模型快速地剔除非人体红外图像的干扰,并准确地定位人体兴趣区域.     

基于K-SVD的低信噪比WMSN视频图像稀疏去噪

无线多媒体传感器网络WMSN因感知视频等信息的优势而被广泛应用,但受天气、光照等外因干扰,所采集视频图像常含有较为严重的噪声。因此,在低信噪比条件下进行视频图像去噪是保证WMSN视频监测有效性和可靠性的关键。在分析WMSN视频图像特征的基础上,首先对其进行周期性采集、分帧及帧差等预处理;然后对关键帧运用K SVD训练DCT冗余字典以充分稀疏表示图像特征,并采用基于残差比的改进型Batch OMP实现关键帧去噪及重构,而对残差帧则基于DCT冗余字典进行稀疏去噪处理;最后,叠加去噪后的关键帧和残差帧,从而整体上实现低信噪比WMSN视频图像的去噪及重构。实验表明,本算法能更加有效地、较为快速地滤除视频图像噪声,适用于低信噪比WMSN视频图像去噪。     

支持向量机补偿的多因素灰色模型话务量预测

为了提高对话务量的预测精度以及建模的速度,针对当前移动通信话务量预测受到多种因素的影响,提出了基于支持向量机残差补偿的多因素灰色话务量预测模型。该模型通过灰色关联分析法确定影响话务量的主因素变量,然后用多变量灰色模型进行预测,再用粒子群优化的最小二乘支持向量机进行残差序列预测,以实现残差补偿。实验结果表明,该预测模型具有所需样本小、预测精度高的优点,为话务量网络管理提供了一种新的预测工具。     

一种基于非残差估计线性表示模型的人脸识别

Dantzig selector利用样本与残差之间的相关向量的L!范数来约束线性表示模型,为了克服传统的线性表示在处理表示残差时依赖于一个对残差特定的似然估计这一缺陷将这样一种处理残差的思路用于人脸识别,提出了一种基于Dantzig selector模型的人脸识别算法,并对Dantzig selector的一种有效的求解方法进行研究。在常用人脸库上实验表明,基于Dantzig selector人脸识别算法在不需要对残差进行估计的情况下也能取得了很好的识别效果。     

基于高光谱数据和雷达融合的滑坡信息提取

为了改进微地形滑坡遥感影像分类技术,从而提高微地形滑坡遥感信息提取的精度,采用湖北宜昌部分地区的无人机航拍高光谱影像(HSI)和激光雷达(LiDAR)数据作为研究数据源,并对高光谱和LiDAR数据进行融合,最后采用结合注意力模块(CBAM)的卷积神经网络(CNN)方法,对融合后的数据进行滑坡信息提取。研究表明,利用高光谱和雷达数据的优势,可以更准确地提取滑坡信息。     

基于注意力机制的多尺度卷积神经网络电机轴承故障诊断

针对现有的卷积神经网络(Convolutional Neural Network,CNN)故障诊断方法只能提取单尺度特征,丢失了故障敏感信息,无法正确表达电机轴承的健康状态的问题,提出了注意力机制的多尺度卷积神经网络(Multi-scale Convolutional Neural Network,MSCNN)故障诊断方法,将多尺度特征提取整合到传统的CNN结构中。通过不同尺寸的卷积核捕获信号的多尺度特征,使模型获得多样性的特征表达;引入注意力机制(Attention Mechanism,ATT),对提取的特征自适应的评分和赋值,将注意力集中在敏感特征上,让模型学习到高级特征;最后利用公开数据集进行实验验证,结果表明,所提方法诊断精度高,具有较好的泛化性能。     

基于多通道Transformer的交通量预测方法

目前,我国高速公路拥堵程度居高不下,而交通流预测作为实现智能交通系统的重要一环,若能对其实现高精度的预测,那么将能够高效地管理交通,从而缓解拥堵。针对该问题,提出了一种考虑时空关联的多通道交通流预测方法（MCST-Transformer）。首先,将Transformer结构用于不同数据的内在规律提取,然后引入空间关联模块对不同数据间的关联特征进行挖掘,最后,借助通道注意力整合优化全局信息。采用广东省高速公路数据,实现了两小时内92个收费站的高精度流量预测。结果表明：MCST-Transformer优于传统机器学习方法以及部分基于注意力机制的时间序列模型,在120 min预测跨度下,相比贝叶斯回归,MAPE降低了5.1%;对比Seq2Seq-Att以及Seq2Seq这些深度学习算法,所提方法的总体MAPE也能降低0.5%,说明通过多通道的方式能够区分不同数据的特性,进而更好地预测。     

基于稀疏特征改进的单视图表面重建

基于深度学习的单视图三维重建是当前的研究热点。为重建出更多的高频细节,SDF-SRN算法引入了位置编码,但在缺乏精确监督时,网络容易过拟合而导致凹凸不平的重建结果。针对这个问题,提出一种基于稀疏特征的网络模型,该模型凭借残差学习机制,令容易过拟合的网络预测高频残差。通过特征提取网络得到稀疏特征和全局特征,稀疏特征输入到一个超网络中生成预测浅头,该浅头负责预测符号距离函数的低频部分,而全局特征输入到另一个超网络生成另一个浅头来预测高频残差,这两部分通过权重因子构成最终的符号距离函数。频谱分析表明实验结果达到了相应的设计目的;与不同平滑表面重建方案对比,基于残差学习的平滑重建方案可以实现更平滑的表面重建,克服了SDF-SRN过拟合的问题,同时保留足够的细节;与其他先进的单视图重建方法的定性和定量对比结果证明了该方法的优越性。     

基于注意力和卷积特征重排的图像修复

近年来,基于UNet与GAN（生成对抗网络）的深度学习网络模型在图像修复领域展现出了独特的优势,但是修复结果中仍然存在伪影、模糊、纹理细节退化、对于大面积破损难以修复、修复后的孔洞与背景图像不相容等现象。为了解决现有模型对大面积破损图像修复不友好以及修复后的图像存在退化现象等问题,通过对现有方法进行研究,改进了Shift-UNet（移位网络）模型：在UNet与GAN的基础上,在每一层编码器和解码器之间增加了改进之后的注意力机制Attention-UNet并融入shift-UNet,形成Attention-Shift-UNet;并且通过研究,将原来下采样部分的激活函数由Leaky_ReLU改为了SiLU函数。改进模型不仅在64×64的中心遮罩上取得了较好的效果,还实现了随机遮罩,遮罩面积由20%增加到80%。通过实验结果证明,该模型的修复效果更优,特别是针对大面积破损图像的修复。在CelebA、ParisArchitecture以及Paris Streetview数据集上经过测试,各评价指标都有明显的提高,其中结构相似性（SSIM）由原来的0.944 5提高到0.947 1,峰值信噪比（PSNR）由原来的27.992 7提高到28.553 6,L2损失由原来的0.001 7降低到0.001 5。