自适应加权的多特征融合ECT图像重建算法

为了解决电容层析成像(electrical cpacitance tomography, ECT)图像重建中电容值与介电常数这一非线性病态问题,提出一种自适应加权的多特征融合(adaptive weighted multi-feature fusion, AWMF) ECT图像重建算法,利用网络模型拟合电容张量和介电常数的非线性映射关系。首先,在网络模型中采用密集卷积网络(DenseNet),不仅缓解梯度消失现象,还融合不同通道的特征信息;添加挤压激励网络(squeeze excitation network, SENet)自适应调整特征通道的权重,用以提取不同通道的关键特征,提高重建图像的精度。其次,构建树形聚合结构（tree aggregation structure network, TASN）网络模块,扩大感受野并提取丰富的多尺度特征信息,消除普通卷积所带来的伪影现象。在COMSOL5.3软件上建模仿真后,通过MATLAB2014a对图像进行重建。实验结果表明,重建图像误差系数降低至0.0256,相关系数提高至0.9717,与传统算法和CNN算法相比,具有更高的图像重建质量。     

高压开关用弹簧操动机构关键部件失效分析

本文通过对弹簧操动机构原理及关键材料物性分析介绍,阐述了操动机构关键部件材料应力仿真分析和凸轮失效分析,给出了弹簧操动机构的设计优化建议,为研究弹簧操动机构失效机理演变及失效规律提供工程应用和指导,具有重要的现实意义。     

考虑车辆充电调度机制的电动公交车充电站规划

针对电动公交车充电站的最佳充电容量难以确定及其充电效率低的问题,提出了一种在站址既定情况下考虑车辆充电调度机制的电动公交车充电站优化规划方法。首先,根据电动公交车的发车状态模拟电动公交车日常运行中的电能消耗,生成电动公交车的总运行负荷时序曲线;然后,基于生成的运行负荷时序曲线,构建充电需求度指标,制定电动公交车的充电调度机制;最后,在满足电动公交车充电需求的同时兼顾充电站精细化规划的要求,建立以充电能力最强、投资运行成本最小、光伏能源综合利用指标最大为优化目标的充电站多目标优化规划模型,并采用小生境多目标粒子群优化算法对该模型进行求解,以确定电动公交车充电站的充电桩数量以及光伏发电系统和配电变压器的容量。工程实例分析结果验证了所提方法的正确性和有效性。     

锁相环同步VSC接入弱网下的低频动态稳定性分析模型与机理研究

基于锁相环(PLL)同步接入弱网的电压源型换流器(WG-VSC)存在由“外环-PLL-弱网”交互主导的低频动态(LFD)稳定问题。为清晰揭示各关键环节及其交互对WG-VSC的LFD影响机理,提出一种等效PLL模型。首先建立了适用于多种典型外环控制模式的WG-VSC的LFD分析的基本模型,该模型包含原PLL环节及耦合了外环、电网强度及VSC运行点信息的“外环-弱网”环节。其次,将“外环-弱网”环节划分为有功侧外环对PLL的影响路径及无功侧外环所引入的对PLL的影响路径,以清晰表征VSC外环与PLL的交互关系。然后,基于LFD主导模态将“外环-弱网”环节简化为一阶环节,并结合原PLL的PI控制环节,得到保持足够LFD分析精度的二阶等效PLL模型,并基于该模型分析和揭示了“外环-PLL-弱网”的交互对WG-VSC的LFD的影响机理。最后,基于详细开关模型的时域仿真结果验证了等效PLL模型的有效性和分析结果的准确性。     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型。BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重。最后采用内蒙古自治区某风电场的历史数据进行提前0~15 min试验。结果表明,提出的IPSO-BiLSTM-AM模型具有较高的预测精度,可以为风电场电力调度与控制提供科学参考。     

航空机载软件全数字仿真测试系统的设计与实现

针对航空机载软件测试环境与开发环境冲突、测试环境可控性和通用性差、非干预性测试困难的问题,分析了全物理实装测试环境、半实物仿真测试环境的优缺点,研究了全数字仿真测试技术,设计并实现了一种航空机载软件全数字仿真测试系统。该系统由仿真核心平台、仿真工具组件、协同仿真组件和人机交互组件构成,提供了航空机载处理器、内存、外设等多种可重用库。提出了基于底层虚拟机的动态二进制翻译技术、协同仿真时间同步和数据通信机制等关键技术,实现了航空机载软件全数字高速闭环仿真运行。工程实践证明,该系统能达到降低硬件设备的依耐性、简化测试环境搭建的复杂度、提高测试效率约42%的目的。     

基于Transformer网络的机载雷达多目标跟踪方法

传统的多目标跟踪数据关联算法需要提前知晓目标运动模型和杂波密度等先验信息,然而这些先验信息在跟踪之前无法及时准确地获取。针对这个问题,提出一种基于Transformer网络的多目标跟踪数据关联算法。首先,考虑到传感器会存在漏检的情况,引入虚拟量测来重新建立数据关联模型。在此基础上,提出基于Transformer网络的数据关联方法来解决多目标与多量测的匹配问题。同时,设计了一种掩蔽交叉熵损失与重叠度损失相结合的损失函数(MCD)用于优化网络参数。仿真和实测数据结果表明:在不同检测概率条件下,所提算法性能均优于经典的数据关联算法和基于双向长短时记忆网络的算法。      

基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

Saliency guided self-attention network for pedestrian attribute recognition in surveillance scenarios

Pedestrian attribute recognition is often considered as a multi-label image classification task. In order to make full use of attribute-related location information, a saliency guided sel-attention network ( SGSA-Net) was proposed to weakly supervise attribute localization, without annotations of attribute-related regions. Saliency priors were integrated into the spatial attention module ( SAM ). Meanwhile,channel-wise attention and spatial attention were introduced into the network. Moreover, a weighted binary cross-entropy loss ( WCEL) function was employed to handle the imbalance of training data. Extensive experiments on richly annotated pedestrian ( RAP) and pedestrian attribute ( PETA) datasets demonstrated that SGSA-Net outperformed other state-of-the-art methods.     

Efficient graph attentional network for 3D object detection from Frustum-based LiDAR point clouds

LiDAR-based 3D object detection is important for autonomous driving scene perception, but point clouds produced by LiDAR are irregular and unstructured in nature, and cannot be adopted by the conventional Convolutional Neural Networks (CNN). Recently, Graph Convolutional Networks (GCN) has been proved as an ideal way to handle non-Euclidean structure data, as well as for point cloud processing. However, GCN involves massive computation for searching adjacent nodes, and the heavy computational cost limits its applications in processing large-scale LiDAR point cloud in autonomous driving. In this work, we adopt a frustum-based point cloud-image fusion scheme to reduce the amount of LiDAR point clouds, thus making the GCN-based large-scale LiDAR point clouds feature learning feasible. On this basis, we propose an efficient graph attentional network to accomplish the goal of 3D object detection in autonomous driving, which can learn features from raw LiDAR point cloud directly without any conversions. We evaluate the model on the public KITTI benchmark dataset, the 3D detection mAP is 63.72% on KITTI Cars, Pedestrian and Cyclists, and the inference speed achieves 7.9 fps on a single GPU, which is faster than other methods of the same type.