灰色系统建模理论在机床主轴疲劳寿命设计中的应用研究

运用灰色系统的理论及方法，将疲劳应力与寿命的相互制约关系看成一个灰色系统，将疲劳试验的应力水平均匀分成数级，并找出与之对应的安全寿命的白化值。通过对安全寿命值数列的一次累加，生成一个光滑离散函数。据此建立灰色系统模型，并求解灰色系统的微分方程 。通过残差模型的修正，提高模型精度，再运用灰色系统模型的还原模型，可计算出任一应力水平下的安全寿命值。为机床主轴的安全寿命计算提供了新的途径，具有较大的推广应用价值。     

基于FFT的陀螺寻北仪误差补偿

传统提高陀螺寻北仪精度的方法主要是选用高精度陀螺、提高转位精度、增加转位数、通过数字滤波消除外界干扰等,这些方法大多针对寻北仪的某方面误差因素进行改进,而对寻北仪整体的误差特性研究较少。通过对陀螺寻北仪综合误差特性的分析,提出了基于快速傅立叶变换(FFT)的寻北仪误差补偿方法。该方法首先测量出寻北仪的整周误差,然后通过求取FFT系数完成对寻北仪的系统级误差补偿,该方法尤其对寻北仪制造过程中的结构误差和测量元件的常值漂移残差具有良好的补偿效果。经产品验证可以在保持现有陀螺和转位精度不变的情况下,提高寻北精度3倍以上,具有良好的工程实用价值。     

基于灰色残差GM（1，1）模型的建筑物沉降预测的研究

针对现代高层建筑进行沉降观测,对其未来的变形趋势进行准确地预测具有重要的意义。针对传统灰色GM（1,1）模型存在的模型精度不高的问题,提出了灰色残差GM（1,1）模型,并将其应用于对建筑物的沉降变形进行定量分析。通过与原始模型的对比分析可以发现,灰色残差模型在精度上有了显著的提高,更加适用于基础沉降的预测,具有很好的工程应用价值。     

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。     

Re-GAN：残差生成式对抗网络算法

目的 生成式对抗网络（generative adversarial network,GAN）是一种无监督生成模型,通过生成模型和判别模型的博弈学习生成图像。GAN的生成模型是逐级直接生成图像,下级网络无法得知上级网络学习的特征,以至于生成的图像多样性不够丰富。另外,随着网络层数的增加,参数变多,反向传播变得困难,出现训练不稳定和梯度消失等问题。针对上述问题,基于残差网络（residual network,ResNet）和组标准化（group normalization,GN）,提出了一种残差生成式对抗网络（residual generative adversarial networks,Re-GAN）。方法 Re-GAN在生成模型中构建深度残差网络模块,通过跳连接的方式融合上级网络学习的特征,增强生成图像的多样性和质量,改善反向传播过程,增强生成式对抗网络的训练稳定性,缓解梯度消失。随后采用组标准化（GN）来适应不同批次的学习,使训练过程更加稳定。结果 在Cifar10、CelebA和LSUN数据集上对算法的性能进行测试。Re-GAN的IS （inception score）均值在批次为64时,比DCGAN （deep convolutional GAN）和WGAN （Wasserstein-GAN）分别提高了5%和30%,在批次为4时,比DCGAN和WGAN分别提高了0.2%和13%,表明无论批次大小,Re-GAN生成图像具有很好的多样性。Re-GAN的FID （Fréchet inception distance）在批次为64时比DCGAN和WGAN分别降低了18%和11%,在批次为4时比DCGAN和WGAN分别降低了4%和10%,表明Re-GAN生成图像的质量更好。同时,Re-GAN缓解了训练过程中出现的训练不稳定和梯度消失等问题。结论 实验结果表明,在图像生成方面,Re-GAN的生成图像质量高、多样性强;在网络训练方面,Re-GAN在不同批次下的训练具有更好的兼容性,使训练过程更加稳定,梯度消失得到缓解。     

基于YOLOv4的输电线路外破隐患识别算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题, 本文提出基于YOLOv4的输电线路外破隐患识别算法. 该算法采用改进K-means算法对图片样本集目标的大小进行聚类分析, 筛选出符合检测目标特征的锚框, 之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据, 并采用SPP算法对特征图进行处理增加感受野, 提取更高层次的语义特征. 最后结合实际的输电线路现场监控图片, 测试结果表明该算法能够及时准确检测到外破隐患.