极大并联阈值网络中噪声改善信号的相关性

讨论了极大并联阈值网络中噪声改善信号相关性问题。当输入噪声为单峰高斯噪声时,输入信号在阈下时噪声才能改善信号的相关性,即随机谐振现象存在。而当输入噪声为双峰高斯混合噪声时,不仅输入信号在阈下时随机谐振现象有时存在,而且输入信号在阈上时噪声往往也能改善信号的相关性,即阈上随机谐振现象存在。噪声改善信号相关性随着网络中单元数的调整而改善。这些结果进一步说明了随机谐振或阈上随机谐振对噪声分布的依赖性,同时也拓广了随机谐振或阈上随机谐振在数字信号处理方面的应用。     

基于DSP的工业噪声检测及分析

工业噪声对于人们的身心健康影响是非常大的，介绍了基于DSP的噪声检测方法，并且利用该系统对工业噪声进行实际检测，分析了噪声的来源和对于人体的危害，给出了比较实用的降低工业噪声危害的方法。     

有色量测噪声下带广义未知扰动的递推上限滤波

针对博弈对抗环境下利用快速采样雷达进行非合作目标跟踪带来的有色噪声和未知干扰共存问题, 本文提出有色量测噪声下带广义未知扰动的随机动态系统递推上限滤波. 这里, 有色量测噪声用于描述由于快速采样或持续干扰带来的噪声相关性, 广义未知扰动用于建模博弈对抗对雷达观测带来的异常影响(先验信息缺失). 针对所考虑系统, 通过参数优化实现状态估计误差协方差上限(而不是理论值)的在线递推, 提出有色噪声下上限滤波(CU-BF), 给出状态估计误差协方差最小上限的近似实现, 讨论了所提CUBF的存在性条件. 在具有时变未知扰动和有色量测噪声的目标跟踪仿真中验证了所提方法的有效性.     

基于相机感知距离矩阵的无监督行人重识别

在跨场景、跨设备的行人重识别中虽然增加了可利用的行人数据,但由于行人姿态不同、部分遮挡现象,难以避免引入样本噪声,在聚类过程中易生成错误的伪标签,造成标签噪声,影响模型的优化。为减弱噪声影响,应用相机感知的距离矩阵对抗相机偏移引起的样本噪声问题,利用对噪声鲁棒的动态对称对比损失减少标签噪声,提出基于相机感知距离矩阵的无监督行人重识别算法。在聚类前通过更改度量行人特征相似度的距离矩阵,利用相机感知距离矩阵来增强类内距离度量准确性,减少由于拍摄视角不同对聚类效果造成的负面影响。同时,结合噪声标签学习方法,进行损失设计,提出动态对称对比损失函数,联合损失训练,不断精炼伪标签。在DukeMTMC-reID和Market-1501两个数据集上进行实验,验证了提出方法的有效性。     

基于改进遗传算法的对抗样本生成方法

对抗样本是评估模型安全性和鲁棒性的有效工具,对模型进行对抗训练能有效提升模型的安全性。现有对抗攻击按主流分类方法可分为白盒攻击和黑盒攻击两类,其中黑盒攻击方法普遍存在攻击效率低、隐蔽性差等问题。提出一种基于改进遗传算法的黑盒攻击方法,通过在对抗样本进化过程中引入类间激活热力图解释方法,并对原始图像进行区域像素划分,将扰动进化限制在图像关键区域,以提升所生成对抗样本的隐蔽性。在算法中使用自适应概率函数与精英保留策略,提高算法的攻击效率,通过样本初始化、选择、交叉、变异等操作,在仅掌握模型输出标签及其置信度的情况下实现黑盒攻击。实验结果表明,与同是基于遗传算法的POBA-GA黑盒攻击方法相比,该方法在相同攻击成功率下生成的对抗样本隐蔽性更好,且生成过程中模型访问次数更少,隐蔽性平均提升7.14%,模型访问次数平均降低6.43%。     

结合感知损失与双重对抗网络的低剂量CT图像去噪

低剂量计算机断层扫描（LDCT）成像技术在医学诊断中得到广泛应用,但其斑纹噪声和非平稳条纹伪影复杂,目前多数算法仅依靠推断条件后验概率来实现图像去噪,无法应对LDCT图像噪声复杂、数据量少、先验知识缺乏的问题。提出一种结合感知损失的双重对抗网络去噪算法,以实现LDCT图像复原。该算法包含一个去噪器和一个生成器,分别从图像去噪和噪声生成2个角度来建模干净-噪声图像对的联合分布,通过联合学习使得去噪器和生成器相互指导,从而充分学习数据中的噪声信息和清晰图像信息,且学习到的去噪器可以直接用于LDCT图像修复。考虑到通过感知损失学习语义特征差异可以使去噪结果保留更多的细节和边缘信息,提出一种掩膜自监督方法,针对CT图像域训练一个语义特征提取网络用于计算感知损失。实验结果表明,与BM3D、RED-CNN、WGAN-VGG等主流去噪算法相比,该算法可以有效抑制噪声并去除伪影,最大程度地保留边缘轮廓和纹理细节,产生更符合人眼视觉特性的去噪效果,与当下LDCT图像去噪性能较好的SACNN算法相比,所提算法的PSNR和SSIM指标分别提升1.26 dB和1.8%。     

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.     

多视图动量对比学习算法

比较同一图像不同增强的相似性是对比学习取得显著成果的关键。传统对比学习方法使用了图像的两个不同视图,为了学习到图像更多的信息以提高分类准确率,在MoCo(momentum contrast for unsupervised visual representation learning)的基础上,提出了一种多视图动量对比学习算法。每次迭代中,对于图像的多个数据增强分别使用一个查询编码器和多个动量编码器进行特征提取,使得本次迭代可以使用更多的数据增强和负样本。使用优化的噪声对比估计(InfoNCE)来计算损失,使得查询编码器能得到更有益于下游任务的特征表示。对查询编码器使用梯度回传更新网络,对各动量编码器使用改进的动量更新公式以提高模型的泛化能力。实验结果表明,使用多视图动量对比学习可以有效提高模型的分类准确率。     

马尔可夫跳变线性系统最优控制的研究现状与进展

马尔可夫跳变线性系统（MJLS）是一种具有多个模态的随机系统,系统在各个模态之间的跳变转移由一组马尔可夫链来决定。MJLS模型因其在表示过程中可以产生突变而更能精确的描述实际工程应用中的系统。近年来,MJLS的最优控制问题成为了研究的热点,动态规划、极大值原理以及线性矩阵不等式等成为了解决此类问题的主流方法。本文对MJLS最优控制领域的研究现状进行了综述。分别对一般情况下、带有噪声的情况下、带有时滞的情况下以及某些特定情况下的MLJS最优控制问题的国内外研究现状进行论述。最后进行了总结并提出MJLS最优控制领域未来值得关注的研究方向。     

基于游程统计的含噪图像分割效果评价方法

含噪图像的分割效果与其干扰噪声强度有着紧密的联系。为了对含噪图像的分割效果进行量化计算和分析,首先定义了一个评价含噪图像分割结果的差异函数,该函数值反映了含噪图像的分割结果和原始图像的分割结果之间的差异程度。同时,根据序列随机性检验方法中的游程测试方法,给出了一种针对含噪图像分割效果评价的方法,该方法基于分割图像的二值化灰度矩阵游程统计量,定义了评价图像分割效果的游程函数,在对含噪图像的分割效果进行评价时,可以计算分割图像的游程函数来进行量化比较。对含噪灰度图像的分割结果与相应的差异函数和游程函数之间的关系进行了实验分析,结果表明,差异函数和游程函数不仅表达简单、计算便捷,而且能够准确反映出含噪图像的干扰噪声强度和分割的结果图像之间的变化关系。