基于高斯–广义双曲混合分布的非线性卡尔曼滤波

本文研究带非平稳厚尾非高斯量测噪声的非线性系统状态估计问题.考虑到广义双曲分布包含多种常见厚尾分布特例,且其混合分布为共轭的广义逆高斯分布,选用广义双曲分布建模厚尾噪声;进而引入伯努利变量构建高斯–广义双曲混合分布来建模非平稳厚尾噪声,并利用该分布的高斯分层结构得到系统的概率模型.随后采用变分贝叶斯方法实现对系统状态以及噪声参数的后验估计,得到针对此类噪声系统的卡尔曼滤波(Kalman filter, KF)框架,现有的几种鲁棒滤波算法均是本文算法的特例.机器人跟踪仿真实验表明,所提算法与同类算法相比具有更好的估计精度和数值稳定性,且对于初始参数具有较好的鲁棒性.     

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%。     

反激变换器开关噪声抑制策略

多用于小功率辅助电源的反激变换器拓扑,功率器件的导通及关断噪声在高压输入的情况下更加严重,甚至导致芯片无法正常工作。首先分析了反激变换器噪声的产生机理,通过控制变压器漏感,结合变换器负载条件以抑制输出导通噪声;其次,利用TL431及光耦变换器特性,设计可变补偿网络,从环路控制方面补偿漏感变化造成的系统性能降低;最后,搭建输入430 V～650 V,多路输出共10 W的反激辅助电源,实验结果验证了设计的可行性与正确性。     

船舶噪声干扰下基于LS线性回归的水声频率估计算法

针对船舶噪声干扰和离散傅里叶变换带来的栅栏效应问题,提出基于最小二乘线性回归的水声频率估计算法。算法利用离散傅里叶变换实现接收信号的频率粗估计,对得到的频率粗估计误差信号进行加窗求和,再利用最小二乘线性回归,得到频率粗估计的误差,最终实现频率的精准估计。仿真结果表明,所提算法在低信噪比下也能实现频率的精准估计,水箱和胶州湾水下试验验证了所提算法在船舶噪声干扰下的有效性。     

稀疏约束的时空正则相关滤波无人机视觉跟踪

目的 基于相关滤波的跟踪算法在无人机(unmanned aerial vehicle,UAV)视觉跟踪领域表现出卓越的性能。现有的相关滤波类跟踪算法从样本区域的所有特征中学习滤波器,然而某些来自遮挡或形变的特征可能会污染滤波器,降低模型判别能力。针对此问题,提出一种稀疏约束的时空正则相关滤波跟踪算法。方法 在相关滤波目标函数上施加空间弹性网络约束以自适应地抑制跟踪过程中的干扰特征,同时集成空间—时间正则相关滤波算法(spatial-temporal regularized correlation filter,STRCF)中的时间正则项以增强滤波器抑制畸变的能力。采用交替方向乘子法(alternating direction method of multipliers,ADMM)将带有约束项的目标函数转化为两个具有闭式解的子问题迭代求局部最优解。此外,提出一种相关滤波框架通用的加速策略,根据当前帧的目标位移量,对检测定位阶段的特征矩阵进行等距离的循环移位,将其作为在线学习阶段的特征矩阵,每帧可节省一次训练样本的特征提取操作,提高跟踪速度。结果 在3个UAV数据集上与14种主流跟踪算法进...     

基于改进维纳滤波的自适应电力线通信降噪方法

针对电力载波通信过程中被传输信号受因负荷波动变化导致产生的噪声,且负荷噪声占比明显,进而影响通信质量的情况,文章提出一种基于改进维纳滤波的自适应电力通信降噪方法。该方法首先根据负荷波动规律,利用维纳滤波最小均方误差准则,求取最佳线性滤波器参数,即滤波器的输出信号与期望信号之差的均方值最小;再利用上一时间序列得到的信号,求取此刻滤波器得到信号梯度;最后将梯度值作为维纳滤波的阈值,作为下一期望信号的百分比,从而得到误差最小的真实信号。实验结果表明：文章改进滤波算法得到的信号准确率相对原始信号平均提高了28.3%。     

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。     

基于深度强化学习的动态装配算法

针对动态装配环境中存在的复杂、动态的噪声扰动,提出一种基于深度强化学习的动态装配算法。将一段时间内的接触力作为状态,通过长短时记忆网络进行运动特征提取;定义序列贴现因子,对之前时刻的分奖励进行加权得到当前时刻的奖励值;模型输出的动作为笛卡尔空间位移,使用逆运动学调整机器人到达期望位置。与此同时,提出一种对带有资格迹的时序差分算法改进的神经网络参数更新方法,可缩短模型训练时间。在实验部分,首先在圆孔–轴的简单环境中进行预训练,随后在真实场景下继续训练。实验证明提出的方法可以很好地适应动态装配任务中柔性、动态的装配环境。     

基于标签噪声鲁棒学习的疾病风险预测

疾病风险预测能够筛查易患人群, 并在早期进行预防干预措施以降低疾病的发生率及死亡率. 随着机器学习技术的快速发展, 基于机器学习的疾病风险预测得到了广泛应用. 然而, 机器学习十分依赖于高质量的标注信息, 医疗数据中存在的标签噪声会给构建高性能的疾病风险预测算法带来严峻挑战. 针对这一问题, 本文提出了一种基于深度神经网络和动态截断损失函数的噪声鲁棒学习方法用于疾病风险预测. 该方法引入动态截断损失函数, 融合了传统交叉熵函数的隐式加权特性和均方差损失函数的标签噪声鲁棒性; 通过构造训练损失下界, 并引入样本动态加权机制减小可疑样本的梯度, 限制可能的带噪样本在训练过程中的权重, 进一步增强模型的鲁棒性. 以脑卒中筛查数据集为例进行实验, 结果表明本文算法在各个标签噪声比例下均能取得良好的预测性能, 可降低疾病风险预测中标签噪声的负面影响, 实现了带有标签噪声数据的鲁棒学习.     

陆表比辐射率对遥感陆表温度反演结果的影响分析

陆表比辐射率（Land Surface Emissivity,LSE）是衡量物体表面以热辐射形式释放能量相对强弱能力的物理量,是影响遥感陆表温度（Land Surface Temperature, LST）的重要基本参数之一。为了分析不同条件下LSE对遥感LST反演结果的影响,基于Himawari8AHI (Advanced Himawari Imager, AHI)的分裂窗通道热红外遥感数据,采用Wan及Dozier的分裂窗算法,研究陆表温度反演结果对LSE的敏感性。首先,对LSE产品分别加入不同均值和标准差的高斯噪声,以此代表LSE不同的误差水平;然后,在其他条件不变的情况下,将带不同噪声的LSE和不带噪声的LSE分别输入分裂窗算法进行LST的反演;最后,分析不同时间、不同水汽、不同观测角度和不同下垫面条件下,LSE对LST的影响。结果表明：(1)无论白天、夜间还是日均LST,输入添加噪声的LSE较输入原始的LSE反演所得的LST数值总体略低,而且随着所添加噪声标准差的增大,所得LST差值的标准差增大。当LSE的噪声标准差为0.01时,所得白天、夜间和日均LST差值的标准差分别为0...