触觉交互界面作为用户与系统之间的重要沟通窗口,不仅能够满足用户对简单化、自然化的人机界面的需求,也是实现 直接、高效完成任务的关键因素。 触觉反馈驱动器作为触觉交互过程中的核心部件,能够模拟或复现多种形式的触觉信息,提 高用户在操作过程中的临场感与真实感。 近年来,柔性触觉反馈驱动器凭借着其轻量、柔顺、适应性强等特点,在人机交互场景 中展现了广阔的应用前景与价值。 首先,根据柔性触觉反馈驱动器对皮肤刺激形式的不同分为电刺激、机械刺激、热刺激 3 类, 并进一步重点阐述了各类驱动器的最新研究进展,主要包括了各类驱动器的驱动原理、结构设计、反馈形式等。 进一步地,介绍 了基于柔性触觉反馈驱动器所开发的触觉反馈设备在虚拟现实、遥操作、医疗等领域的应用。 最后,对当前柔性触觉反馈驱动 器所面临的问题与挑战进行了总结,并对未来的发展趋势进行了展望。
蝶形磁致伸缩膜由于磁汇聚,其中心区域的磁致伸缩应变增强,但是和矩形 AT 切石英晶片复合时,磁膜耦合至矩形晶 片电极区的应变会向周围无磁膜区域扩散,降低应变对晶片厚度剪切振动的作用,降低磁场传感器灵敏度。 提出 AT 切石英晶 片和 FeGa 膜形状一样的蝶形谐振磁场传感器,蝶形晶片可以将蝶形磁膜增强的晶片应变汇聚至晶片电极区,以提高传感器灵 敏度。 仿线 Oe 的磁场范围内,蝶形结构的灵敏度为蝶形磁膜/ 矩形晶片结构的 3. 73 倍。 通过微机械 加工,制作了蝶形器件,对实际器件测试的结果表明,在 76. 4~ 117 Oe 的线性区间内,蝶形传感器的灵敏度可达-29. 08 Hz/ Oe。
为了解决传统压电能量收集系统通频带窄、功率密度低的问题,本文采用线性多模态共振法,提出一种双圆弧悬臂梁内 外反向拼接的压电能量收集系统。 两根梁上各覆盖一个压电层,压电层之间串联连接。 建立二自由度系统集总参数模型和机 电耦合模型来分析频率响应和输出性能。 对比压电层弧度不同的压电能量收集系统的输出性能,根据测试结果,当弧度为 0. 5π 时输出性能最佳。 设置激励加速度为 0. 1 g,一阶模态下,谐振频率为 82. 19 Hz,开路电压为 49. 65 V,最大输出功率为 3. 74 mW;二阶模态下,谐振频率为 119. 14 Hz,开路电压为 44. 74 V,最大输出功率为 3. 54 mW。 测试结果表明,该结构可有效 拓宽通频带宽度至 52 Hz,且功率密度高。 该压电能量收集系统结构简单易于制备,工作频带宽,可在频率波动大的环境下供 电,同时体积小、功率密度大,能在多方向激励下高效率收集能量,可应用于可穿戴设备、低功率设备等多个领域。
针对传统电涡流传感器体积大、无法直接测量真实电磁间隙等问题,提出了一种基于电磁铁复合线圈的磁浮车悬浮间 隙检测方法。 首先,分析了悬浮系统等效电磁间隙检测原理,针对电磁铁和 F 轨表面高频涡流对复合线圈磁场耦合作用建立了 复合线圈等效阻抗模型。 其次,通过有限元仿真优化了复合线圈激励频率和复合线圈间隙检测系统结构以提高检测灵敏度,设 计了谐振检测电路和信号解调电路有效抑制了悬浮系统与间隙检测系统之间的串扰。 最后,进行了静态性能测试和悬浮实验, 校正后的线% ,恒定间隙时静态输出最动峰峰值为 89 μm,悬浮系统能够在给定间隙、阶跃扰动和偏移扰动的不 同工况下稳定悬浮。 实验结果表明,间隙检测的响应速度和检测误差均满足系统要求。
锂离子电池(LIBs)在电气化交通、电化学储能和移动电子产品等领域广泛使用,精准评估其健康状态( SOH)是确保安 全可靠应用的基础。 数据驱动法是当前评估 SOH 的主流方法,该方法无需考虑电池内部复杂的物理化学反应,依赖于直接的 数据分析,且具有较高的精度。 本文从锂离子电池 SOH 影响因素入手分析了基于数据驱动的电池 SOH 估计方法的研究现状, 着重比较了机器学习、滤波器和时间序列等方法实施 SOH 估计的原理、优缺点。 最后,针对电动汽车实际应用场景,对 SOH 估 计方法的未来发展趋势进行了展望。
针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致 诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。 该方法将源域和目标域一维振 动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示 特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征 进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不 同工况下谐波减速器的故障诊断。 通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均 准确率可达 98. 8% ,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。
工业过程中传感器数量众多且可靠性要求高,而传统定期检测评估其健康状况的方式不但费时费力且不能满足传感器 智能化的发展需求。 针对这一问题,提出了一种基于测量数据统计相关性的传感器自诊断设计方法。 利用传感器测量数据建 立其统计关系模型,借助自编码器提取传感器数据特征并将其编码为二进制形式。 在同时考虑传感器测量数据统计独立和统 计相关两种情况下,在有参考值时,通过引入故障检测概率和误检概率建立了独立统计模型实现传感器的故障自诊断;在无参 考值情况下,借助高斯 Copula 函数建立多元统计依赖模型评估参数之间的相关性,并利用贝叶斯理论在不依赖参考值的情况 下自学习获取传感器的健康状况。 本研究以镍闪速炉系统为例,两种模式下测量系统中健康传感器的故障检测后验概率达到 了 0. 92,即故障统计模型的参数与建模期望相符。 实验结果表明,所提方法在两种模式下均能准确识别出测量系统中的故障 传感器,验证了所提方法的有效性与可行性。
轴承作为电机的核心部件, 主要起到支撑引导轴、 减小设备摩擦、 连接不同设备等作用, 其剩余寿命预测对系统健康 管理起着十分重要的作用。 针对单一传感器信号通常难以全面描述系统的潜在退化机制, 论文提出一种基于多头注意力机制 和长短时记忆神经网络的电机轴承剩余寿命预测模型。 首先, 基于马氏距离确定轴承性能退化起始点, 将滚动轴承全寿命周 期分为正常阶段与退化阶段; 其次, 使用自编码器自动提取振动信号特征, 并将其与电机电流、 轴承温度融合, 构成多源信息 特征矩阵; 然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征, 提高寿命预测的准确性。 最后, 采 用实验数据进行验证, 结果表明所提出的模型具有更高的准确性。
用于机械振动监测的无线传感器网络节点的微控制器需要进行复杂的边缘计算,然而硬件资源受到限制。 卷积神经网 络作为一种性能优越的深度学习算法,若将其运行在 MCU 上可增强边缘 WSN 节点的计算能力。 本文提出了一种不修改 CNN 模型的层次分解方法,解决了难以在资源受限的 MCU 上运行不轻量化 CNN 的问题,实现了机械振动 WSN 节点的计算能力增 强。 首先通过设计文件结构用于分解并存储 CNN 模型参数,然后提出内存管理方法并推导随机存取存储器的消耗过程,最后 提出参数定位方法准确高效地读取模型参数。 实验表明仅使用 1. 76 KB RAM 与 2. 14 KB Flash,在 3. 15 ms 内便可实现高准确 率的边缘计算识别任务。
针对万能式断路器退化过程的不确定性,考虑到振动信号对机械性能退化的完善表征,提出了一种基于卷积变分自编 码(CVAE)和多头自注意力机制(MSA)的断路器分闸机械机构寿命预测方法。 首先依据断路器不同的事件区间提取参数特 征,再通过 CVAE 挖掘信号成分中的深度特征,将参数特征与深度特征融合得到完备退化特征,最后建立 GRU-MSA 的定量寿 命预测模型,引入了多头自注意力机制,在多个不同表征子空间中捕捉信号的不同依赖关系,对重要的时间步赋予更大的权重。 最后利用 3 台试品的振动信号测量数据对所提断路器分闸机械机构寿命预测方法进行测试,结果表明,所提出的方法在 3 个数 据集中寿命预测均方根误差(RMSE)分别为 141. 46、128. 75 和 134. 16,平均绝对误差(MAE)分别为 112. 17、101. 52 和 106. 22, 预测精度高且稳定性好,相对于其他混合预测模型更具优势。
针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精 度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。 首先,通过高效通道注意力机制提升 特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在 对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间 正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最 后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。 在 PRONOSTIA、XJTU-SY 和自测数据 集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自 适应方法效果提升 20% 至 40% 。
针对海上风电场和高海拔地区风机机组的叶片覆冰故障模型精度低、建模速度慢等问题,提出一种基于 LeNet5like 的 迁移学习风电机组叶片覆冰故障诊断方法。 首先,整合监控和数据采集系统的记录数据与风机覆冰情况进行预处理,建立训练 数据集;其次,基于改进后的 LeNet5like 网络构建覆冰故障诊断模型,提取数据集中多变量间的相关性特征信息;然后,经网络 参数微调迁移学习对模型进行训练,实现对其他风机覆冰故障诊断模型的快速建立;最后,经实验验证,该模型覆冰故障诊断准 确率为 98. 90% ,较无迁移模块网络训练时间缩短 28 s,提升约 15. 91% ,验证了基于 LeNet5like 的迁移学习风电机组叶片覆冰 故障诊断方法的精确性和快速性。
电子顺磁共振(EPR)技术是研究具有未成对电子的顺磁性物质的电子结构与动力学信息的有效分析方法,广泛应用于 生物医药、化学、材料科学、辐射检测与量子信息处理等领域。 与传统的 X 波段(9. 5 GHz)EPR 相比,高频 EPR 具有更高的分 辨率、灵敏度与初始化效率等诸多优势,在研究分子中电子自旋的量子性质方面具有重要应用价值。 简要介绍了高频高场电子 顺磁共振技术的发展、原理、特点与仪器构造等,重点介绍了其在自旋量子态研究中的应用,并对其未来进行了展望。 高频高场 电子顺磁共振技术可详细表征分子中电子自旋的磁能级结构并对其进行高效精准的量子相干操控,进一步可演示量子算法与 逻辑门等。
随着我国能源需求的不断提升以及钻探环境的日益复杂化,开展高精度的烷烃类气体浓度检测对于提高油气勘探效率 具有重要意义。 光谱录井技术具有烃类气体检测快速、准确等优势,已成为石油勘探过程中备受关注的研究热点。 针对录井气 体红外光谱由于饱和吸收、噪声干扰、基线漂移等方面引起的非线性问题,提出了多层非线性局部感受野极限学习机(NM-LRFELM)模型。 该模型将一维光谱数据转换为二维矩阵格式,利用局部感受野的数据处理方式在输入与隐藏层之间实现非线性特 征提取。 同时,引入改进的 T-sigmoid 激活函数,并在全连接层后加入 dropout 层来降低模型的过拟合风险。 模型的特征提取与 定量分析呈一体化结构,直接输出定量分析预测值。 采集了两组共 407 个混合烷烃气体样本的红外光谱作为实验数据集,进行 定量分析实验。 实验结果表明,相较于滑动窗口类与灰狼优化定量分析模型,该模型的训练时间显著减少了 90% 以上。 即使在 同系物的非线性干扰下,模型的预测精度仍低于系统误差。 因此,提出的方法有助于在现场环境变化复杂的情况下,降低未知 气体的非线性干扰,提高对目标气体的红外光谱检测精度。
气液两相流存在于核反应堆蒸发、飞行器冷却、化工生产降膜蒸发等过程,界面波的动态测量对工业过程监控和生产优 化具有重要意义。 界面波的准确识别与特性参数测量是开展科学研究与工程实践的重要前提。 基于超声相控阵测量系统,设 计了扇扫的测量方式,可以用于气液界面清晰的流型中液膜厚度和界面波形态三维测量。 通过静态标定和圆管验证,确定了像 素点和液膜厚度之间的关系,在气相表观流速为 0. 071 9~ 0. 431 6 m/ s,液相表观流速为 0. 056 7~ 1. 416 1 m/ s 的工况下进行实 时动态实验,获得了实时流动过程中较高精度的截面气液相界面信息,并构建了管道内部界面波三维分布形态,为界面波特性 研究提供了一种实验参考方法。
主动学习能够以更少的标注成本训练出更好的机器学习模型。 现有的 RD 算法与 QBC 算法的结合有效地解决了只考 虑单一标准的问题。 然而,RD 所基于的 K-means 聚类会将离群点也包括在内进而造成模型性能降低,而 QBC 则需要维护于多 个模型而间接返回样本的信息性. 针对上述问题,本文提出了一种基于自适应密度聚类的高斯过程回归(ADC-GPR)算法,通过 先聚类后直接利用不确定性进而高效选择样本。 该算法中的 ADC 聚类不仅对离群点鲁棒,还能根据数据集分布特性自适应聚 类,并为后续的 AL 提供了代表性样本点和其对应的簇,该方法在无监督选择时保证了代表性和多样性,在有监督选择时考虑 了信息性、代表性和多样性。 实验结果表明,在相同的抽样次数下将 ADC-GPR 算法与 RS、KS 以及 RD-GPR 算法相比,其平均 性能分别提升了 37. 3% 、8% 和 2. 8% ,ADC-GPR 算法的选择效率更高。
绝大多数大型望远镜采用分块镜的设计方案,为了获得优质的成像效果,需要控制分块望远镜系统的 piston 和 tip-tilt 误差。 神经网络误差检测方法相较于传统的检测方法具有一定优势,但存在仅检测单一类型误差的局限性。 本文提出一种基 于卷积神经网络的 piston 和 tip-tilt 误差同步检测方法,通过在出瞳面设置具有离散孔的光阑,引发分段镜反射的子波发生干涉 -衍射现象,构建包含丰富 piston 和 tip-tilt 误差信息的数据集。 通过粗测网络和精测网络级联,满足大范围和高精度同步检测 的需求。 结果表明,该方法实现了对输入光源相干长度内纳米级的 piston 误差检测,并对 10 μrad 范围内的 tip-tilt 误差实现了 亚微弧度检测;对 40 dB 的 CCD 噪声表现出良好的抗干扰性,对面形误差的允差为 0. 05λ0RMS(λ0 = 600 nm),同时对六子镜系 统具有可扩展性。 本文方法光路简单,操作便利,具有实际意义。
互补格雷码双 N 步相移法因其具有鲁棒性好、检测精度高等特点在条纹投影轮廓术领域成为研究热点。 然而,传统互 补格雷码双 N 步相移法存在检测效率低以及未消除周期性毛刺相位误差的问题。 针对这些问题,本文对传统互补格雷码双 N 步相移法进行改进消除周期性毛刺相位误差,首先通过相机捕获形变条纹图像并计算出两组截断相位,然后利用两组截断相位 的相关性消除检测数据中的相位差、周期性毛刺相位误差,再对两组截断相位进行融合,最后通过互补格雷码相位展开法对融 合后的截断相位进行相位展开。 实验得出本文方法在检测效率不变的情况下,能有效消除周期性毛刺相位误差,得到高精度展 开相位,相比于未消除周期性毛刺相位误差的互补格雷码双 N 步相移法,本文检测方法精度提高了约 24. 57% ,相比于互补格 雷码 N 步相移法,本文检测方法精度提高了约 6. 29% 。
为了研究水载压力对管道超声导波信号的影响,利用半解析有限元的方法分析了管道导波的频散曲线)模态导波用于实验验证。 设计了一个可承受 30 MPa 压力的防水卡箍,对管道上的压电传感器进行封装。 将安装了防 水耐压卡箍的管道放入压力舱中进行打压循环测试,压力在 0~ 30 MPa 之间变化。 打压过程中采集无损伤及 5% 损伤的管道超 声导波信号,分析水载压力对导波信号的影响。 实验结果表明,该防水卡箍具有良好的防水和耐压性能,水载压力对 L(0,2)模 态导波信号幅值没有显著影响。
随着新能源产业的发展,越来越多的退役电池如何处理成为了一个急需解决的问题。 磷酸铁锂电池由于高能量密度及 安全性的优点被广泛应用于汽车及储能场合,是现有退役电池中的主流之一。 退役磷酸铁锂电池的二次利用场景是根据电池 的健康状态、内阻等状态进行评估的,但是这个过程耗费大量的时间。 本文提出利用脉冲过程电压的频域特征作为估计健康状 态的健康特征,然后利用随机森林回归算法实现了健康状态的快速估计,这极大的缩短了退役磷酸铁锂电池分选的时间。 在此 基础上,本文提出利用基于高斯分布的异常参数识别方法评估异常内阻退役磷酸铁锂电池。 通过实验验证,选取的 15 节磷酸 铁锂电池中健康状态估计的最大误差为 6% ,且能够有效的筛除内阻与 SOH 不匹配的退役磷酸铁锂电池。
为实现极低信噪比下管道泄漏声波信号去噪,基于多通道信号的相关性,提出使用相关系数矩阵筛选变分模态分解所得 模态分量。 针对不同工况的泄漏信号,提出不依赖真值的去噪质量评价指标,将其作为多目标灰狼优化算法目标函数,基于 Pareto 前沿获取变分模态分解的最佳模态数 K 和惩罚因子 η,实现多工况自适应去噪。 搭建了输气管道泄漏多工况实验平台,在不同工 况、不同输入信号信噪比(-8~4 dB)下验证所提方法的去噪效果。 结果表明,该方法能有效抑制噪声,-8 dB 时去噪信号信噪比提 升 2. 84 dB 以上。 对比基于单目标优化的去噪方法,-8 dB 下新方法的信噪比和相关系数分别提高了 3. 65 dB 和 31. 26% 。
风电齿轮箱不同轮系间存在的耦合调制现象干扰了实际故障诊断,为此,针对两级行星一级平行结构的齿轮箱提出一 种考虑级间耦合调制的现象学模型。 首先,在风电齿轮箱振动信号幅值、频率解调分析基础上,定义了多级传动下的级间串联 调制特性,并提出幅值-频率级间串联调制模型;通过构造多级调幅信号和调频信号,在频谱和解调谱中对串联调制特性进行 仿真分析,并提出耦合调制特性边带能量指标用于模型评价;设计了与现场齿轮箱具有相同结构的缩比齿轮箱实验台,并在正 常与故障状态下进行实验、现场联合分析,验证级间串联调制模型的有效性。 结果表明:频率耦合调制现象在四种状态下尤为 明显,其耦合调制特性边带能量分别为 1. 02、1. 04、1. 18、1. 25。 本模型所反映的齿轮箱级间耦合调制现象是齿轮箱本身所有, 不会因齿轮箱的状态而发生改变,本模型为提高风电齿轮箱故障诊断准确性提供参考。
针对航空发动机主轴承发生故障时特征信息提取不充分的问题,提出一种基于循环提取有效信息的主轴承故障特征增 强方法。 该方法首先对原始振动信号进行小波包分解,计算得到各个节点分量的相关系数值和峭度值,将其进行归一化融合为 一个综合参数 Pi;其次根据特征信息循环提取准则定义一个置信区间,该区间将所有节点分量划分为高信噪比信号、低信噪比 信号和高噪信号 3 个部分;然后不断筛选出高信噪比信号直至达到终止条件;最后重构所有高信噪比信号,并进行包络解调提 取出轴承微弱故障特征。 经仿真信号验证,去噪信号的信噪比相对于去噪前提升了 11. 31 dB。 基于航空发动机中介轴承模拟 试验台所测数据开展了特征信息循环提取方法有效性的综合验证,并对某型航空发动机主轴承振动信号进行了分析。 实践表 明:该方法适用于强背景噪声干扰工况下滚动轴承的特征提取,能准确诊断航空发动机主轴承故障。
针对多智能体路径搜索算法在非指定式多车协同路径规划问题中路径冗长,计算效率低等缺陷,提出协同目标点分配 路径规划算法 Nutcracker-CBS。 首先构建紧耦合目标点分配 MAPF 框架,实现目标点分配和路径构建的联合寻优;针对目标点 分配模块,提出改进的星鸦优化算法,增量式求解分配问题,缩短模块用时;针对路径构建模块,提出改进的 MAPF 算法,通过回 退式约束构建机制,引入避碰路径估计的绕道机制和数据共享底层路径规划机制,提升效率和路径质量。 数据集实验中, Nutcracker-CBS 时耗相比 SOTA 算法减少 90. 37% ;目标点分配模块求解耗时减少 86. 76% ;MAPF 模块 6 s 内构建 100 辆无人车 路径,平均路径长度缩短 6. 058% 。 实际实验中路径总和与系统运行时长分别减少 55. 26% 和 61. 29% ,提升了多机器人系统的 效率,降低了路径长度。
为了解决永磁同步电机在多工况下转速易受到内外扰动的影响,提出一种基于延迟补偿的并行线性自抗扰控制策略。 针对永磁同步电机可能受到信号处理、逆变器响应等因素从而引入的外部时滞效应的问题,引入 Smith 预估器与自抗扰控制相 结合,使控制系统更加精确、快速地响应内部参数变化和外部扰动。 同时,针对线性自抗扰控制器(LADRC)在有限带宽内其抗 扰性能较差的问题,设计了并行线性自抗扰控制器,在保持其带宽不变与参数易于整定的同时,有效提高其抗扰动能力。 最后, 对自抗扰控制器的稳定性进行了分析,并在此基础上进行了参数设计与扰动性能分析。 仿真与实验结果表明,所提算法相比 LADRC 在电机受到速度阶跃、负载扰动与内部参数变化时,在调整时间上分别提升了 52. 5% 、49. 5% 与 42. 4% ,从而验证了该 控制策略能有效增强永磁同步电机在多工况下抗内外扰动与速度跟踪能力。
输电线路金具的表面锈蚀作为常见的缺陷类型,是危害输电线路安全运行的重要隐患之一,如何快速、准确地发现锈蚀 的金具设备并进行修复是线路巡检运维工作亟待解决的问题。 本文综述了近十年来基于视觉的输电线路金具锈蚀缺陷检测方 法的研究进展。 首先简述了基于传统图像处理的金具锈蚀缺陷检测流程;然后按照基于传统图像处理、深度学习方法概述了金 具设备锈蚀缺陷检测,重点阐述了基于深度卷积神经网络的目标检测和语义分割算法在输电线路金具锈蚀缺陷检测中的应用; 随后介绍了基于深度学习的金具锈蚀缺陷检测自建数据集以及性能评价指标;最后指出了基于深度学习的输电线路金具锈蚀 缺陷检测方法目前存在的问题,并对未来研究工作进行了展望。
精细导星仪的星点质心定位精度决定了空间天文望远镜的视轴姿态解算精度,为了提升精细导星仪的星点质心定位精 度,提出了一种基于深度小波循环神经网络的星图超分辨率重建方法。 首先,借助微扫描技术获取亚像素错位低分辨率星图序 列,采用小波编码器提取低分辨率星图的小波域特征,通过小波系数约束低分辨率星图的噪声,并将亚像素错位星图序列配准 过程融入到网络学习中。 其次,利用卷积门循环神经单元对所提取的多星图序列特征进行融合。 最后,使用逆小波解码器对多 特征融合模块输出的小波域特征进行解码,从而实现基于低分辨率星图序列的去噪与超分辨率重建。 实验结果表明,分别采用 平方加权质心法求取原始星图和超分辨率重建后星图中的各星点的质心位置,相比于前者,后者的各星点平均质心定位精度和 稳定度在 X 方向分别提升了 64. 76% 和 19. 15% ,在 Y 方向分别提升了 75. 35% 和 26. 14% 。
异常检测作为视觉领域中一项独特而关键的任务,在医疗、安保等领域具有广泛的前景。 异常检测目前受限于大规模 异常数据标注,因此现有方法集中在单类分类和弱监督学习,深度支持向量描述(Deep SVDD)是实现单类分类的常见方法。 然 而,传统 Deep SVDD 在开展异常检测时往往面临球体崩塌。 针对这一问题,提出了基于球面正则化的 SVDD 异常检测算法,通 过引入软间隔损失与支持向量的思想,优化模型学习流程。 进一步地,面向可标注样本,提出了基于 SVDD 的弱监督异常检测 方法。 在公开数据集 MNIST 和 CIFAR-10 上进行消融和对比实验,实验证明,相比于有监督算法,在 MNIST 数据集上,SRWSVDD 的性能提高了 3. 7% ,而在 CIFAR-10 数据集上则提高了 16. 7% 。 此外,与其他弱监督算法相比,SR-WSVDD 在 CIFAR- 10 数据集上提升了 1. 8% 。 所提出的 SR-SVDD 异常检测算法,弥补 Deep SVDD 容易发生球体崩塌的缺陷,使模型异常检测结 果更加准确。
针对无人机在海上对船舶进行长时跟踪时,由于船身被遮挡及船舶离开视野导致目标跟踪失败的问题,提出了基于 YOLOv5 和 ECO_HC 相结合的海上目标长时检测跟踪算法。 首先,利用感知哈希与峰值比例综合评估跟踪过程的可靠性,目标 丢失时利用 YOLOv5 检测器重新定位目标位置,并初始化模型,消除累计错误信息。 其次针对目标在跟踪过程中存在的 旋转变化,利用傅里叶-梅林变换进行旋转参数估计,减少了目标旋转造成的性能下降问题。 本文算法在 OTB-100 数据 集上的平均精确度和成功率为 83. 9% 和 76. 7% ;在无人机平台上进行实际海上场景船舶跟踪实验,在完全遮挡及离开视野两种 情况下精确度和成功率分别为为 80. 9% ,60. 4% 和 90. 2% ,48. 3% ,实验表明本文算法可以有效抑制常见海面干扰因素的影响。
2024第十届国际测试自动化与仪器仪表学术会议 征文通知（ISTAI 2024）
2023全球数字经济大会-光电子集成应用与产业化发展论坛诚邀参会（免注册费）
2023 IEEE第16届国际电子测量与仪器学术会议征文通知（ICEMI 2023）
《仪器仪表学报》“量子测量技术-庆祝国防科技大学建校70周年”专刊征文通知