检索结果-内蒙古大学图书馆

控制与决策 2024年第10期39卷 3442-3450页

作者：韩玉兰顾琴崔玉杰兰朝凤哈尔滨理工大学测控技术与通信工程学院哈尔滨150000

真实场景图像超分辨率重构方法的研究进一步推动了超分辨率重构的应用,成为研究的热点.针对现有方法多采用单一输出代表高分辨率图像的高频特征细节,难以保障稳定、准确高频细节的问题,提出一种基于树状多分支残差注意力网络的真实场景... 详细信息

真实场景图像超分辨率重构方法的研究进一步推动了超分辨率重构的应用,成为研究的热点.针对现有方法多采用单一输出代表高分辨率图像的高频特征细节,难以保障稳定、准确高频细节的问题,提出一种基于树状多分支残差注意力网络的真实场景图像超分辨率重构方法.该方法通过树状结构形成多分支超分辨率重构网络,增强特征表现能力,进而丰富重构图像高频细节.每条分支采用双通道残差策略对基础块进行连接,允许更多低频特征通过.进一步设计了基础块,融入密集残差结构和注意力机制,可以在加深网络的同时使网络在通道和空间上进行全局信息自适应调整.面对树状分支的多个重构结果,采用空间频率方法进行融合.实验结果表明,同当前先进的同类方法相比,所提出方法具有更佳的重构效果.

关键词：超分辨率真实场景注意力树状多分支结构双通道残差结构

来源：评论

学校读者我要写书评

暂无评论

基于VMD和TCN的多尺度短期电力负荷预测

引用

电子科技大学学报 2022年第4期51卷 550-557页

作者：刘杰金勇杰田明哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用... 详细信息

准确的电力负荷预测对于保证电力系统的稳定运行起着重要作用。针对传统短期电力负荷预测方法预测精度低,模态分解后未考虑子序列融合等问题,提出一种基于变分模态分解(VMD)和时域卷积网络(TCN)的多尺度短期电力负荷预测方法。首先利用VMD将电力负荷数据分解为若干个子序列,解决电力负荷数据的非线性和随机性等问题;再利用TCN对若干个序列采用不同时间尺度进行训练;最后利用全连接网络(FC)对各时间尺度的子序列进行融合,实现短期电力负荷预测,提升预测精度。实验结果表明,该方法相较于VMD和改进的长短时记忆网络(LSTM)相结合的传统预测方法,其均方根误差下降40%,曲线拟合程度提升1.1%。

关键词：短期电力负荷预测子序列融合时域卷积网络变分模态分解

来源：评论

学校读者我要写书评

暂无评论

复杂运动场景下的多人姿态估计研究

引用

电子科技大学学报 2024年第6期53卷 930-939页

作者：柳长源臧彦丞兰朝凤哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

针对运动场景中运动员之间的相互遮挡、自身部位遮挡、运动器械遮挡及复杂背景干扰问题,提出一种高分辨特征生成复原网络,引入融合注意力机制筛选有用特征信息通道,加入反卷积和多尺度特征融合模块分层处理小目标人像与大中型目标人像... 详细信息

针对运动场景中运动员之间的相互遮挡、自身部位遮挡、运动器械遮挡及复杂背景干扰问题,提出一种高分辨特征生成复原网络,引入融合注意力机制筛选有用特征信息通道,加入反卷积和多尺度特征融合模块分层处理小目标人像与大中型目标人像的姿态估计任务。设计生成对抗模块,对缺失部分进行补全和预测得到关节点热图,经过姿态骨架和最优匹配算法确定出关节点连接方式,并输出可视化姿态估计结果。在MSCOCO和Crowd Pose数据集上的实验结果表明该姿态估计方法在复杂运动场景下效果更优。

关键词：人体姿态估计深度学习复杂运动场景融合注意力机制生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

直驱式风电机组试运行中的可靠性增长评估

引用

太阳能学报 2012年第5期33卷 757-762页

作者：郭建英孙永全刘新华王铭义哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

以兆瓦级直驱式风力发电设备为对象,研究了研制阶段或试运行阶段机组可靠性增长的评估方法。依据可靠性增长及Bayes理论,结合直驱式风电机组现场试运行的工程背景,探讨了利用多台同步增长AMSAA模型评估风电机组可靠性增长的方法,并利用... 详细信息

以兆瓦级直驱式风力发电设备为对象,研究了研制阶段或试运行阶段机组可靠性增长的评估方法。依据可靠性增长及Bayes理论,结合直驱式风电机组现场试运行的工程背景,探讨了利用多台同步增长AMSAA模型评估风电机组可靠性增长的方法,并利用历史先验知识扩充信息量,重点讨论了均匀先验下AMSAA模型的Bayes置信限,并与经典置信限、无信息先验下的Bayes置信限进行对比。结果表明:试运行中的机组可靠性达到预定要求,用本方法对机组可靠性增长进行动态实时分析是合理的,且均匀先验下Bayes置信区间相对优于经典置信区间和无信息先验下的Bayes置信区间。

关键词：风力发电机组可靠性增长 AMSAA模型 Bayes置信限

来源：评论

学校读者我要写书评

暂无评论

基于数据驱动的涡轮发动机剩余寿命预测

引用

电机与控制学报 2021年第7期25卷 68-74页

作者：柳长源何先平于会越哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

涡轮发动机系统工况复杂,经常在极端环境下工作,容易发生故障造成不可挽回的损失。通过建立物理模型的方法来进行寿命预测不仅建模困难、适用性不好,而且十分依赖先验知识。为建立适用于高维度特征的发动机剩余寿命预测模型,以及更加合... 详细信息

涡轮发动机系统工况复杂,经常在极端环境下工作,容易发生故障造成不可挽回的损失。通过建立物理模型的方法来进行寿命预测不仅建模困难、适用性不好,而且十分依赖先验知识。为建立适用于高维度特征的发动机剩余寿命预测模型,以及更加合理的对发动机的剩余寿命进行预测,使用改进后的梯度提升决策树(GBDT)和进行归一化处理后的涡轮发动机性能数据进行实验。在通用数据集上开展测试比较,结果表明改进GBDT模型适用于不同工况下涡轮发动机的剩余使用寿命预测,预测效果优于现有支持向量回归(SVR)、卷积神经网络(CNN)、长短期记忆网络等方法(LSTM),尤其是在运行时间上有较大幅度的提升,对于涡轮发动机的健康管理与运维决策能够提供保证。

关键词：涡轮发动机剩余寿命预测梯度提升决策树数据驱动互斥特征绑定梯度单边采样

来源：评论

学校读者我要写书评

暂无评论

竞争非局域向列相液晶中艾里高斯光束的相互作用

引用

光子学报 2024年第4期53卷 244-256页

作者：任思琪浦绍质梁影杜明欣张萌哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

基于JUNG P S等提出的新型竞争非局域模型数值研究了艾里高斯光束在该模型中的相互作用,采用分步傅里叶算法数值模拟艾里高斯光束在竞争型非局域非线性向列相液晶中的相互作用。结果表明,可以通过调节初始振幅、初始间距、位相差以及非... 详细信息

基于JUNG P S等提出的新型竞争非局域模型数值研究了艾里高斯光束在该模型中的相互作用,采用分步傅里叶算法数值模拟艾里高斯光束在竞争型非局域非线性向列相液晶中的相互作用。结果表明,可以通过调节初始振幅、初始间距、位相差以及非局域程度控制艾里高斯光束间的相互作用。初始振幅增大会使相互作用力增大;分子取向非局域程度的增加导致艾里高斯光束宽度展宽,使反相艾里光束吸引力增强,热非局域程度的改变使初始振幅较大的反相艾里高斯光束由相互排斥作用变为相互吸引作用,使反相艾里高斯光束出现排斥和吸引作用动态平衡;同时还发现增大热非线性系数能使反相艾里高斯光束出现吸引或排斥。

关键词：艾里高斯光束相互作用竞争非局域液晶

来源：评论

学校读者我要写书评

暂无评论

格雷码与相移结合的结构光三维测量技术

引用

仪器仪表学报 2007年第12期28卷 2152-2157页

作者：于晓洋吴海滨尹丽萍杨明极哈尔滨理工大学测控技术与通信工程学院哈尔滨150040

提出一种应用于结构光三维测量系统投射角求取的格雷码与相移结合的编码、解码方法。该方法首先利用相移图案,确保采样点的相位在(π,-π]范围内周期变化,再将该相位与采样点对应的格雷码结合得到绝对相位,最后将绝对相位在相位空间中... 详细信息

提出一种应用于结构光三维测量系统投射角求取的格雷码与相移结合的编码、解码方法。该方法首先利用相移图案,确保采样点的相位在(π,-π]范围内周期变化,再将该相位与采样点对应的格雷码结合得到绝对相位,最后将绝对相位在相位空间中的位置线性映射到投射角空间,对其进行连续划分,从而确定采样点的投射角,最后依据三角法原理实现三维测量。本文具体介绍了编码、解码原理,分析了解码过程中格雷码和相移周期错位问题,并通过判断相邻像素点的格雷码值增加和相位突变是否一致进行了调整,给出了3dsMAX和MATLAB环境下的仿真重构实验结果。

关键词：三维测量结构光格雷码相移

来源：评论

学校读者我要写书评

暂无评论

基于波束形成的长短时记忆网络语音分离算法研究

引用

电子与信息学报 2022年第7期44卷 2531-2538页

作者：兰朝凤刘岩赵宏运刘春东哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不... 详细信息

在利用深度学习方式进行语音分离的领域,常用卷积神经网络(RNN)循环神经网络进行语音分离,但是该网络模型在分离过程中存在梯度下降问题,分离结果不理想。针对该问题,该文利用长短时记忆网络(LSTM)进行信号分离探索,弥补了RNN网络的不足。多路人声信号分离较为复杂,现阶段所使用的分离方式多是基于频谱映射方式,没有有效利用语音信号空间信息。针对此问题,该文结合波束形成算法和LSTM网络提出了一种波束形成LSTM算法,在TIMIT语音库中随机选取3个说话人的声音文件,利用超指向波束形成算法得到3个不同方向上的波束,提取每一波束中频谱幅度特征,并构建神经网络预测掩蔽值,得到待分离语音信号频谱并重构时域信号,进而实现语音分离。该算法充分利用了语音信号空间特征和信号频域特征。通过实验验证了不同方向语音分离效果,在60°方向该算法与IBM-LSTM网络相比,客观语音质量评估(PESQ)提高了0.59,短时客观可懂(STOI)指标提高了0.06,信噪比(SNR)提高了1.13 dB,另外两个方向上,实验结果同样证明了该算法较IBM-LSTM算法和RNN算法具有更好的分离性能。

关键词：语音分离超指向波束形成长短时记忆网络算法

来源：评论

学校读者我要写书评

暂无评论

故障分类时环境强化试验的可靠度近似置信限

引用

仪器仪表学报 2010年第12期31卷 2648-2653页

作者：郭建英孙永全王铭义陈洪科哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

依赖传统的寿命试验进行可靠性评定的做法已受到制约,如何缩短试验时间又能科学评价产品可靠性是工程上亟待解决的问题。以某型温度变送器为研究对象,借鉴加速寿命试验的理论与方法,在规定时间内施加环境强化应力和额定的工作应力,完成... 详细信息

依赖传统的寿命试验进行可靠性评定的做法已受到制约,如何缩短试验时间又能科学评价产品可靠性是工程上亟待解决的问题。以某型温度变送器为研究对象,借鉴加速寿命试验的理论与方法,在规定时间内施加环境强化应力和额定的工作应力,完成了可靠性环境强化试验。并结合工程背景引入了环境因子和故障分类计数方法,通过信息数据综合折算,给出了便于计算机编程计算的二项近似经典置信限、二项近似Bayes置信限、指数近似经典置信限、指数近似Bayes置信限。

关键词：可靠性环境强化试验可靠性评定当量故障数环境因子近似置信限

来源：评论

学校读者我要写书评

暂无评论

基于改进极限学习机的水轮机运转状态识别

引用

振动与冲击 2023年第1期42卷 132-138,168页

作者：兰朝凤宋博文郭小霞哈尔滨理工大学测控技术与通信工程学院哈尔滨150080

针对水轮机远程运行状态监测困难的现状,提出了基于模拟退火算法的粒子群算法(simulated annealing algorithm-particle swarm optimization,SA-PSO)优化极限学习机(extreme learning machine,ELM)的方式,建立水轮机运转状态识别模型SA-PSO-ELM。对水轮机信号进行互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)获得IMF分量,引入皮尔逊相关系数计算各个IMF分量与水轮机信号的相似度,判断信号主导模态和噪声主导模态的分界点,用小波去噪对噪声主导模态降噪,并与其余的IMF分量重构得到去噪信号,同时对去噪后的信号进行分解,计算每个IMF分量的排列熵,构建特征向量。由于SA-PSO精度高不易陷入局部最优的特点和ELM的性能受权值、阈值共同影响的特点,用SA-PSO优化ELM的权值和阈值,构建水轮机运转状态识别模型SA-PSO-ELM。对不同工况下采集的水轮机压力脉动数据,分析了基于PSO-ELM、ELM及SA-PSO-ELM模型的水轮机运转状态识别正确率、均方误差、决定系数3个指标。结果表明:SA-PSO-ELM更适合于水轮机运转状态识别。

关键词：水轮机互补集合经验模态分解(CEEMD) 粒子群(PSO)算法极限学习机(ELM) 状态识别

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：