基于蚁群-遗传算法的光谱选择方法与应用

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO, PLS-ACO-GA, CARS, GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R2_p和RMSEP分别为0.997 6和0.062 2,PLS-ACO次之,预测集R2_p和RMSEP分别为0.997 0和0.077 8。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R2_p和RMSEP分别为0.997 6和0.062 3。RFR回归模型R2_p和RMSEP分别为0.999 9和0.003 0,PLS回归模型的R2_p和RMSEP分别为0.997 6和0.062 2。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法。     

基于特征区域下凸点提取的藻类荧光光谱波长选择方法

藻华现象的频繁发生严重影响了海洋环境和人类的生产活动,因此对水体浮游植物的监测十分重要。三维荧光光谱被广泛应用于水体浮游植物中藻类的群落组成分析和浓度定量分析,然而三维荧光光谱数据中的信息冗余给藻类定性定量分析带来了一定的影响。针对光谱信息冗余问题,提出了特征区域积分与凸点提取相结合的三维荧光光谱波长选择方法。以抑食金球藻、细长聚球藻、小球藻为研究对象,采用Savitzky-Golay卷积平滑法对三维荧光光谱进行预处理,解决了因外界因素造成的光谱噪声问题,采用马氏距离法剔除三维荧光光谱数据集中的异常光谱样本,运用浓度残差法剔除三维荧光光谱数据集中的异常浓度值样本,然后通过偏最小二乘回归模型的内部交叉验证均方根误差衡量不同特征区域下凸点的可靠性进行波长变量的选择。为验证波长筛选方法的有效性,对三种藻类建立偏最小二乘回归模型,以内部交叉验证决定系数（R2）、内部交叉验证均方根误差（RMSECV）作为模型评价指标。与全光谱数据建立的回归模型进行了比较,抑食金球藻、小球藻、细长聚球藻的波长变量由全谱的1071个分别减少到77个、75个、67个,R2分别提高了0.016 4,0.002和0.032 4,RMSECV分别降低了1.8×105,2.0×105,2.6×105。与UVE方法相比,抑食金球藻、小球藻、细长聚球藻的波长变量分别减少了599个、357个、317个,R2分别提高了0.014 5,0.000 4和0.012 3,RMSECV分别降低了1.6×105,7.0×104和1.6×105。经过该方法进行波长变量选择后,减少了冗余信息,提高了模型预测能力。     

深度神经网络和高光谱显微图像的二维材料纳米片识别

近年来,二维材料由于其独特的性质而受到了广泛关注。在制备二维层状晶体的各种方法中,机械剥离法获得的薄层二维材料晶体质量高,适用于基础研究及性能演示。然而用机械剥离法从衬底上获得的材料具有一定的随机性,可能包含了少许相对较厚的部分。实现对这些二维薄层材料有效、快速且智能化的表征有利于促进二维材料性能的进一步研究。提出了一种基于深度学习的表征方法,通过搭建的编解码结构的卷积神经网络语义分割算法,可以根据光学显微镜图像进行分割和快速识别二维材料纳米片。卷积神经网络作为深度学习在图像处理领域中的典型算法,能够对光学显微镜图像中的复杂信息进行特征提取。首先采用机械剥离制备MoS₂纳米片样本,通过光学显微镜采集高光谱图像并对样本进行标记,根据样本的厚度范围标记出不同的区域,对标记后的图像进一步处理,包括图像的颜色校准和剪切操作,得到用于网络训练和测试的数据集。针对光学图像中二维纳米薄片存在的低对比度、碎裂等特点,编码时加入残差结构和金字塔池化模型,有助于特征信息的提取;解码时融合编码路径中提取的浅层特征信息,以提高网络分割精度。实验中采用带权重的交叉熵损失函数解决类别数量不平衡问题和采用数据增强扩大数据集。对训练后的网络测试结果表明,模型像素精度为97.38%,平均像素精度为90.38%,均交并比为75.86%。之后通过迁移学习成功地对剥离的单层和双层石墨烯纳米片样本进行了识别,均交并比达到了81.63%,表明该方法具有普适性。通过MoS₂和石墨烯纳米片的识别演示,实现了深度学习在二维材料的光学显微镜图像中的成功应用。该方法有望在更多的二维材料上得到扩展并突破自动动态处理光学显微镜图像的问题,同时为其他纳米材料的高光谱图像处理提供参考。     

面向传递路径分析方法研究的试验系统设计*

在传递路径分析理论研究中,经典传递路径分析要求在传递函数测量时拆卸激励源,为了减少工作量,设计一套面向传递路径分析方法研究的实验系统。以简化发动机模型作为激励源,真实汽车发动机悬置作为传递路径,简化车身内的响应为目标响应,建立一套完整的传递路径分析模型。在保留主要激励特征情况下简化发动机机体结构,将NI Compact RIO作为控制核心,激振器作为激励施加装置,以缸压信号和机体振动信号为激励信号对机体加载,实现发动机激励特征的模拟。最终验证该实验系统可模拟出发动机的结构噪声,采集信号中阶次成分明显,主要噪声频段基本吻合,可从阶次信号中提取对应转速信息。整个实验系统结构简单,可作为载体用于传递路径分析方法的研究。     

改进的随机蛙跳算法对农机润滑油污染浓度的近红外光谱检测研究

润滑油是农业机械正常作业的必要物资,农业机械发动机工作的动力性、安全性、经济性以及寿命与润滑油状况有着紧密联系。污染浓度作为油液的综合评价指标,常规的实验室检测耗时长、成本高,所以开发高效的润滑油污染浓度检测技术具有重要意义。提出了一种基于近红外光谱技术的农机润滑油污染浓度的检测方法,同时针对随机蛙跳(RF)特征波长选择算法中迭代次数大,结果再现性低等缺点,提出了一种迭代保留信息变量的随机蛙跳(IRIV-RF)特征波长选择算法。该算法一方面利用迭代保留信息变量(IRIV)算法提取出强信息变量和弱信息变量,将其作为RF算法中的初始变量集,消除初始变量集的随机性对结果再现性的影响。另一方面通过对变量按被选概率值由大到小正向排序后,从首个波长开始依次增加一个波长建立偏最小二乘回归(PLSR)模型,选择交叉验证均方根误差(RMSECV)值最小时的变量子集为特征波长,消除RF算法所提取的特征波长数量的不确定性。利用近红外光谱仪采集自行配制的101份不同污染浓度的农机润滑油原始光谱数据,选用三种不同的预处理方法分别对原始光谱进行处理,确定最佳的预处理方法为变量标准化(SNV)。在此基础上通过RF,IRIV和IRIV-RF三种算法分别对全谱进行特征波长选择,并建立PLSR模型。通过对全谱-PLSR,RF-PLSR,IRIV-PLSR以及IRIV-RF-PLSR模型的预测精度进行比较,结果表明,经过IRIV-RF算法提取特征波长后所建立的PLSR模型预测精度最高,预测相关系数(R_p)为0.965 7,预测均方根误差(RMSEP)为9.0584,显著提升了预测精度与运行效率,降低模型复杂程度。IRIV-RF是一种有效的特征波长选择算法,研究证明了近红外光谱联合改进的IRIV-RF算法检测农机润滑油污染浓度的可行性,为鉴定润滑油品质提供了一种新的思路。     

基于多光谱图像融合的掌纹识别方法

生物特征识别在信息安全领域发挥着重要作用,掌纹识别作为一种新型生物特征识别方式,具有低失真、非侵入性和高唯一性等优势。传统掌纹研究大多使用自然光成像系统以灰度格式获取,识别精度很难进一步提升。为了获得更多的身份鉴别信息,提出利用多光谱掌纹图像代替自然光掌纹图像。针对现有掌纹识别算法由于没有考虑到不同光谱的特性而导致纹理细节丢失,识别精准率低的问题,提出了一种基于多光谱图像融合的掌纹识别算法。该方法通过对不同光谱下的掌纹图像进行快速自适应二维经验模式分解（FABEMD）,将多光谱掌纹图像分解成一系列频率由高到低的二维固有模态函数(BIMF)和一个残余分量,残余分量可被视为该光谱图像低频信息的初步估计。图像采集过程中光照条件很难保持稳定,而近红外光谱图像在进行FABEMD分解时对光照变换敏感,容易导致分解后的BIMF背景信息过于冗余;因此对分解后的近红外掌纹图像进行背景重建及特征细化,在对背景冗余信息进行平滑处理的同时可以有效增强高频信息的特征表达。为避免直接融合处理后引发的图像过度曝光问题,提出对近红外特征压缩后再融合。此外,提出了一种结合了注意力机制的改进残差网络（IRCANet）,用于融合后的掌纹图像分类,在网络中引入分阶段残差结构,缓解了网络的退化问题,在学习过程中有效地减少信息丢失,对于融合后的多光谱掌纹图像,分阶段残差结构能够稳定地将图像信息在网络间传输,但对图像中的高低频信息区分效果不够显著,为了使网络关注更多区分性特征,利用特征通道间的相互依赖性,在分阶段残差结构中结合了通道注意力(Channel Attention)机制。最终,在香港理工大学（PolyU）多光谱掌纹数据集上进行的综合实验表明,该方法可以取得良好的效果,算法识别准确率能达到99.67%且具有良好的实时性。     

智能反射面辅助的星地融合网络鲁棒安全波束成形算法

针对智能反射面辅助的星地融合网络,提出了一种基于窃听者非完美信道状态信息的鲁棒安全波束成形方法.首先,考虑到卫星利用点波束技术服务地球站,而地面基站通过多播技术服务多个地面用户,并且在两个网络实现频谱共享的情况,建立以系统总发射功率最小化为目标,基站用户服务质量和地球站安全可达速率为约束条件的联合优化问题;其次,为了求解该非凸问题,利用三角不等式和Holder不等式推导出窃听者非完美信道状态信息条件下的输出信干噪比上下界;接下来,进一步提出了基于半正定规划和惩罚函数相结合的鲁棒波束成形和功率控制联合优化方法,以实现星地融合网络的安全可靠传输.最后,计算机仿真结果验证了本文所提算法的有效性和优越性.     

多源图像融合算法实时优化方法北大核心CSCD

针对红外与可见光图像融合的实时性要求,介绍了一种解决目前高清或超高清多源图像拉普拉斯金字塔图像融合算法的实时实现方法。基于视频数据流设计了拉普拉斯金字塔并行流水线处理结构,分析了各流水线之间的时延及优化思路。通过片上缓存的方式补偿时延时间差,实现了算法的流水等长,保证了处理数据的完整性。该方法可以在赛灵思7系列及以上的可编程门阵列(field programmable gate array,FPGA)芯片上实现双通道1080×1920@60 Hz视频图像的5层拉普拉斯金字塔融合。实验结果显示,该实时并行处理方法融合效果良好,一帧图像的融合仅需10.535 ms,处理时延小于1 ms。     

Night vision dense crowd counting based on mid-term fusion of thermal imaging features北大核心CSCD

为了提高人群计数模型对尺度和光噪声的鲁棒性,设计了一种多模态图像融合网络。提出了一种针对夜间人群统计模型,并设计了一个子网络Rgb-T-net,网络融合了热成像特征和可见光图像的特征,增强了网络对热成像和夜间人群特征的判断能力。模型采用自适应高斯核对密度图进行回归,在Rgb-T-CC数据集上完成了夜视训练和测试。经验证网络平均绝对误差为18.16,均方误差为32.14,目标检测召回率为97.65%,计数性能和检测表现优于当前最先进的双峰融合方法。实验结果表明,所提出的多模态特征融合网络能够解决夜视环境下的计数与检测问题,消融实验进一步证明了融合模型各部分参数的有效性。     

高速铁路CRTS Ⅱ型板式无砟轨道结构临界荷位和最不利位置分析

为了研究高速铁路CRTS Ⅱ型板式无砟轨道结构的临界荷位和最不利位置,以京沪高速铁路CRTS Ⅱ型板式无砟轨道结构为例,选取轨道板板底的纵向弯拉应力作为确定轨道结构临界荷位的指标,计算得到了列车轴载位于板端位置为临界荷位;计算了轴载在临界荷位时的钢轨竖向位移、轨道板板底水平拉应力、CA砂浆层竖向压应力、底座(或支承层)板底水平拉应力,分析了车辆荷载在不同位置处的无砟轨道结构产生的应力大小,得出路基和桥梁上CRTS Ⅱ型无砟轨道结构的最不利位置。