基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

超声波燃气表矩形流道的雷诺修正系数仿真研究

在超声波流量计测量技术中, 雷诺修正系数相关的研究对于提高计量精度有重要作用. 为研究矩形流道的雷诺修正系数与雷诺数的关系, 对矩形流道在常温常压流量较小情况下进行仿真, 结果发现: 矩形流道层流状态下的雷诺修正系数与雷诺数呈线性相关. 保持压强、体积流量不变, 在不同温度下进行仿真及拟合, 结果表明: 在不同温度下雷诺修正系数与雷诺数的线性关系依然满足. 在上述实验基础上, 对矩形流道湍流状态下的雷诺修正系数与雷诺数关系进行研究, 通过改变温度、压强和体积流量进行仿真及拟合发现, 矩形流道湍流状态下雷诺修正系数与雷诺数呈非线性相关.     

基于卷积神经网络的HL-2A装置H模辨识研究

基于HL-2A装置的放电实验数据，利用卷积神经网络和时间窗口算法开发了高约束(H)模时段的识别算法，得到了可靠的高成功率的高约束模时段识别结果。算法中，选取206次放电实验数据中等离子体储能及氘α通道信号作为双通道原始数据进行学习，得到一个深度为21层的二分类卷积神经网络。该网络模型经过其他474次放电数据的测试集检验，高约束模识别的正确率达到了98.17%。     

基于MRS-SJC-Copula模型对A股与港股的动态联动性研究

由于经济增长周期变化,导致不同股票市场存在高低状态转换的现象,在研究不同股票市场之间联动性的研究时,需要考虑股票波动均值和方差两种结构变化。基于具有马尔可夫状态转换的动态SJC-Copula,结合修正ICSS算法对我国内地股票市场和香港股票市场之间的联动性进行方差结构突变点的检验。实证结果表明:国内和香港股票市场之间存在非线性非对称的时变相依性,并持续存在高低两种不同状态的概率转换。股票指数由于动态联动受到负面消息的下跌幅度大于正面消息的变化幅度,且上下尾部均受上期信息的持续影响。“沪港通”、“深港通”、中美贸易战等因素使得其上下尾部发生结构突变,内地与香港股票市场的联动性增大和市场波动幅度趋强。     

一种基于序贯估计的直达声区水面舰船 被动测距方法 *

该文利用基于射线的盲解卷积方法，从直达声区的水面舰船噪声中提取出船和锚系于海底的垂直接收阵之间的时域信道响应，并利用直达波在不同阵元相对于参考阵元的到达时间差，通过序贯方法，利用射线模型和声速剖面信息，对水面舰船距接收阵的距离进行了估计。通过处理海深约为580 m的2016年美国圣巴巴拉海峡的实验数据，对1.6~3.5 km直达声区范围内Anna Maersk商船与垂直阵之间的距离进行了估计，验证了测距方法的有效性，并将结果与系统测量值和几何方法的估计值进行了比较。由于该方法不需要对海底参数进行估计，所以在海底参数未知时要优于传统匹配场方法；在声速剖面存在跃层且海底为多层分布的复杂信道条件下，该方法仍能对距离进行有效估计，且与测量值的相对误差在6%以内，小于几何方法的估计误差，测距结果精度较高。     

有耗介质层上多导体传输线的电磁耦合时域分析方法

目前,针对空间电磁场作用有耗介质层上传输线的电磁耦合,仍缺乏有效的数值分析方法.因此,本文提出一种高效的时域混合算法,很好地解决了有耗介质层上传输线电磁耦合建模难的问题.首先,对经典传输线方程进行改进,推导了适用于有耗介质层上多导体传输线电磁耦合分析的修正传输线方程.然后,结合时域有限差分方法和相应插值技术,求解修正传输线方程,获得多导线及其端接负载上的电压和电流响应,并实现空间电磁场辐射与多导线瞬态响应的同步计算.最后,通过相应计算实例的数值模拟,与CST软件的仿真结果进行对比,验证了时域混合算法的正确性和高效性.     

贝叶斯优化卷积神经网络公共场所异常声识别*

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。     

状态变换扩展卡尔曼平滑算法在AUV水下航迹修正中的应用

水下自主潜航器(AUV)在水下勘测过程中常采用定期上浮的方式利用卫星定位信息(GNSS)校正惯性/多普勒测速仪(SINS/DVL)组合导航造成的位置误差,并通过平滑算法校正之前计算的水下航迹。针对AUV上浮前的水下航迹矫正问题,提出一种基于计算地理坐标系的状态变换扩展卡尔曼平滑算法(STEKF-RTS)。首先推导状态变换扩展卡尔曼滤波器的系统误差状态方程,并分别以GNSS信息和DVL速度为观测信息构建量测方程,以此系统模型进行前向滤波。完成前向滤波后,即潜航器上浮GNSS校正完成后,采用RTS平滑算法对水下航行阶段的航迹进行修正。实验结果表明,STEKF相较于EKF能减缓位置误差积累,STEKF-RTS相比EKF-RTS平滑算法能够进一步有效校正航线误差,1 h上浮时间间隔情况下,勘测航迹精度可控制在0.5%D以内。     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。     

结合VEC和信心水平分析Black-Litterman投资组合模型

在理论上通过推导得出了Black-Litterman模型(B-L模型)最优权重与信心水平的关系式.实证部分开创性地将多元时间序列VEC模型运用到B-L模型的观点收益预测中.结果表明:且通过向量误差修正模型,实证取得了较好的效果.在任意一种做空限制下,随着信心水平在0%~70%水平上升,收益率有连续上升的趋势,并逐渐趋稳;风险有并不明显的下降的趋势.对同一信心水平而言,随做空限制的放宽,收益率有上升趋势.