结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

浅谈深基坑开挖周围地表沉降的预测方法

深基坑开挖是一项复杂的系统工程,在支护加固以及变形控制不当的情况下,常会因边缘地面沉降量超出设计值而危及周围各种构筑物的正常使用：如地下市政管线的破裂,周围建筑物的倾斜等。本文总结并对比基坑开挖周围地表沉降的预测方法,并提出了自己的一些看法。     

被动区深搅桩加固对地铁深基坑变形的影响

采用土体卸载条件下的HS(hardening-soil)有限元模型,分析了被动区加固对地铁换乘站深基坑变形的影响.结果表明:深搅加固对墙体侧向位移的影响随深度增加而增大,可以最终减小墙体侧向位移达27%左右;在临近墙体局部范围内抑制坑底隆起效果显著,抑制隆起量最多超过50%;对墙背土体沉降抑制不显著,局部降低15%左右,在墙背局部范围内对土体侧向位移影响不明显.因此,根据不同地质条件和基坑变形控制要求,选择合理的加固形式使加固土体达到设计强度,既能保证基坑安全和环境影响的要求,又能节省造价.     

地震下桥墩动水压力分析

对地震下圆柱形桥墩上的动水压力,提出了一个半解析半数值方法,针对弹性桥墩结构,利用Trefftz完备函数分别构造了流体的弹性振动速度势和刚体运动速度势,采用梁单元有限元方法求解耦联运动方程,与其他方法相比,这一方法计算相对简单、有效,并可考虑表面波效应和流体的压缩影响.算例表明,这一方法具有较高的精度.     

高浓度深层渗碳碳分布数学模型建立与应用

在对高浓度深层渗碳的特点进行分析的基础上,考虑到碳化物的析出与溶解、温度与碳浓度对扩散系数的影响、气氛环境对碳传递系数的影响,提出了高浓度深层渗碳的数学模型,并导出了差分法求解方法。应用该模型实现了高浓度深层渗碳的计算机实时控制。     

缓交联氨基树脂冻胶成胶性能

深部调剖是高含水油田控水稳油的重要措施。低油价下深部调剖需要成胶时间长、成胶后强度高的冻胶堵剂。以低质量分数的部分水解聚丙烯酰胺(HPAM)为成胶液,以氨基树脂为交联剂,研究了氨基树脂冻胶的成胶规律及其使用条件。研究结果表明,在乙酸催化下,氨基树脂可和低质量分数HPAM交联形成冻胶,该冻胶可以在70℃、盐含量为10 174 mg·L~(-1)以下地层使用。成胶时间大于3 d,冻胶强度可达到G级以上,冻胶90 d脱水率小于10%,适合深部调剖。     

基于DBN特征提取的雷达辐射源个体识别

针对传统特征参数难以表征复杂体制雷达信号个体特征的问题,基于深度置信网络DBN的深层特征提取和高维数据处理能力,提出一种基于DBN特征提取的雷达辐射源个体识别算法。首先建立基于多层受限玻耳兹曼机的DBN模型,然后通过DBN无监督提取脉冲包络前沿特征,再利用标签数据对模型参数进行有监督微调完成训练,最后输入未知辐射源信号脉冲包络前沿特征实现辐射源个体识别。与传统算法相比,该方法能够自适应地提取脉冲深层次细微差异,提取过程减少了对人为经验的依赖。实验结果表明,该算法对脉冲包络特征提取效果明显,有较高的识别精度。     

基于WGAN的语音增强算法研究

带噪语音可看成由独立的噪声信号和语音信号经某种方式混合而成,传统语音增强方法需要对噪声信号和干净语音信号的独立性和特征分布做出假设,不合理的假设会造成噪声残留、语音失真等问题,导致语音增强效果不佳。此外,噪声本身的随机性和突变性也会影响传统语音增强方法的鲁棒性。针对这些问题,使用生成对抗网络来对语音进行增强,给出一种基于Wasserstein 距离的生成对抗网络(Wasserstein generative adversarial nets, WGAN)的语音增强方法来加快训练速度和稳定训练过程。该方法无需人工提取声学特征,且使语音增强系统的泛化能力得以提升,在匹配噪声集和不匹配噪声集中都有良好的增强效果。实验结果表明,使用训练出的端对端语音增强模型后,语音信号的客观评价标准(perceptual evaluation of speech quality,PESQ)平均得到23.97%的提高。     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。     

深度学习与一致性表示空间学习的跨媒体检索

提出一种基于深度学习与一致性表示空间学习的方法,针对图像与文本2种模态,分别采用卷积神经网络模型和潜在狄利克雷分布算法学习图像的深度特征和文档的主题概率分布;通过一个概率模型将两个高度异构的向量空间非线性映射到一个一致性表示空间;采用中心相关性算法计算不同模态信息在此空间的距离.在Wikipedia Dataset上的实验结果表明:在单模态输入检索中,文中方法的平均准确率为38.43%,相比于其他方法有明显提高.