井壁破裂与内部应变状态机理分析

为研究立井井壁破裂与内部应变之间的相互规律，搭建井壁实物模型以模拟井壁受力破裂过程和状态，利用分布式光纤技术对井壁内部应变进行监测，并分别从应力和应变多角度进行深入分析.结果表明：对于应变状态，当施加应力增大，井壁应变程度也随之增大，应变极大值所对应的井壁位置，其应变程度在范围内达到最大，破裂风险也就最高；对于应力作用，不同应力下井壁应变最大值与最小值之间的偏差度越大，井壁稳定性越差，越容易发生破裂；分析了应力、应变二者相互关联性，拟合各方向角所对应的井壁位置应变变化的线性方程，变化率数值越大，井壁应变增长速度就越快，当应变值超过所能承受极限时，井壁会更容易发生破裂；通过对井壁应变数据监测，分析了应变差值、偏差度和应变变化率，结合Lamé公式，建立了井壁应变破裂关系模型，为井壁破裂预警提供了新方案.     

煤矸的轻量级智能分选网络

针对现有煤矸分选方法存在模型复杂、实时性差、特征易丢失等问题,构建了一种轻量化煤矸分选网络GC-ResNet18。GC-ResNet18利用幽灵卷积(ghost convolution, GC)线性生成ghost映射的特性,剔除煤和矸石相似性特征的冗余信息。借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参数,防止过拟合现象。引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率。实验结果表明,GC降低了46.6%的参数量,GC自注意力机制在CIFAR10、CIFAR100上分别提升1.44%、2.32%的准确率,而Softpool池化在上述两个数据集中分别提升了0.22%、0.17%。通过对比实验,全面改进后的GC-ResNet18网络在训练效率和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的分类精度与同规模的网络相比均达到最优的94.07%和74.95%,并最终在自建煤矸数据集上达到了97.2%...     

负偏压离子鞘及气体压强影响表面波放电过程的粒子模拟

由于表面电磁波沿着介质-等离子体分界面传播,而很难通过对传统的表面波等离子体(SWP)源施加负偏压实现金属材料溅射,因此限制了SWP源的使用范围.近期,一种基于负偏压离子鞘导波的SWP源克服了这个问题,且其加热机理是表面等离激元(SPP)的局域增强电场激励气体放电产生.但是该SWP源放电过程的影响因素并未研究清晰,导致其最佳放电条件没有获得.本文采用粒子(PIC)和蒙特卡罗碰撞(MCC)相结合的模拟方法,探讨了负偏压离子鞘及气体压强影响SWP电离发展过程的放电机理.模拟结果表明,负偏压和气体压强的大小影响了离子鞘的厚度、SPP的激励和波模的时空转化,从而表现出不同的放电形貌.进一步分析确定,在负偏压200 V左右和气体压强40 Pa附近,该SWP源的放电效果最佳.     

转台的粗糙神经网络故障诊断系统设计

针对转台故障的多样性与复杂性,设计了独立于专家的粗糙神经网络故障诊断系统。首先建立转台故障诊断决策表,然后用粗糙集方法约简冗余属性,最后设计了神经网络分类器和辨识器。实验结果显示,诊断系统能较好地区分和辨识具有相同故障现象的不同故障,诊断正确率达到96.7%。将粗糙集理论与神经网络相结合,简化了信息表达空间,减小了神经网络结构的复杂性,并具有强大的容错和抗干扰能力,工程实用性强。     

二次加权引导滤波融合双色彩空间模型的立体匹配

立体匹配一直以来都是双目视觉领域中研究的重点 和难点。针对现有立体匹配算法边 缘保持性差、匹配精度低等问题,提出了一种二次加权引导滤波融合双色彩空间模型的立体 匹配算法(Secondary Weighted Guided Filtering fusion double color model,SWGF)。首 先在代价计算阶段提出了一种双色彩空间模型,从两个颜色空间进行像素颜色匹配代价计算 ,增强像素在低纹理区域的特征;然后在代价聚合阶段基于HSV颜色空间利用不同窗口中像 素纹理不同加入一个边缘保持项,从而使正则化参数进行自适应调整。在一次引导滤波之后 ,我们使用Census变换得到的汉明距离和初始视差完成一次代价更新,再次对其进行代价聚 合,随后计算视差并对视差进行左右一致性检测、空洞填充和加权中值滤波等优化,最后获 得视差图。本文算法在Middlebury测试平台上测试结果表明SWGF算法误匹配率仅为 4.61%,可以大幅提升立体匹配的精度,同时增强其边缘保持性。     

基于拟合衰减差自补偿的分布式光纤温度传感器

针对斯托克斯光和反斯托克斯光的本质损耗、附加损耗使分布式光纤温度传感器产生测温误差的问题,通过对分布式光纤温度传感器的温度解调原理的研究,提出了拟合斯托克斯光与反斯托克斯光之间衰减差的方法实现温度自补偿,以此减小测温误差.以传感光纤上不同位置的两部分作为参考段和测温段,参考段的光信号作为测温段拟合多阶衰减差和解调温度的参量,通过引入多阶拟合结果解调温度,减小因斯托克斯光和反斯托克斯光的本质损耗、附加损耗导致的温度误差,实现温度的初步修正.改变光纤上同一位置的温度,取3组不同温度值及对应信号值计算引入拟合衰减差前后的瑞利噪声,分析了瑞利噪声与光纤长度和温度的关系,通过引入拟合衰减差消除瑞利噪声,减小了斯托克斯光和反斯托克斯光的本质损耗、附加损耗导致的瑞利噪声误差,实现温度的再次修正.分析比较多阶衰减差拟合结果对测温误差以及消除瑞利噪声的影响,获得最优拟合阶次.在拟合因参考段的附加损耗而导致的测温段的附加误差后,通过拟合结果进行温度补偿,完成了最终温度修正.实验结果表明,在30-90℃,引入一阶线性拟合结果的温度修正效果最好,经过三次修正后,测温误差从10.50℃降低至0.90℃.     

面向CNN模型图像分类任务的高效激活函数设计

激活函数（Activation Functions，AF）对于卷积神经网络学习、拟合复杂函数模型来说具有十分重要的作用，为了使神经网络能更好更快的完成各类学习任务，设计了一种新型高效激活函数EReLU。EReLU通过引入自然对数函数有效缓解了神经元“坏死”和梯度弥散问题，通过分析激活函数及其导函数在前馈和反馈过程中的作用对EReLU函数的数学模型探索设计，经测试确定EReLU函数的具体设计方案，最终实现了提升精度和加速训练的效果；随后在不同网络和数据集上对EReLU进行测试，结果显示EReLU相较于ReLU及其改进函数精度提升0.12%~6.61%，训练效率提升1.02%~6.52%，这有力地证明了EReLU函数在加速训练和提升精度方面的优越性。     

图像的小波可变阈值去噪方法

鉴于当前智能手机显示屏多采用RGBG格式的像 素结构,本文提出了应用于AMOLED的RGB到 RGBG高速像素转换技术(HSHQ)。该技术的特征是先区分出简单转换点和复杂转换点,对于 简单转换点采 用直接赋值实现像素转换,对于复杂转换点,采用权重因子算法实现像素转换。本文主要有 三个创新点:(1) 不同于传统方法对图像中所有像素进行复杂转换,本文首创性地提出了以相邻像素单 元的灰阶差值作 为判断依据,进行转换像素标记,区分出简单转换点和复杂转换点,只针对标记点进行复杂 像素结构转换。 因此,该方法提高了像素转换速度。(2) 对于简单转换点,采用直接赋值法,由于原图像 的灰阶不做改变, 该方法完全保留了简单转换点的图像信息。(3) 对于复杂转换点,采用权重因子算法,在 将转换前后信息损失降至最低的同时,抑制了彩边效应。 相比于DA算法,HSHQ算法处理所得图像的PSNRU和PSNRV分别提高了7.04%和6.62%。相比于ED MSE,HSHQ算法的转换率降低了75.63%。因此,本文提出的算法在保证转换质量的同时,大 大提高了转换速度。     

融合梯度及分数阶积分算子的SVM滤波

为了在滤除椒盐噪声时更好的保护图像特征信息 ,利用分数阶积分算子、梯度信息和SVM 设计了一种滤波方法 FG-SVM。先设计PCNN噪点检测模型,将检测的噪点及信号点对应位置分别标记为1和0, 生成标记图像;然后根据标 记图像,在噪声图像上对每一个以信号点为中心的5×5区域,用中心 点周围的像素灰度信息、分数阶积分算子及梯度信 息构建训练样本,训练SVM获得去噪模型;再取以噪点为中心的5×5 区域构建测试样本,作为SVM去噪模型的输入来 估计区域中心的灰度值;最后用SVM的估计值取代噪点的灰度值,得到去噪图像。仿真试验 表明,分数阶积分阶次取 1.7时,能获得最好的去噪效果。对含噪 1%的Lena、Pepper及Camer.去噪,FG-SVM 的PSNR比MPCNN分别提高了[4.19,3.64]dB,且去噪图像的边缘细节清晰。     

点击率的深度交叉注意力预估模型

为了区分不同高阶交叉特征的重要程度并剔除冗余交叉特征,提高点击率的预估精度,提出了一种深度交叉注意力预估网络(deep cross attention prediction network, DAPN)模型。它将具有稀疏高维特征的输入信息表示为低维稠密向量后,分别送入因子分解机(factorization machine, FM)和深度交叉注意力层(deep cross attention, DCA)。FM通过一阶特征和二阶特征交叉挖掘训练数据中从未出现或者很少出现的低阶交叉特征。DCA层利用缩放点积注意力机制(dot-product attention,DP＿Att)设计交叉注意力层,用于区分高阶交叉特征的重要度,并设计深度神经网络(deep neural network, DNN)实现对高阶交叉特征建模。仿真表明,DAPN在MovieLens-1m和Avazu等公开数据集上均具有良好的预估性能,它使用并行结构能同时有效地学习低阶和高阶交叉特征,提高预估精度。