基于小波变换的精密测试转台测角系统的故障诊断

针对精密测试转台测角系统的突变性故障、饱和故障和高频干扰故障,研究并提出了一种基于离散小波变换的故障特征提取方法。这种方法采用db4小波函数对测角系统激磁信号进行小波变换,将原始信号分解为近似信号和细节信号。根据分解得到第一层的细节信号,可以定位突变性故障和饱和故障。通过多层分解,确定近似信号和细节信号的最大幅值,根据信噪比大小可以确定是否存在高频干扰故障。实验结果显示,通过该方法可以实现对测角系统激磁电源故障准确的故障特征提取和定位,提高了精密测试转台的安全性和可靠性。     

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%...     

基于粗集理论的精密测试转台故障诊断

分析了精密测试转台的故障类型及产生机理,研究并提出了基于粗集理论的故障诊断方案．该方案基于不可分辨性的思想和知识简化的方法,在保持分类能力不变的前提下,采用差别矩阵对精密测试转台故障库进行知识约简,从故障样本集中推理出逻辑规则作为诊断规则,揭示了转台故障信息的内在冗余性．实验结果显示,通过该方法可以实现对精密测试转台故障的准确定位,提高了精密测试转台的安全性和可靠性。     

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。     

基于邻域粗糙集的转台故障诊断

针对转台的故障类型和特点,设计了基于邻域粗糙集的故障诊断系统。邻域粗糙集以邻域关系代替经典粗糙集的等价关系,通过邻域信息粒子逼近论域空间,可以直接处理数值型属性。提出了一种基于邻域等价关系的混合约简算法,通过计算条件属性的依赖度,对原始决策表进行约简,有效地剔除了系统的冗余属性。在约简决策表的基础提取分类规则,并最终生成分类机。通过对转台故障诊断的实验,验证了该方案的有效性和可行性。     

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。     

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。     

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。