彩色图像去噪方法的研究

通过将彩色图像转化成数字图像,应用二值图像的腐蚀和膨胀运算,实现了彩色图像的支噪,数值实验的结果令人满意。此外,给出了不同结构填充元素对同一幅彩色图片进行去噪得到的不同结果。通过实测证明这种方法是有效、可行的。     

高速列车运行工况可视化系统的研究

介绍-种表现高速铁路运行状况的动画设计和制作方法.综合有关铁路线路各个分立数据库的内容,如:线路坡道、桥梁、隧道、车站、挖填方等,运用动画仿真技术,从纵断面的视角将各个数据库存储的线路属性参数在同一个画面上统一、关联地表现出来,达到直观便捷的表现效果.     

基于线谱特征提取的被动声纳目标识技术研究

该文针对被动声纳目标识别,着重研究了线谱特征提取方法,提出了一种自适应遗传BP算法,并用该算法训练神经网络目标分类器。经对上海上实录三类目标噪声分类识别实验结果表明,所设计的被动声纳目标识别系统具有很好的分类效果。     

时频分析在宽带信号检测中的应用研究

该文以时频分析中最典型的Wigner Ville分布在宽带信号检测中的应用展开讨论 ,与传统的处理方法进行比较 ,着重突出了其时频特征分离的特性。对比匹配滤波器进行了宽带确知信号的检测 ,指出基于互Wigner Ville分布的检测方法能够达到匹配滤波器的检测效果。在此基础上提出了采用时变滤波的改进方法 ,最后讨论了信号时宽、带宽对检测性能的影响。     

源贡献的时域分析方法

本文通过对采用多输入输出模型的舰艇水下噪声系统的分析,给出时域处理的输入对输出贡献网络解的方法;其次,给出输入输出协方差矩阵的归一化处理;最后给出输入对输出贡献的偏相干处理。方法对实际数据的应用可参见文献[3]。     

舰船上变流电源供电系统的滤波及接地技术研究

大功率开关方式变流电源在舰船应用中出现严重的电磁干扰(尤其是共模干扰)问题日益引起关注。分析了电力电子变流电源在舰船上产生电磁干扰的原因,并对电源系统的滤波和接地问题作了进一步的探索,结合实际应用中的问题给出了理论分析和仿真结果,指出共模滤波器对地泄放电流以及舰船电子设备固有的“多点接地”将对敏感设备造成较大的电磁干扰。结果对于舰船电子设备电磁干扰预测有指导意义。     

高速列车噪声源声功率与速度的函数关系

为了解决既有对数经验公式无法拟合高速列车显著声源贡献率与速度的函数关系这一问题,使用轮辐声阵列进行高速列车车外声源识别试验;根据显著声源位置对列车表面进行区域划分,量化分析显著声源区域的声功率级和声功率贡献率与速度之间的关系;在既有对数经验公式的基础上,根据不同种类噪声声功率随速度的变化特性,建立新的拟合公式;结合列车噪声测试数据对新的拟合公式进行验证. 研究结果表明:列车以350 km/h运行时,下部区域对列车总辐射噪声的贡献率占70%以上,升弓区域对局部区域声功率的影响最显著,超过50%;随着速度的增长,下部区域的贡献率逐渐减小,弓网区域逐渐增大,显著声源区域的贡献率变化先快后慢,最后趋于稳定;利用新的拟合方法得出,列车声源区域的声功率级和声功率贡献率与速度的拟合度基本都在0.9以上.      

基于自回归条件异方差转换指标的非线性损伤识别

为了解决时域非线性损伤的识别问题,基于自回归条件异方差（ARCH）模型的基本理论给出了ARCH模型建模的定阶方法及模型参数估计的极大似然估计法;分析了结构非线性损伤的特性,提出了基于ARCH模型的非线性损伤识别原理;考虑到基于自由度的损伤指标难于判断损伤位置,故提出了一种自回归条件异方差转换指标;在测量误差和模型误差的影响下,使用3层框架结构的非线性损伤试验来验证该损伤指标的有效性. 试验结果表明:非线性间隙距离为0.05 mm和0.10 mm时,损伤位置第3层的自回归条件异方差转换指标值比传统的倒谱测距转化指标值高21.7%以上;当非线性间隙距离为0.20 mm时,第3层的自回归条件异方差转换指标值比倒谱测距转化指标值高3.7%.      

基于轻量级卷积神经网络的烟雾识别算法

由于烟雾图像场景模糊不清,背景复杂多变,难以捕获到有效特征,导致算法识别误报率和漏报率较高;此外,深度卷积神经网络结构复杂,参数繁多,难以缩短其计算时间至1 ms内,这成为实时火灾预警的一大难题. 为了解决上述问题,提出了一种基于4种Inception结构的轻量级卷积神经网络SInception （sequeeze-and-excitation inception）在此基础上加入SE Block （sequeeze-and-excitation block）用于对烟雾特征进行重新分配;同时,为了避免由于训练样本不足引起的过拟合,原始数据集上采用数据增强技术以及生成对抗网络生成更多训练样本,并在后续实验中采用了融合暗通道先验特征的策略. 实验结果表明:该网络在增强的数据集GAN-Aug-YUAN上将识别误报率降为0的同时将准确率提升至99.65%,且计算时间减少到0.26 ms.      

基于YOLO的铁路侵限异物检测方法

基于现有的铁路侵限异物检测方法只能识别出静态障碍物且识别速度较慢的问题,提出一种基于YOLO算法的铁路侵限异物检测方法.针对铁路侵限异物检测的特殊性,合理设计YOLO模型结构.采用24个卷积层、4个最大池化层及2个全连接层完成异物图像的提取、降维、识别输出,并使用实拍疑似侵限异物图片对YOLO模型进行预训练,达到学习及降低过拟合的目的,最终实现了异物定位及识别的功能.实验中通过对1 660张单幅疑似铁路侵限异物图片进行检测,结果表明,该方法对正常曝光的侵限异物图片检测准确率较高,而且在识别速度方面较AlexNet及Adaboost算法具有较大的优越性.