1 军事科学院, 北京 100071
2 天津(滨海)人工智能创新中心, 天津 300000
3 中国人民解放军 96911部队, 北京 100089
4 军事科学院, 北京 100071国防科技大学计算机学院, 湖南长沙 410073
远距离广视角场景中由于红外热成像仪成像原理的局限性、大气环境的干扰、远距离传输介质对红外辐射的衰减, 检测目标面临巨大挑战。本文在详细分析了图像背景复杂、目标特性弱小、图像对比度低和结构特性缺失等红外弱小目标图像特性的基础上, 从基于目标突显和背景预测两大类概述了单帧红外图像弱小目标检测技术的研究现状, 并探讨了红外弱小目标检测研究的发展趋势。
红外弱小目标检测 目标突显 背景预测 数理驱动 数据驱动 infrared dim small target detection, target highli
1 陆军炮兵防空兵学院郑州校区, 郑州 450000
2 火箭军工程大学, 西安 710000
针对现有质量相关故障检测方法中故障信号容易被非平稳变量的随机趋势所掩盖, 从而导致故障检测率低的问题, 提出了一种基于协整分析和改进潜结构投影(CA-MPLS)法的质量相关故障检测方法。首先, 通过协整分析提取非平稳变量间的平稳特征趋势; 然后, 将平稳特征信息与平稳变量融合构造正交投影空间, 把过程变量以正交投影方式投影于质量相关子空间以及质量无关子空间中; 最后, 分别在两种子空间中设置相关的统计指标完成在线监测。在田纳西-伊斯曼中的仿真结果表明, 所提方法可以显著减少非平稳特性的干扰, 提高故障检测的准确度。
数据驱动 协整分析 偏最小二乘 过程监测 故障检测 data driving cointegration analysis partial least squares process monitoring fault detection
1 浙江大学材料科学与工程学院硅材料国家重点实验室,杭州 310027
2 中国建筑第四工程局有限公司, 广州 510665
随着机器学习技术的不断发展和玻璃材料数据的逐步积累,基于数据驱动的组分设计方法已成为玻璃新材料开发的一种有力手段。本文采用随机森林回归算法构建了包含56种氧化物的玻璃组分与性能预测模型,并采用SHAP分析等方法进行了可解释性研究,实现了在高维组分空间对线膨胀系数、密度及弹性模量的准确预测。利用该预测模型在Si-Al-B-Ca-Mg-Na六元氧化物组分空间中对约118万个玻璃配方进行快速预测,并对优选的4组硼硅酸盐玻璃样品进行测试。结果表明,样品的线膨胀系数分布在(5200~5800)×10-7℃-1,密度分布在234~239 g/cm3,弹性模量分布在6700~74.00 GPa,与模型预测结果相符,且优于相关规范要求。
机器学习 数据驱动 幕墙玻璃 硼硅酸盐氧化物玻璃 组分设计 machine learning data driving glass curtain wall borosilicate oxide glass composition design
西安工业大学光电工程学院,陕西 西安 710021
光度立体三维(3D)重建是机器视觉和光度学领域中研究的热点问题,由于设备简单、成本低廉、分辨率高,得到广泛的应用。近年来,伴随着人工智能与深度学习技术的蓬勃发展,光度立体技术的发展进入一个崭新的时代。对深度学习技术在光度立体3D重建中的研究进展进行综述。首先,介绍光度学3D重建的研究背景和基本原理;其次,对光度立体3D重建方法的类型进行概述;接着,简要介绍常用的合成与实际拍摄数据集;然后,详细阐述深度学习技术在光度立体3D重建中的应用,它将基于物理模型的光度立体技术变为一种“数据驱动”下的技术,从而实现较高的预测精度;最后,进行分析与总结,并指出深度学习技术在光度立体领域所面临的挑战以及未来的研究趋势。
光度立体 三维重建 光度学 人工智能 深度学习 数据驱动 激光与光电子学进展
2023, 60(8): 0811011
1 中国科学院上海硅酸盐研究所无机功能材料与器件重点实验室, 上海 201899
2 中国科学院大学材料科学与光电工程中心, 北京 100049
机器学习等数据驱动方法能够快速发掘数据之间潜在的统计相关性, 实现目标量的高效精准预测, 并辅助分析数据背后的物理图像, 已被广泛应用于材料性能预测和器件设计的研究之中。近年来, 机器学习模型研究在微波介质陶瓷材料及器件开发中也取得了系列进展。本文介绍了机器学习方法的基本原理和过程, 重点总结了微波介质陶瓷的介电常数、品质因数等关键性能的机器学习预测模型研究的最新进展, 探讨了材料成分、结构、工艺等参数与微波介电性能之间的关系, 并概述了机器学习方法在微波天线和滤波器的尺寸优化、失效分析等方面的应用。最后, 指出了数据驱动研究在微波介质陶瓷材料及器件领域的若干发展方向。
数据驱动范式 机器学习 微波介质陶瓷 介电性能 微波器件 data-driven paradigm machine learning microwave dielectric ceramics dielectric properties microwave devices
1 新疆大学, 乌鲁木齐 830000
2 大连理工大学,辽宁 大连 116000
针对非均匀采样非线性系统存在外界扰动造成难以控制的问题, 利用数据驱动策略, 提出了无模型自适应准滑模控制算法。首先, 将系统动态线性化过程中的伪雅可比矩阵参数估计误差视为一种外界扰动; 其次, 利用滑模控制的方法对该动态线性化模型进行控制器设计。该算法特点是: 结合了滑模控制固有的特性来减小外界扰动对系统控制作用的影响, 有效地提高了控制效果。最后, 对该控制算法的稳定性也进行了分析, 通过一个非均匀采样非线性系统的仿真实验验证了所提算法的有效性。
滑模控制 数据驱动策略 稳定性 参数估计 非均匀采样 sliding mode control data driven strategy stability parameter estimation non-uniform sampling
1 青海大学机械工程学院,西宁810016
2 阳光能源(青海)有限公司,西宁810007
直拉法在制备硅单晶的过程中存在机理假设多、多场耦合下边界条件不明确和化学变化交错且相互影响等问题,导致无法建立准确的机理模型用于硅单晶生长过程控制。针对此问题,本文以单晶炉拉晶车间的大量晶体生长数据为基础,基于互信息理论提出的最大信息系数(MIC)算法,对与晶体直径相关的特征参数进行分析,然后基于带外源输入的非线性自回归(NARX)动态神经网络,建立多输入单输出的等径阶段晶体直径预测模型,并对三台单晶炉拉晶数据进行直径预测,预测的平均均方误差值为0.000 774。最后将NARX动态神经网络同反向传播(BP)神经网络进行对比分析,验证了该模型的优越性。结果表明,NARX动态神经网络为晶体直径的控制提供了一种更准确的辨识模型。
硅单晶 直径辨识 非线性自回归 BP神经网络 直拉法 数据驱动 silicon single crystal diameter identification nonlinear autoregression BP neural network Czochralski method datadriven
1 国家电网公司电力线通信应用技术实验室 北京智芯微电子科技有限公司,北京 102200
2 北京电科智芯科技有限公司,北京 100192
3 吉林大学仪器与电气工程学院,吉林 长春 130026
4 东北电力大学 电气工程学院,吉林 吉林 132012
5 吉林工程技术师范学院 量子信息技术交叉学科研究院,吉林 长春 130052
随着智能电网的快速发展,用于监视电网运行状况的测量设备大规模投入,其产生的海量运行图像等监视数据由于规模大、维度高、数据冗余等问题难以得到有效利用。为了进一步提高电力大数据的分析应用能力,文中提出一种基于深度学习的电网运行图像数据压缩方法,考虑电网图像监视数据在时序上的耦合关联,通过卷积神经网络对电网运行图像数据进行压缩,有效减少了电网运行图像数据的冗余度。与其他方法相比,基于卷积神经网络的图像数据压缩模型不依赖于人工的数据特征提取和工程经验,可以直接以电网中采集到的原始图像数据的灰度函数作为模型的输入,将数据的特征提取和分类合二为一,实现电网运行图像数据的高效、便捷压缩。通过仿真进行了文中所提方法有效性的验证,结果表明,与其他神经网络相比,所提方法在电网图像压缩效率及压缩精度中具有较强优势。
智能电网 深度学习 数据驱动 卷积神经网络 图像压缩 smart grid deep learning data-driven convolutional neural network image compression 红外与激光工程
2022, 51(12): 20220097