稀疏采样与图像复原相结合不但可以压缩数据容量,而且还可以提高成像速度,对于发展高分辨率激光雷达成像技术具有重要意义。为了改善稀疏采样图像的复原效果,本文设计了一种新的残差通道注意力机制网络块,并将残差通道注意力机制引入到...稀疏采样与图像复原相结合不但可以压缩数据容量,而且还可以提高成像速度,对于发展高分辨率激光雷达成像技术具有重要意义。为了改善稀疏采样图像的复原效果,本文设计了一种新的残差通道注意力机制网络块,并将残差通道注意力机制引入到基于压缩感知迭代软阈值方法的深度展开网络中,抑制图像复原重建中因缺失高频信息而导致的模糊现象,形成了一种新的激光雷达稀疏采样图像的复原重建方法。该方法结合了传统压缩感知重建方法和神经网络方法的优势,与传统压缩感知重建方法相比,具有更快的重建速度;与现有神经网络方法相比,增强了结构洞察力,改进了重建图像模糊问题。以Middlebury Stereo Data 2006为测试数据集的验证计算表明,本文提出的方法与SDA、ReconNet、TVAL3、D-AMP和IRCNN等方法相比不但具有更好的图像重建质量,而且具有较高的计算效率;当稀疏采样比率为25%时,复原后图像的峰值信噪比要比其他方法高1.6 d B以上,是一种综合性能较理想的激光雷达稀疏图像复原方法。展开更多
针对现有的卷积、循环模型预测滚动轴承剩余使用寿命(Residual Life,RL)精度低的问题,提出一种基于改进自注意力机制的RL预测模型。首先,针对Transformer模型中自注意力机制内存占用高、信号存在噪声信息的问题,在窗口自注意力机制(Wind...针对现有的卷积、循环模型预测滚动轴承剩余使用寿命(Residual Life,RL)精度低的问题,提出一种基于改进自注意力机制的RL预测模型。首先,针对Transformer模型中自注意力机制内存占用高、信号存在噪声信息的问题,在窗口自注意力机制(Window Based Multi-head Self-attention,W-MSA)的基础上,提出概率窗口自注意力机制(Probwindow Based Multi-head Self-attention,PW-MSA);然后,针对多头信息不匹配和缺少局部信息的问题,采用Talking Head方法实现多头信息融合,并在前馈神经网络层加入深度可分离卷积提取局部信息,从而提升模型的预测精度。采用PHM2012轴承数据集将改进前后的自注意力机制模型进行比较,并和现有的先进预测模型对比,结果表明,改进自注意力机制模型可使预测精度提升13.04%。展开更多
针对现有的DDoS(distributed denial of service)攻击检测模型面临大量数据时,呈现出检测效率低的问题。为适应当前网络环境,通过研究DDoS攻击检测模型、提取流量特征、计算攻击密度,提出一种基于融合稀疏注意力机制的DDoS攻击检测模型G...针对现有的DDoS(distributed denial of service)攻击检测模型面临大量数据时,呈现出检测效率低的问题。为适应当前网络环境,通过研究DDoS攻击检测模型、提取流量特征、计算攻击密度,提出一种基于融合稀疏注意力机制的DDoS攻击检测模型GVBNet(global variable block net),使用攻击密度自适应计算稀疏注意力。利用信息熵以及信息增益分析提取攻击流量的连续字节作为特征向量,通过构建基于GVBNet的网络模型在两种数据集上进行训练。实验结果表明,该方法具有良好的识别效果、检测速度以及抗干扰能力,在不同的环境下具有应用价值。展开更多
针对锂离子电池健康状态(state of health,SOH)预测,提出了一种基于概率化稀疏自注意力机制(probsparseself-attentionmechanism,PSM)和长短期记忆(longshort-term memory,LSTM)神经网络的预测模型。首先,提取锂离子电池容量数据并进行...针对锂离子电池健康状态(state of health,SOH)预测,提出了一种基于概率化稀疏自注意力机制(probsparseself-attentionmechanism,PSM)和长短期记忆(longshort-term memory,LSTM)神经网络的预测模型。首先,提取锂离子电池容量数据并进行窗口化处理,利用位置嵌入获取高维数据之间的特征信息并对数据进行位置编码。然后,引入PSM对输入数据的权重进行稀疏性判断,增加对SOH预测具有关键影响的因素的权重。最后,利用LSTM神经网络捕获数据之间的时序特征进行锂离子电池SOH预测。实验结果表明,与其他常用的锂离子电池SOH预测模型相比,所提模型可以减少预测误差,具有更好的预测性能。展开更多
文摘稀疏采样与图像复原相结合不但可以压缩数据容量,而且还可以提高成像速度,对于发展高分辨率激光雷达成像技术具有重要意义。为了改善稀疏采样图像的复原效果,本文设计了一种新的残差通道注意力机制网络块,并将残差通道注意力机制引入到基于压缩感知迭代软阈值方法的深度展开网络中,抑制图像复原重建中因缺失高频信息而导致的模糊现象,形成了一种新的激光雷达稀疏采样图像的复原重建方法。该方法结合了传统压缩感知重建方法和神经网络方法的优势,与传统压缩感知重建方法相比,具有更快的重建速度;与现有神经网络方法相比,增强了结构洞察力,改进了重建图像模糊问题。以Middlebury Stereo Data 2006为测试数据集的验证计算表明,本文提出的方法与SDA、ReconNet、TVAL3、D-AMP和IRCNN等方法相比不但具有更好的图像重建质量,而且具有较高的计算效率;当稀疏采样比率为25%时,复原后图像的峰值信噪比要比其他方法高1.6 d B以上,是一种综合性能较理想的激光雷达稀疏图像复原方法。
文摘针对现有的卷积、循环模型预测滚动轴承剩余使用寿命(Residual Life,RL)精度低的问题,提出一种基于改进自注意力机制的RL预测模型。首先,针对Transformer模型中自注意力机制内存占用高、信号存在噪声信息的问题,在窗口自注意力机制(Window Based Multi-head Self-attention,W-MSA)的基础上,提出概率窗口自注意力机制(Probwindow Based Multi-head Self-attention,PW-MSA);然后,针对多头信息不匹配和缺少局部信息的问题,采用Talking Head方法实现多头信息融合,并在前馈神经网络层加入深度可分离卷积提取局部信息,从而提升模型的预测精度。采用PHM2012轴承数据集将改进前后的自注意力机制模型进行比较,并和现有的先进预测模型对比,结果表明,改进自注意力机制模型可使预测精度提升13.04%。
文摘针对锂离子电池健康状态(state of health,SOH)预测,提出了一种基于概率化稀疏自注意力机制(probsparseself-attentionmechanism,PSM)和长短期记忆(longshort-term memory,LSTM)神经网络的预测模型。首先,提取锂离子电池容量数据并进行窗口化处理,利用位置嵌入获取高维数据之间的特征信息并对数据进行位置编码。然后,引入PSM对输入数据的权重进行稀疏性判断,增加对SOH预测具有关键影响的因素的权重。最后,利用LSTM神经网络捕获数据之间的时序特征进行锂离子电池SOH预测。实验结果表明,与其他常用的锂离子电池SOH预测模型相比,所提模型可以减少预测误差,具有更好的预测性能。
