目前,基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取,导致输出的密集点云存在异常值过多、细粒度不高等问题。为解决上述问题,提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel Multi-...目前,基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取,导致输出的密集点云存在异常值过多、细粒度不高等问题。为解决上述问题,提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel Multi-scale with Attention mechanism for Point cloud Upsampling),网络由特征提取器、特征拓展器、坐标细化器和坐标重建器4个模块级联组成。首先给定一个N×3的稀疏点云作为输入,为了获得点云的全局和局部特征信息,设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)用于将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度,得到高维点云特征,以更好地保留点云特征的边缘信息,将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。在合成数据集PU1K上的对比实验结果表明,PMA-PU生成的密集点云在倒角距离(CD)、豪斯多夫距离(HD)和点面距离(P2F)上都有显著提升,分别比性能次优的网络模型优化了7.863%,21.631%,14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器,能够生成细粒度更高、形状更接近真实值的密集点云。展开更多
荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样...荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样点卡尔曼滤波(square root sigma point Kalman filter,SRSPKF)方法,配合在线递推最小二乘(recursive least square,RLS)算法,同时实现对电池等效模型参数的辨识以及对电池荷电状态的估算。理论上讲,SRSPKF算法使系统状态直接以其方差的平方根形式传播,可显著降低常规Sigma点卡尔曼滤波器(sigma points Kalman filter,SPKF)算法的复杂性。实验结果表明,相对SPKF而言,SRSPKF具有更强的状态估计误差抑制能力,采用SRSPKF可以获得比SPKF更准确的SOC估计结果。展开更多
相对于土壤有机碳(soil organic carbon,SOC)空间变异性及合理采样点数量的研究,其时间变异性及揭示特定时段SOC变化所需采样点数量的研究较少。选择红壤丘陵区的江西省余江县为研究区,分析了1982—2007年SOC含量的时间变异特征,并估算...相对于土壤有机碳(soil organic carbon,SOC)空间变异性及合理采样点数量的研究,其时间变异性及揭示特定时段SOC变化所需采样点数量的研究较少。选择红壤丘陵区的江西省余江县为研究区,分析了1982—2007年SOC含量的时间变异特征,并估算了揭示该时段SOC变化所需土壤采样点数量。结果表明,1982—2007年SOC含量均值由14.18增至16.27 g kg-1,增幅为14.74%,其变异系数则由0.22上升为0.44。各土地利用方式中,水田和林地SOC含量分别增加了2.93和3.12g kg-1,而旱地则降低了2.55 g kg-1;同时各利用方式的SOC含量变异系数均出现较大幅度的提高。基于两时段的全部样点,在95%和90%置信区间上,计算得到揭示该时段全县SOC时间变异所需的采样点数量分别为186和147。基于各土地利用方式的SOC变化,计算得到水田、旱地和林地所需采样点数量分别为68、44和144(95%置信区间)及54、34和112(90%置信区间);揭示旱地SOC变化所需采样点数量应为水田的60%以上,而林地所需样点则为水田的2倍以上。该研究结果可为红壤区SOC时间变异性及其调查采样提供参考。展开更多
文摘目前,基于深度学习的点云上采样方法缺失对局部区域特征关联性的关注和对全局特征的多尺度提取,导致输出的密集点云存在异常值过多、细粒度不高等问题。为解决上述问题,提出了嵌入注意力机制的并行多尺度点云上采样网络(Parallel Multi-scale with Attention mechanism for Point cloud Upsampling),网络由特征提取器、特征拓展器、坐标细化器和坐标重建器4个模块级联组成。首先给定一个N×3的稀疏点云作为输入,为了获得点云的全局和局部特征信息,设计了一个嵌入注意力机制的并行多尺度特征提取模块(PMA)用于将三维空间的点云映射到高维特征空间。其次使用边缘卷积特征拓展器拓展点云特征维度,得到高维点云特征,以更好地保留点云特征的边缘信息,将高维点云特征通过坐标重建器转换回三维空间中。最后使用坐标细化器精细调整输出点云细节。在合成数据集PU1K上的对比实验结果表明,PMA-PU生成的密集点云在倒角距离(CD)、豪斯多夫距离(HD)和点面距离(P2F)上都有显著提升,分别比性能次优的网络模型优化了7.863%,21.631%,14.686%。可视化结果证明了PMA-PU具有性能更好的特征提取器,能够生成细粒度更高、形状更接近真实值的密集点云。
文摘荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样点卡尔曼滤波(square root sigma point Kalman filter,SRSPKF)方法,配合在线递推最小二乘(recursive least square,RLS)算法,同时实现对电池等效模型参数的辨识以及对电池荷电状态的估算。理论上讲,SRSPKF算法使系统状态直接以其方差的平方根形式传播,可显著降低常规Sigma点卡尔曼滤波器(sigma points Kalman filter,SPKF)算法的复杂性。实验结果表明,相对SPKF而言,SRSPKF具有更强的状态估计误差抑制能力,采用SRSPKF可以获得比SPKF更准确的SOC估计结果。
文摘相对于土壤有机碳(soil organic carbon,SOC)空间变异性及合理采样点数量的研究,其时间变异性及揭示特定时段SOC变化所需采样点数量的研究较少。选择红壤丘陵区的江西省余江县为研究区,分析了1982—2007年SOC含量的时间变异特征,并估算了揭示该时段SOC变化所需土壤采样点数量。结果表明,1982—2007年SOC含量均值由14.18增至16.27 g kg-1,增幅为14.74%,其变异系数则由0.22上升为0.44。各土地利用方式中,水田和林地SOC含量分别增加了2.93和3.12g kg-1,而旱地则降低了2.55 g kg-1;同时各利用方式的SOC含量变异系数均出现较大幅度的提高。基于两时段的全部样点,在95%和90%置信区间上,计算得到揭示该时段全县SOC时间变异所需的采样点数量分别为186和147。基于各土地利用方式的SOC变化,计算得到水田、旱地和林地所需采样点数量分别为68、44和144(95%置信区间)及54、34和112(90%置信区间);揭示旱地SOC变化所需采样点数量应为水田的60%以上,而林地所需样点则为水田的2倍以上。该研究结果可为红壤区SOC时间变异性及其调查采样提供参考。
