由于低照度配对图像的制作成本昂贵且难于制作,而非配对低照度图像增强方法不依赖配对图像数据因而更有实用价值,但其缺乏详细的监督信号导致输出图像存在全局曝光不一致、色彩失真和大量噪声等视觉退化问题,在实际应用中存在挑战.为了...由于低照度配对图像的制作成本昂贵且难于制作,而非配对低照度图像增强方法不依赖配对图像数据因而更有实用价值,但其缺乏详细的监督信号导致输出图像存在全局曝光不一致、色彩失真和大量噪声等视觉退化问题,在实际应用中存在挑战.为了更好地满足实用需求,提出一种基于全局一致的非配对低照度增强方法(unpaired low-light enhancement method based on global consistency,GCLLE).首先,该方法通过全局一致性保持模块(global consistency preserving module,GCPM)将编码器和解码器中相同尺度的特征重新建模并融合以矫正不同尺度的上下文信息,保证输出图像全局曝光调整一致性和全局结构一致性,使得图像亮度分布均匀并避免扭曲和失真;利用局部平滑和调制模块(local smoothing and modulation module,LSMM)学习一组局部的低阶曲线映射,为图像提供更宽的动态范围并进一步提高质量,实现真实和自然的增强效果;提出使用双路池化融合深层特征的深度特征强化模块(deep feature enhancement module,DFEM)压缩无关信息并突出更有区分度的编码特征,减少了不准确信息并使得解码器更容易捕获图像中的低强度信号,保留图像更多细节.不同于关注配对图像像素间一对一映射关系的配对增强方法,GCLLE通过缩小低照度图像与非配对正常照度图像之间的风格差异实现增强.在MIT和LSRW数据集上进行大量的实验,结果表明所提方法在多个客观指标上超过了现有典型低照度增强方法,具有更好的增强效果.展开更多
探讨了基于远距离无线电(long range radio,LoRa)技术的配电网真型试验场数据传输与分析系统的设计。该系统架构采用传感层、网络层及应用层,通过单片机处理传感器数据,并通过LoRa网络传输至服务器。服务器端利用随机森林算法对数据进...探讨了基于远距离无线电(long range radio,LoRa)技术的配电网真型试验场数据传输与分析系统的设计。该系统架构采用传感层、网络层及应用层,通过单片机处理传感器数据,并通过LoRa网络传输至服务器。服务器端利用随机森林算法对数据进行分类、预测和预警。实证测试表明,该系统在复杂电磁环境下能够稳定、可靠地传输监测数据,且数据分析功能有效,提高了配电网真型试验场的数智化管理水平。展开更多
在复杂工业生产过程中,为提高产品质量和生产效率,建立准确的工业运行状态性能等级评估模型十分重要。近年来,深度学习技术在这个领域中取得了一些进展。然而,实际工业生产过程中经常遇到数据样本不平衡情况,现有的深度学习性能评估方...在复杂工业生产过程中,为提高产品质量和生产效率,建立准确的工业运行状态性能等级评估模型十分重要。近年来,深度学习技术在这个领域中取得了一些进展。然而,实际工业生产过程中经常遇到数据样本不平衡情况,现有的深度学习性能评估方法在有限的少数样本中挖掘有价值的特征信息能力不佳,从而导致性能评估准确度低。为此,设计了一种双变分自编码器权重特征自适应融合的生成对抗网络(generative adversarial network based on weighted adaptive feature fusion network of double variational autoencoder,DVAE-WAFFN-GAN),对较少类别样本进行增强,提高了性能评估的准确度。该方法将VAE和GAN网络进行结合,首先用稀少类数据去预训练卷积变分自编码器(CNN-VAE)和长短时记忆变分自编码器(LSTM-VAE)提取真实数据的时空特征信息。训练生成网络时,随机噪声先输入到预训练的两个解码器中,解码器输出真实样本编码后的特征向量,再利用注意力机制设计权重自适应特征融合网络(WAFFN)对两个变分自编码器解码器输出的特征向量赋予不同权重进行融合,利用融合后的特征向量代替原始GAN中的随机噪声去生成数据,从而提高生成器生成数据的质量,提高性能评估的准确率。最后将该方法在样本不平衡的工业数据集上进行仿真实验。展开更多
软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一...软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一种基于时差的多输出tri-training异构软测量方法。通过构建一种新的tri-training框架,采用多输出的高斯过程回归(multi-output Gaussian process regression,MGPR)、相关向量机(multi-output relevance vector machine,MRVM)、最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)三种模型作为基线监督回归器,使用标记数据进行训练和迭代;同时,引入时间差分(time difference,TD)改进模型的动态特性,并通过卡尔曼滤波(Kalman filtering,KF)优化模型的参数,提高其预测性能;最后通过模拟污水处理平台(benchmark simulation model 1,BSM1)和实际污水处理厂对该模型进行了验证。结果表明,与传统的软测量建模方法相比,该模型能显著提高数据分布不平衡下软测量模型的自适应性和预测性能。展开更多
文摘由于低照度配对图像的制作成本昂贵且难于制作,而非配对低照度图像增强方法不依赖配对图像数据因而更有实用价值,但其缺乏详细的监督信号导致输出图像存在全局曝光不一致、色彩失真和大量噪声等视觉退化问题,在实际应用中存在挑战.为了更好地满足实用需求,提出一种基于全局一致的非配对低照度增强方法(unpaired low-light enhancement method based on global consistency,GCLLE).首先,该方法通过全局一致性保持模块(global consistency preserving module,GCPM)将编码器和解码器中相同尺度的特征重新建模并融合以矫正不同尺度的上下文信息,保证输出图像全局曝光调整一致性和全局结构一致性,使得图像亮度分布均匀并避免扭曲和失真;利用局部平滑和调制模块(local smoothing and modulation module,LSMM)学习一组局部的低阶曲线映射,为图像提供更宽的动态范围并进一步提高质量,实现真实和自然的增强效果;提出使用双路池化融合深层特征的深度特征强化模块(deep feature enhancement module,DFEM)压缩无关信息并突出更有区分度的编码特征,减少了不准确信息并使得解码器更容易捕获图像中的低强度信号,保留图像更多细节.不同于关注配对图像像素间一对一映射关系的配对增强方法,GCLLE通过缩小低照度图像与非配对正常照度图像之间的风格差异实现增强.在MIT和LSRW数据集上进行大量的实验,结果表明所提方法在多个客观指标上超过了现有典型低照度增强方法,具有更好的增强效果.
文摘探讨了基于远距离无线电(long range radio,LoRa)技术的配电网真型试验场数据传输与分析系统的设计。该系统架构采用传感层、网络层及应用层,通过单片机处理传感器数据,并通过LoRa网络传输至服务器。服务器端利用随机森林算法对数据进行分类、预测和预警。实证测试表明,该系统在复杂电磁环境下能够稳定、可靠地传输监测数据,且数据分析功能有效,提高了配电网真型试验场的数智化管理水平。
文摘在复杂工业生产过程中,为提高产品质量和生产效率,建立准确的工业运行状态性能等级评估模型十分重要。近年来,深度学习技术在这个领域中取得了一些进展。然而,实际工业生产过程中经常遇到数据样本不平衡情况,现有的深度学习性能评估方法在有限的少数样本中挖掘有价值的特征信息能力不佳,从而导致性能评估准确度低。为此,设计了一种双变分自编码器权重特征自适应融合的生成对抗网络(generative adversarial network based on weighted adaptive feature fusion network of double variational autoencoder,DVAE-WAFFN-GAN),对较少类别样本进行增强,提高了性能评估的准确度。该方法将VAE和GAN网络进行结合,首先用稀少类数据去预训练卷积变分自编码器(CNN-VAE)和长短时记忆变分自编码器(LSTM-VAE)提取真实数据的时空特征信息。训练生成网络时,随机噪声先输入到预训练的两个解码器中,解码器输出真实样本编码后的特征向量,再利用注意力机制设计权重自适应特征融合网络(WAFFN)对两个变分自编码器解码器输出的特征向量赋予不同权重进行融合,利用融合后的特征向量代替原始GAN中的随机噪声去生成数据,从而提高生成器生成数据的质量,提高性能评估的准确率。最后将该方法在样本不平衡的工业数据集上进行仿真实验。
文摘软测量技术为工业过程中重要变量及难测变量的预测提供了一个有效的解决办法。然而,由于工业过程的复杂化和高昂的数据获取成本,使得标记数据与未标记数据分布不平衡。此时,构建高性能的软测量模型成为一个挑战。针对这一问题,提出了一种基于时差的多输出tri-training异构软测量方法。通过构建一种新的tri-training框架,采用多输出的高斯过程回归(multi-output Gaussian process regression,MGPR)、相关向量机(multi-output relevance vector machine,MRVM)、最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)三种模型作为基线监督回归器,使用标记数据进行训练和迭代;同时,引入时间差分(time difference,TD)改进模型的动态特性,并通过卡尔曼滤波(Kalman filtering,KF)优化模型的参数,提高其预测性能;最后通过模拟污水处理平台(benchmark simulation model 1,BSM1)和实际污水处理厂对该模型进行了验证。结果表明,与传统的软测量建模方法相比,该模型能显著提高数据分布不平衡下软测量模型的自适应性和预测性能。
