Abstract ：

准确识别城市固废焚烧(municipal solid wastes incineration,MSWI)过程的燃烧状态是提高焚烧效率、降低污染排放的关键因素之一.为此提出了一种基于多特征融合和改进级联森林(improved cascade forest,ICF)的燃烧状态识别策略.首先,采用人工多曝光图像融合去雾算法、特征归一化、陷波滤波、中值滤波等预处理手段进行去雾和去噪处理,获得清晰图像;然后,提取图像的亮度、火焰、颜色和主成分等多特征,从多个视图进行图像表征,并基于互信息对多特征进行约简;最后,将约简特征输入ICF模型以建立MSWI过程燃烧状态识别模型.基于北京某焚烧发电厂的实际火焰进行实验验证,结果表明所构建的模型可达到96.01％的识别准确率.

Keyword ：

互信息 燃烧状态识别 级联森林 特征提取 城市固废焚烧

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种基于时空关联的多模态数据融合感知方法及系统，图像数据首先进入图像去噪模块，去除噪声后输入特征提取模块。LiDAR点云数据经过校准生成深度图，进入LiDAR分支的特征提取模块。提取后的图像特征和LiDAR特征在特征融合匹配模块中进行多模态特征的融合和匹配。通过查询初始化模块，系统在鸟瞰图空间中生成一组查询点，附带空间位置信息，通过自适应注意力机制处理融合后的特征，以确保对不同尺度目标的精确检测。融合后的多模态特征通过时空采样与混合模块进行时序上的采样与对齐，最终为检测与分割提供高精度输入。本发明通过将多模态数据与时空关联策略结合，显著提升复杂场景中的3D目标检测与分割精度。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种减少毫米波雷达测距数据抖动的方法，属于雷达信号处理技术领域，旨在减少FMCW毫米波雷达在测距过程中目标距离数据的抖动。在无目标的状态下，通过多次采集背景噪声，设置噪声阈值，对原始数据进行去噪处理，以提高信号的清晰度。利用多通道天线数据，通过设计的波束方向和角度步进值，对天线阵列进行加权处理，生成距离角度图谱，确定目标粗索引位置。与传统的频谱细化算法不同，本发明不仅依赖频谱幅度信息，还结合改进的ZoomFFT算法，使用细化后频谱中的相位信息进行精细化测距。相位信息的使用能够更敏锐地捕捉目标的距离变化，从而显著提高测距精度。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提出一种结合Patch Savitsky‑Golay滤波和Transformer的水质指标预测模型。首先，利用滑动窗口技术将水质时间序列划分为多个子序列，以捕捉序列内在趋势和语义信息。基于此，通过Savitsky‑Golay滤波器对子序列进行去噪，进而提高信号‑噪声比，以确保水质序列数据的质量。最后，引入Transformer模块，利用其自注意力机制处理时间序列的非线性特性，从而增强模型对序列长期依赖关系的捕捉能力。以上策略有效提升水质指标预测的精度和可靠性。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明公开了一种污泥脱水机健康评估以及寿命预估方法，属于设备健康评估与预测领域；包括：从污泥脱水机监测系统采集设备各个关键部位的温度和振动等运行数据以及累计处理量等工作数据，完成预处理后的运行数据由一维卷积神经网络和堆叠去噪自编码器完成运行数据总特征集提取，随后输入由两个自组织映射神经网络构成的评分模型进行健康评分。将总特征集和工作数据合并输入基于遗传算法寻优的前馈神经网络寿命预估模型，最后由采用最优超参数组合的FNN进行剩余寿命预估。本发明考虑了多参数对污泥脱水机健康状态的影响，提高了评估准确性；能有效提升当下污水处理厂设备管理智能化水平，避免出现欠维护和过维护等问题，实现降本增效的目标。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明实施例提供一种轨道交通图像的生成方法，所述方法包括：获取轨道交通图像并输入至图像生成网络中，将图像初步处理为隐空间特征，并融合特征提取模块生成的特征提示以生成辅助特征；根据辅助特征指导扩散模型对经过初步处理的图像执行去噪过程，得到生成图像特征，将生成图像特征解码为输出图像。本发明所提出的生成方法通过使用少量的图像实现对扩散模型的微调，并生成多样化的图像；利用图像特征代替文本特征克服了文图数据标注繁琐、模型难以训练的问题；利用隐空间特征，使扩散模型在生成图像的过程中降低资源消耗，快速高效的完成轨道交通图像生成任务。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为研究隧道掘进爆破炮孔不同起爆位置振动效应，在连拱隧道中导洞开挖过程中开展相关试验研究，并基于CEEMDAN-小波包对监测到的爆破振动信号进行降噪处理。研究表明：1)采用CEEMDAN-小波包法对爆破振动信号进行去噪，重构，能有效保留爆破振动信号真实信息；2)炮孔不同起爆位置质点峰值振速，反向起爆>中间起爆>正向起爆；振动频率大小范围，正向起爆>反向起爆>中间起爆，其中正向起爆的频率分布更广，且具有多个峰值，有利于能量朝高频转移；3)对重构后的爆破振动信号进行Hilbert变换，发现隧道掏槽段爆破瞬时能量关系为：反向起爆>中间起爆>正向起爆；随着雷管段别的增加，反向起爆和正向起爆波形较宽、质点峰值振速较大，中间起爆振动波形较窄、质点峰值振速较小；4)对比分析炮孔不同起爆位置破岩块度，反向起爆更为均匀，效果最佳。

Keyword ：

CEEMDAN-小波包 爆破振动效应 信号降噪 不同起爆位置 隧道爆破

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于深度学习的癫痫脑电自动检测方法，能避免人为因素的影响而倍受关注，而其有效性主要取决于深度神经网络模型。为此，本研究将根据癫痫脑电的多尺度、时空特点及导联间的信息流动特征，设计一种基于注意力的多尺度残差网络（AMSRN），并与多尺度主元分析法（MSPCA）相结合，实现癫痫的自动检测。首先，利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计AMSRN模型结构与参数。其中，注意力模块（AM）、多尺度卷积模块（MCM）、时空特征提取模块（STFEM）和分类模块（CM）相继完成基于注意力加权机制的信号重表达以及多尺度-时空特征的提取、融合与分类。基于麻省理工学院的波士顿儿童医院（CHB-MIT）公共数据集进行5折交叉验证实验研究，AMSRN模型在灵敏度（98.56%）、F1分数（98.35%）、准确度（98.41%）及精确度（98.43%）等方面均取得了较好结果。结果表明，AMSRN模型能够很好地利用癫痫发作引起的脑网络信息流动强化导联间差异性，并有效捕获癫痫脑电的多尺度和时空特征，有利于改善癫痫检测性能。.; The deep learning-based automatic detection of epilepsy electroencephalogram (EEG), which can avoid the artificial influence, has attracted much attention, and its effectiveness mainly depends on the deep neural network model. In this paper, an attention-based multi-scale residual network (AMSRN) was proposed in consideration of the multiscale, spatio-temporal characteristics of epilepsy EEG and the information flow among channels, and it was combined with multiscale principal component analysis (MSPCA) to realize the automatic epilepsy detection. Firstly, MSPCA was used for noise reduction and feature enhancement of original epilepsy EEG. Then, we designed the structure and parameters of AMSRN. Among them, the attention module (AM), multiscale convolutional module (MCM), spatio-temporal feature extraction module (STFEM) and classification module (CM) were applied successively to signal reexpression with attention weighted mechanism as well as extraction, fusion and classification for multiscale and spatio-temporal features. Based on the Children's Hospital Boston-Massachusetts Institute of Technology (CHB-MIT) public dataset, the AMSRN model achieved good results in sensitivity (98.56%), F1 score (98.35%), accuracy (98.41%) and precision (98.43%). The results show that AMSRN can make good use of brain network information flow caused by seizures to enhance the difference among channels, and effectively capture the multiscale and spatio-temporal features of EEG to improve the performance of epilepsy detection.

Keyword ：

Multi-scale principal component analysis (MSPCA) Electroencephalogram signal Deep learning Seizure detection Brain networks

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于深度学习的癫痫脑电自动检测方法，能避免人为因素的影响而倍受关注，而其有效性主要取决于深度神经网络模型。为此，本研究将根据癫痫脑电的多尺度、时空特点及导联间的信息流动特征，设计一种基于注意力的多尺度残差网络（AMSRN），并与多尺度主元分析法（MSPCA）相结合，实现癫痫的自动检测。首先，利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计AMSRN模型结构与参数。其中，注意力模块（AM）、多尺度卷积模块（MCM）、时空特征提取模块（STFEM）和分类模块（CM）相继完成基于注意力加权机制的信号重表达以及多尺度-时空特征的提取、融合与分类。基于麻省理工学院的波士顿儿童医院（CHBMIT）公共数据集进行5折交叉验证实验研究，AMSRN模型在灵敏度（98.56%）、F1分数（98.35%）、准确度（98.41%）及精确度（98.43%）等方面均取得了较好结果。结果表明，AMSRN模型能够很好地利用癫痫发作引起的脑网络信息流动强化导联间差异性，并有效捕获癫痫脑电的多尺度和时空特征，有利于改善癫痫检测性能。

Keyword ：

癫痫检测 多尺度主元分析 脑电信号 深度学习 脑网络

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的：针对从指端脉搏波重构出桡动脉脉搏波的难题，提出一种基于深度学习的重构方法。方法：使用四通道数据采集系统PowerLab分别无创采集指端脉搏波和桡动脉脉搏波，对脉搏波信号噪声源进行分析，利用去基线算法、小波变换去噪算法、归一化预处理算法，得到稳定的信号波形。设计变分自编码器（VAE）网络模型结构参数，利用十折交叉验证法对744例受试者数据进行训练，建立桡动脉脉搏波预测模型。设置学习率、随机失活、正则化项共3项超参数，对VAE网络模型进行优化。结果：186例受试者桡动脉脉搏波重构和同步检测结果表明：低阻型和高阻型指端脉搏波经VAE网络模型建模后5%K差、20%K差、K差总方差、FIT分别为49.10%、96.70%、89.74和75.80%；低阻型和高阻型指端脉搏波经VAE网络优化模型建模后5%K差、20%K差、K差总方差、FIT分别为48.50%、94.50%、73.74和66.30%。结论：VAE网络模型建模及其优化方法可用于桡动脉脉搏波重构，重构精度较高，并具有较强的鲁棒性和泛化能力。

Keyword ：

模型优化 波形重构 变分自编码器 脉搏波 深度学习

Cite：

Copy from the list or Export to your reference management。