基于空间注意力机制的行人再识别方法

行人再识别是图像检索领域的一个重要部分，但是由于行人姿态各异、背景复杂等因素，导致提取到的行人特征鲁棒性和代表性不强，进而影响行人再识别的精度。在AlignedReID++算法基础上，提出了基于空间注意力机制的行人特征提取方法，应用在行人再识别中取得了很好的效果。首先，在特征提取部分，引入空间注意力机制来增强特征表达，同时抑制可能的噪声；其次，通过在卷积层中引入实例正则化层（IN）来辅助批正则化层（BN）对特征进行归一化处理，解决单一BN层对特征色调变化以及光照变化的不敏感性，提高特征提取对亮度、色调变化的鲁棒性；最后，在Market1501、DukeMTMC和CUHK03 3个行人再识别通用数据集上对所提改进模型进行测试评价。实验结果显示:改进后的模型在3个数据集上识别精度分别提升了2%、2.9%和5.1%，表明改进后的模型相较于改进前的模型，在精度以及鲁棒性上都有显著提高。      

硅基超短微转子系统动力学分析和 不平衡量试验测量方法研究

以基于微型静压气体轴承系统支承的硅基超短微转子为研究对象,充分考虑微尺度下稀薄气体效应的影响,建立了微型静压径向气体轴承的气体动力学模型。开展了不平衡量影响下的微转子-气体轴承系统动力学的建模和动力特性研究,分析并掌握了微转子不平衡量与微转子动力学响应、微型静压气体轴承供气特性之间的内在联系,提出了一种基于共振原理和反推原理的超短微转子不平衡量分析和测量方法,解决了常规不平衡量测量方法中存在的传感器安装和环境振动干扰等问题。     

利用人工神经网络快速计算木星系磁坐标

在木星辐射带研究中，从地理坐标向磁坐标的准确转换是建模基础.以往的建模中，磁壳参数L值的计算基于磁偶极场假设，该方法精确度较差.结合最新的高精度木星磁场模型JRM09，本文提出基于磁力线追踪法的木星磁坐标计算方法，并分析其合理性和必要性.要求精确度较高时，磁力线追踪法计算耗时很长.本文在磁力线追踪法的基础上进行改进，提出基于人工神经网络的磁坐标快速计算方法.该方法包括分类器和拟合器.分类器基于Adaboost算法的BP神经网络，用于预测某地理坐标是否在内磁层，如果在内磁层，则用拟合器计算L值.拟合器采用遗传算法优化BP神经网络.结果表明，分类器的分类错误率在3%以内，而拟合器的预测误差在7%以内.以Juno号一圈探测轨道为例，利用神经网络的磁坐标计算法比磁力线追踪计算法速度快3个数量级以上.基于人工神经网络的磁坐标快速计算方法可用于未来木星辐射带的研究.      

基于时钟精度加权的时钟同步算法

在AS6802同步协议的基础上,针对系统中具有不同精度等级时钟的场景,提出一种基于时钟精度加权的时钟同步改进算法。通过仿真验证证明:改进算法可缩减节点间的时钟偏差范围至原算法的10%,提高了系统的同步精度。     

基于改进深度学习模型的焊缝缺陷检测算法

针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题，提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法，算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节，以充分利用模型中的低层特征，增加细节信息；改进模型的区域生成网络，加入多种滑动窗口，从而优化了模型锚点的长宽比设置，提高检测能力。实验表明，改进Faster RCNN模型取得最优的缺陷检测结果，对于小缺陷目标仍取得较好的检测精度，从而验证了算法的有效性。     

深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。