基于多尺度自适应注意力网络的剩余寿命预测

剩余寿命预测是复杂设备系统智能维护决策的关键和前提。不同指标数据间的潜在关系给预测的精度带来了挑战，参数的选择也增加了模型预测的困难。采用多尺度自适应注意力网络训练方法，别从纵向和横向两个维度融合数据间的特征关系，给出分段非线性目标函数，提高了预测的精度，降低了预测的均方根误差。使用自适应机制自动选择卷积核大小，提高了网络训练的效率。通过对涡扇发动机数据集进行实证分析验证了该方法在复杂系统剩余寿命预测中的有效性。     

一种基于伪影估计的低剂量CT图像降噪方法

低剂量CT(LDCT)包含丰富组织结构、病理信息和分布极其不规律的噪声伪影，这2种信息的幅度值分布规律相似。因此，LDCT降噪任务易出现特征提取不充分、网络对噪声伪影方向特性敏感度不足及降噪结果过度平滑等问题。为此，应用U-Net网络作为去噪网络的基本模型，设计了一种基于伪影估计的LDCT降噪网络。所提网络模型主要包括主特征提取网络和方向敏感注意力子网络2部分。为充分利用不同尺度特征之间的差异性，提高特征提取有效性，在编解码U-Net结构基础上增加了一个稠密特征增强模块；为提高降噪网络对噪声伪影方向特征的敏感度，设计了一个方向敏感注意力子网络；为保障网络训练稳定性，设计了多种损失函数来共同优化网络训练过程。实验结果表明：与目前主流的LDCT降噪方法相比，所提方法降噪结果的视觉效果与量化指标均表现最佳。