基于空间分布描述符的SIFT误匹配校正方法

针对SIFT（scale invariant feature transform）特征描述符因仅利用特征点的局部邻域信息而对散落在图像内相似结构中的点极易发生误匹配的现象,提出了一种基于空间分布描述符的SIFT误匹配校正方法。该方法首先利用SIFT算法进行匹配;然后对于匹配结果中的特征点,再利用图像轮廓像素点对该点的空间分布信息进行重新描述,以形成一种独特性更高的空间分布描述符;最后运用此种描述符,对匹配结果中存在的“一对多”和“一对一”的错误匹配形式,分别采取两种不同的匹配策略进行校正。以真实图像进行的实验结果表明,该方法与RANSAC（随机抽样一致性)算法相比,其在不损失正确匹配的前提下,能够真正提高正确匹配率。     

正弦信号测试仪的设计

正弦波信号是工程实践中应用最多的电信号之一,对幅值、频率、相位三要素的测量是测量正弦波信号的主要内容,本设计从该三要素出发提出了设计正弦信号测试仪的具体方案;正弦信号的幅值测量模块以高精度峰值检波电路为核心,结合单片机与AD采样技术实现幅值测量功能;频率测量模块采用专用芯片ICM7216D实现频率测量功能;相位测量模块则使用相位检测电路与单片机相结合实现相位测量功能;通过实践证明,该正弦信号测试仪设计切实可行,且具有硬件结构简单、软件设计灵活、适用面广等优点,是一种有较高应用价值的正弦信号测量仪器.     

基于特征点的多光谱遥感图像配准

提出一种基于特征点的多光谱遥感图像配准算法。首先在图像上建立二级规则网格,根据信息嫡值及特征分布均匀性准则选取特征网格;然后利用Forstner算子在特征网格中提取特征点,针对多光谱图像的特点,利用基于相关性原理的粗匹配和改进的基于空间距离约束的精匹配确立特征点的对应关系;最后通过仿射变换得到配准后的图像,并用均方根误差评价配准效果。实验结果表明,该方法计算速度快,且能够达到亚像素级配准精度。     

基于运动估计的高速图像处理系统设计

在实时图像处理系统中,为了在规定的时间内实现大量的运算处理,需要采取提高运算速度的措施。应用MPC5200为核心的高性能运算处理器,在对目标检测识别算法的实验分析基础上,开发了实时图像处理软件,实现了视频图像的采集和图像目标的实时处理。     

关于数字电路实验教学精品课程建设的研究

数字电路实验教学在电工电子系列实验教学中具有特别重要的地位,结合我校数字电路实验教学,论述了该课程现有实验内容、课程的组织形式、教师指导方法等,分析了加强该课程建设的必要性,并给出了课程建设规划。自编教材、自制实验箱使得实验内容安排上更加灵活,软硬件结合的实验设计手段提高了学生的学习兴趣和热情,开放的实验环境,给学生提高动手能力和创新能力创造了条件。     

适应调控领域应用场景的人工智能平台体系架构及关键技术EI北大核心CSCD

人工智能是新一轮产业变革的核心驱动力,在全球范围内受到广泛关注,掀起了产业智能化的浪潮。目前人工智能技术在电网调控领域业务场景中已有初步应用成果,但是缺乏架构性、系统性的研究。提出了适应调控领域应用场景的人工智能平台架构,基于调控云构建可扩展的人工智能通用算法框架,同时阐述了分布式深度学习、电网调控领域知识图谱等相关关键技术,并对人工智能平台在调控业务场景中的应用进行了分析。该平台架构具备算力、数据、算法到上层应用的全能力覆盖,能够为人工智能技术在调控领域应用场景中的快速推进提供全面技术支撑。     

斜采样技术的混叠分析及分辨率计算

 斜采样技术通过将线阵探测器倾斜一定的角度并调节积分时间的方法,利用较低成本实现了探测器的亚像元成像.本文对单线阵斜采样及超模式斜采样方式的混叠及分辨率进行了研究.通过对采样方式在频域对偶网格的分析,建立了斜采样成像系统与混叠的关系,在有效分辨率的意义下,确定了混叠与噪声最小的最佳倒易晶胞,将错位的频谱恢复到了正确的位置,提高了分辨率.实验结果表明,通过最佳倒易晶胞去除混叠的斜采样技术有效地提高了线阵采样式光学遥感器图像分辨率.     

结合EFD与NCut的彩色图像分割方法

为了克服边缘流引导的各向异性扩散(EFD)方法过分割和归一化分割(NCut)方法计算复杂度高的缺点,提出结合EFD和NCut的彩色图像分割方法。首先利用EFD对图像进行预分割,然后将分割区域作为节点构建带权无向图G,用NCut对图进行全局最优化分类,并进行相应后处理,得到最终结果。由于图G是基于过分割区域而非像素点的,所以算法效率得到较大提高。另外,EFD方法可有效利用图像的局部信息,NCut方法则考虑到图像的全局特征,因此文中方法综合两者的优点。实验结果表明,文中方法能够取得较好的分割效果。     

基于Transformer的时序数据异常检测方法

近年来,异常检测在电力系统运维、故障诊断等智能运维场景中起到关键作用。其中,深度学习在时序数据异常检测上取得了成功的应用。然而,基于长短期记忆(Long Short-Term Memory, LSTM)等异常检测方法因其序列学习模式中包含递归运算,导致模型难以并行计算,同时长期依赖性会导致模型性能下降。因此,提出了一种基于Transformer的时序数据异常检测方法,利用自注意力机制并行训练数据捕获内部有效信息,利用编码-解码框架使用端到端的方式通过时序数据生成异常得分。这个方法能更完整地提取时序数据的上下文关系,精确地捕获时序数据的异常关系。经实验证明,基于Transformer的时序数据异常检测方法在WADI、SWaT、KDDCUP99与AIOPS18等数据集上的异常检测表现出比其他方法更优的性能。     

基于边缘流与区域归并的彩色图像分割方法

为了克服边缘流各向异性扩散（EAD,edgeflow-dfiven anistropic diffusion）过分割和最小生成树（MST,minimum spanning tree）方法计算复杂度高的缺点,提出了结合边缘流与区域归并的彩色图像分割方法。首先利用EAD方法对图像进行预分割,然后利用MST方法依据全局最优化...