关键词： 伽玛射线暴   事件率   恒星形成率   光度函数   非参数方法   参数化方法   数据处理  

摘要： 一般认为,长时标伽玛暴（长暴）起源于大质量恒星的塌缩,短时标伽玛暴（短暴）起源于双致密星的并合,前者常被用作恒星形成的示踪剂。许多工作从多个角度运用不同的方法研究了若干长暴样本的事件率以及它们与恒星形成率之间的关系,研究结果不尽相同也备受争议,尤其是在低红移端二者的矛盾更为突出。本文主要介绍我们利用两种完全不同的方法计算具有不同红移完备度的伽玛暴的事件率,并与恒星形成率相比较,同时验证二者在低红移处的矛盾是否由样本大小、完备性以及探测器阈值造成,最重要的是探究伽玛暴事件率在低红移处超过恒星形成率是否是由低光度伽玛暴造成的。首先,我们利用非参数方法研究不同伽玛暴样本的光度函数和事件率对样本选择和探测器阈值的依赖性。利用光度随红移的演化关系L（?）(1+z)k去除演化效应后,我们发现光度或红移的累积分布取决于样本选择,而不是探测器的阈值。无论样本是否完备,所有长暴样本的事件率都在低红移处有类似高斯成分的超出,高红移处二者则一致,且不依赖于样本的完备性或者探测器阈值的大小。因此,我们预测可能存在两种类型的长暴起源机制。其次,我们将三个Swift长暴样本分为低、高光度两个子样本,仍然采用非参数方法得到高光度暴的事件率与恒星形成率一致,而低光度暴的事件率在低红移处超出恒星形成率。因此,我们认为不论样本大小和红移完备性如何,低红移处的超出是由低光度长暴造成的,它的起源可能与大质量恒星的形成无关。与此同时,我们还利用传统的参数方法探究长暴的事件率,同样发现低光度暴在低红移处超出恒星形成率而高光度暴在整个红移分布范围都与其相吻合的重要结果,再次验证了低红移处的事件率超出是低光度暴造成的,暗示着高、低光度的长暴有不同的物理起源,本研究将为伽玛暴前身星、中心引擎及宇宙学应用方面的深入研究提供关键线索。

关键词： 砂型3D打印   方案设计   数据处理   误差建模   误差分析  

摘要： 3D打印技术为传统砂型铸造工艺带来了新的机遇与变革,通过粘结剂喷射工艺能够直接数字化制造所需砂型,从而实现无模化快速铸造。相比于传统的使用模具制造砂型的工艺方法,砂型3D打印技术不仅摆脱了传统铸造工艺束缚,能够成形具有任意复杂形状的砂型,而且成形砂型具有更高的型腔形状以及尺寸精度,因此砂型3D打印技术在新产品开发以及复杂铸件单件小批量生产中的应用极其广泛。然而,我国针对砂型3D打印技术的研究起步较晚,相较国际先进水平仍有不小差距,高端砂型3D打印设备也被国外厂商全面垄断。在铸造行业转型升级的背景下,砂型3D打印设备的研制迫在眉睫。本文具体的研究内容与结论如下:(1)针对砂型3D打印设备的设计需求提出了设备总体设计方案,基于离散-堆积原理确定了砂型3D打印设备工艺流程。根据各类微滴喷射技术的特点以及适用场合选择SG1024喷墨打印头,基于SG1024喷头的驱动原理提出了一种将二值位图图像转换为时序控制信号的方法。给出了砂型3D打印设备的整体结构设计方案以及控制砂型3D打印设备进行打印的具体控制逻辑。(2)基于设计开发的分层图像生成工具,提出了一套完整的可供砂型3D打印设备上位系统使用的数据处理流程,能够高效将砂型CAD文件转换为可供下位系统打印的层截面位图文件,并通过某汽车零部件铸造厂的具体打印实例验证了整套数据处理流程的可行性。(3)基于多体系统理论将砂型3D打印设备抽象为串联铰接的多体系统,并分析了影响砂型3D打印设备打印精度的几何误差源。利用齐次变换矩阵,分别求出了理想情况下以及存在几何误差的实际情况下相邻体之间的综合特征矩阵。结合砂型3D打印设备拓扑结构建立砂型3D打印设备的几何误差模型,并推导出了几何误差与墨滴落点之间的数学表达式。(4)在砂型3D打印设备几何误差模型的基础上,基于全域最大影响度的误差源敏感性评价指标建立了砂型3D打印设备的误差分析模型。通过该指标准确辨识出了砂型3D打印设备的敏感性误差,从而能够合理且经济地分配砂型3D打印设备的打印精度,为后续精度设计优化提供了理论指导。

关键词： 驾驶员行为   深度学习   数据处理   空间金字塔池化  

摘要： 近年来，由于驾驶员危险驾驶行为所导致的交通事故频发，同时该现象在缺乏管制的煤矿场景下尤为严重。目前驾驶员行为分析方法主要分为三个研究方向:基于车辆行驶状态的分析法、基于生理信息的分析法以及基于行为特征的分析法。其中前两类分析法依赖传感器所收集的数据精度，且很难找到各类行为的统一规律，故在大范围场景并不适用。而随着深度学习的发展，基于行为特征的分析法成为主流，主要包括图像分类、目标检测、姿态估计以及视频分类这四大类算法。其中基于目标检测的行为分析法在工业应用中最为广泛，但其受数据集质量、数据增强策略以及模型结构影响较大且普遍存在小尺度目标难检测的问题。目前市场上缺乏针对煤矿场景的行为分析模型，故矿区企业急需一套检测准确的驾驶员行为分析系统。　　关于上述问题，本文基于目标检测的行为分析法在数据处理、模型选择、模型改进以及系统实现四个方面展开工作，具体内容如下:　　(1)针对煤矿场景下驾驶员行为数据集缺失的问题，本文自建了CoalMineDriversBehaviorDetection数据集v1和v2两个版本，并通过分析目前主流行为标注方式存在的问题，提出了更优的标注方式。在数据增强方面，本文提出了一种融合色调变化、随机旋转以及混合拼接的数据增强策略。　　(2)鉴于目前单阶段目标检测算法的多样性，本文对主流的目标检测器进行选型，分析了YOLOX-S模型在驾驶员行为分析任务上的可行性与优越性，同时就YOLOX-S模型在精度和工业部署方面的优势以及本文提出的标注方式和数据增强策略的有效性进行了相关实验验证与分析。　　(3)针对YOLOX-S模型存在小目标行为漏检与误检的现象，本文提出了一个新模型YOLOX-Better。通过分析原模型中SPP结构和上采样结构存在的问题，分别提出了序列化空洞空间金字塔池化结构(S-ASPP)和基于转置卷积的特征重组模块(TC-CARAFE)。实验验证了改进结构可以在整体行为上，特别是小目标行为上取得更高的检测精度。　　(4)为了验证模型的有效性，通过深入调研矿区企业的管理需求，本文基于YOLOX-Better模型开发了一套智能安全驾驶预警系统。该系统由车载设备、智能通信服务、后台管理系统以及驾驶员行为分析服务组成，主要实现了语音预警、用户管理、设备管理以及驾驶员行为分析结果管理和展示等功能。　　实验结果表明，本文提出的YOLOX-Better模型在验证集上的mAP@0.5∶0.95达到64.2％,相较YOLOX-S模型提升了0.8％,能够准确地完成矿区驾驶员行为分析任务;针对闭眼行为的检测，该模型的AP@0.5∶0.95为53.38％,相较原模型提升了4.21％,有效减少了小目标行为的误检与漏检现象。

关键词： 数据处理   联邦学习   非独立同分布   知识蒸馏   灾难性遗忘  

摘要： 联邦学习是一种受隐私保护的分布式机器学习，由一个服务端和多个客户端构成，其中客户端负责本地模型的训练，服务端负责将客户端的本地模型聚合成一个全局模型。医院数字化进程的推进发展，各大医院存储着海量医疗数据，同时便携式健康监测设备的推广应用，这些设备中也存储着大量个人居家监测数据，利用医院及个人数据构建疾病的预测模型对疾病的早发现和诊断效果评估具有重要作用。然而，由于医疗数据和个人健康数据的隐私性，无法将这些数据集中起来训练模型，联邦学习在这种场景下得到应用。由于医院的地域差异及个人健康状况差异，导致各医院之间、各便携式监测设备之间的数据呈非独立同分布，这导致联邦学习收敛缓慢，并增加模型训练所需的通信开销。对此，本文针对在医院心电监测和居家心电监测这两个应用场景，围绕非独立同分布数据下的联邦学习算法展开研究。主要研究工作如下:　　（1）在医院之间进行联邦学习的场景中，针对非独立同分布数据导致客户端模型发生灾难性遗忘的问题，提出了一个全局与本地知识融合的客户端模型优化算法FedKF。该算法在客户端训练一个生成器以拟合全局数据，并将生成的数据作为知识蒸馏数据，在客户端训练本地模型时利用知识蒸馏将全局知识传递给本地模型，使本地模型能够同时学习全局知识和本地知识，缓解灾难性遗忘，从而加快联邦学习的收敛速度。实验结果表明，当客户端算力足够时，相比其他同类客户端模型优化算法，FedKF在非独立同分布数据上收敛更快。　　（2）在居家监测设备之间进行联邦学习的场景中，针对因客户端算力低无法在本地进行知识蒸馏的问题，提出了一个全局方向监督下的客户端模型优化算法FedGD。该算法在本地模型训练时，利用全局更新方向修正本地模型的更新方向，从而加快联邦学习的收敛速度。实验结果表明，当客户端数量足够多时,相比其他同类客户端模型优化算法，FedGD在非独立同分布数据上收敛更快。　　（3）在服务端全局模型聚合阶段，针对因客户端数量不足导致全局模型的更新方向偏离全局最优方向的问题，提出了一个基于投影梯度下降的全局模型优化算法FedDC。该算法利用全局知识对全局模型的更新方向进行修正，使得全局模型的更新方向更接近全局最优方向，从而加快联邦学习的收敛速度。实验结果表明，当客户端数量较少时，相比其他同类全局模型优化算法，FedDC在非独立同分布数据上收敛更快。　　综上所述，本文围绕在医院心电监测和居家心电监测这两个应用场景，研究了非独立同分布数据下的联邦学习算法和应用，提出了两个客户端本地模型优化算法和一个服务端全局模型优化算法。针对医院之间进行联邦学习存在的问题提出了客户端模型优化算法FedKF,针对居家监测设备之间进行联邦学习存在的问题提出了客户端模型优化算法FedGD,针对客户端数量不足导致的问题提出了全局模型优化算法FedDC,以上算法都能有效加快非独立同分布数据下联邦学习的收敛速度。

关键词： 卫星   原位测量修整   轨迹规划   干涉检测   数据处理  

摘要： 我国是卫星发射大国,为满足大批量高精度的生产要求,需要全自动化智能化的整星生产线与之配套。但卫星零件众多,本文仅针对卫星结构件开发一套卫星结构精度智能化修整工艺系统(Accuracy Inspection and Enhancement Intelligent System for Satellite),简称AIEISS系统。卫星结构件主要用于其他零件和传感器的定位,需要较高的加工精度,相应的工艺系统需具备原位测量修整的功能。为摆脱工业软件受制于人的局面,在安全可控的基础上实现整个工艺系统从硬件到软件的全部国产化。主要完成的工作包括:***系统整体方案的研究。对系统的硬件和软件部分进行研究分析,并根据卫星结构精度智能化修整工艺系统开发的项目要求,进行软件的需求分析,明确软件需要实现卫星结构件原位测量修整的功能。将软件划分为测量子系统和修整子系统两大模块,确定以Windows为开发平台,基于OCC(Open Cascade)开源三维引擎进行相关技术的开发。***系统测量轨迹规划和干涉检测技术的研究。研究根据零件模型提取出待检测面上均匀分布的采样点的方法,分析了接触式测头的测量特点,将测量轨迹规划的问题转换为TSP(Traveling Salesman Problem)问题,使用混合遗传算法与自适应大邻域搜索算法的方法规划出空行程最短的测量轨迹。针对干涉检测技术提出基于OCC实现扫描实体法的方法,避免测量轨迹出现干涉的问题。3.基于OCC卫星检测修整几何信息Twin实现的技术研究。基于OCC使用位置变换算法实现模型位置变换,采用离散的位置变换操作实现运动动画仿真功能。结合开发的HNC(华中数控)通讯软件获取机床运行信息实现AIEISS系统几何信息的数字孪生。并使用KAFKA建立与管控系统的通讯,按照相应的接口协议与格式完成管控系统通讯软件的开发。***系统卫星结构件误差分析及修整的研究。开发形位精度特征库存储卫星结构件的形位精度要求,对不同的精度分别进行误差分析,对不合格的形位精度计算出精确的修整余量,设计相应的修整流程,使用坐标对齐的方式对加工进行补偿,满足原位高精度测量修整的要求。***系统原位测量修整实验。实验前完成对测头触发半径的标定和系统测量精度的确定,整体样件的加工实验按照生产线自动化的完整流程进行操作,所修整的零件平面度和垂直度满足精度要求。

关键词： 分布式计算   负载均衡   聚类算法   Flink   Spark  

摘要： 大数据技术从诞生发展至今,其计算框架在不断的迭代更新中逐渐成熟,并越来越多地应用于包括航运在内的各个领域。与此同时,诸如广播式自动相关监视系统ADS-B和二次雷达等技术的发展,使得我们可以更容易地获得海量机动目标的点位数据。在分析机动目标的轨迹数据并预测其未来状态时,对海量历史数据和实时流数据组成的异构源数据进行处理分析,有利于提高后续计算的准确性,更深入地挖掘机动目标的相关信息。 现有处理海量轨迹数据的平台大多基于Map Reduce和Spark进行内存计算,基于Storm处理流数据,以上框架在处理流式数据时本质上均采用批处理的模式,在实时处理的场景下效率较低。另外,在针对海量轨迹数据的聚类挖掘方面,存在聚类特征不全面的问题;应用单一聚类算法的传统单节点串行处理方法,会导致算法时间复杂度过高、计算能力不足、聚类效果不稳定。为此,本文部署大数据平台,用于处理包含经纬度字段的机动目标空间点位数据,引入Flink框架进行数据筛选预处理,并对Flink集群资源调度算法和基于Spark的点位数据聚类算法进行优化,以提升点位数据处理分析系统的整体性能。本文的主要研究工作包括以下方面: (1)深入研究常用大数据框架的调度原理,基于Flink异构集群进行负载均衡优化,对点位数据进行筛选计算。通过对集群节点进行监测并对任务进行分类,将任务优先按照类型分配给相应资源充足的节点进行计算,一定程度上提高了Flink集群的运行效率和吞吐量。 (2)对不同聚类算法的不足和点位数据的特征进行算法改进。针对DBSCAN算法开销过大、运行效率过低的问题,结合点位数据的空间特征,引入Geo Hash算法进行分区以提高聚类准确度;针对K-Means算法k值选择的问题,提出与Canopy算法预聚类相结合并引入DPC算法进行中心点选择优化的策略,利用Spark框架设计实现了两种聚类算法的并行化,应用于多节点集群。实验结果表明,在基于YARN资源调度的Spark集群中,两类算法对于点位数据的聚类分析结果具有有效性,且并行化后均可有效适应集群进行聚类分析,分析效率有所提高,算法具有可扩展性。 (3)结合实际场景,抽象出基于少量点位数据和置信椭圆预测机动目标定位的模型,通过数学计算协方差矩阵完成目标位置的预估及其置信椭圆的绘制。

关键词： 三维激光扫描技术   地籍测绘   数据处理  

摘要： 近年来，在经济快速发展的时代背景下，各种新技术层出不穷。其中，在地籍测绘行业中，应用最为广泛的便是三维激光扫描技术。同时，这种技术的适应范围较广，所取得的效果较为明显。该技术的有效运用，不仅可以为地籍测绘工作的有序开展创造良好条件，并且可以推动信息技术和土地空间规划事业的融合发展。为此，本篇文章在综合了相关调查和研究之后完成，针对现阶段三维激光扫描技术在运用过程中所面临的突出性问题，提出具体应用措施，以便更好地发挥该技术的优势。

关键词： 深度学习   目标检测   数据处理   多分支网络   注意力机制  

摘要： 如何帮助视觉障碍群体正常出行一直是社会关注的重要问题，过去的研究者们为此研究出了许多工具和方法来帮助视障人群克服路上行走时遇到的问题，例如导盲杖、盲道以及导盲犬，这些工具实用但也存在缺点;导盲杖可以帮助视障人士探明脚下的障碍物但探测距离较短、道路上的盲道能指示前进方向但维护困难，易被车辆占道、导盲犬训练周期长无法满足每年增长的视障人群数量;这些在过去被认为较为有效且广泛使用的传统工具和方法现在看来存在适用范围局限、性价比低、使用成本高的局限性。　　为了解决传统工具和方法存在的问题，文章探索并研究深度学习相关技术，设计盲人视觉辅助模型帮助视觉障碍群体在出行过程中检测行进方向的障碍物以及检测识别交叉路口交通灯情况，保障人员出行安全;同时基于深度学习技术生成的模型成本较低、易于复刻和普及，能够为未来视觉障碍群体出行设备研究带来新思路。文章的主要工作如下:　　(1)分析视觉障碍群体出行过程中可能会遇到的障碍物类别和交通灯状态,将障碍物种类和交通灯状态分类;按分析得到的模型检测需求分别收集建立两套数据集对模型训练，根据使用功能不同将数据集分为训练集、测试集和验证集，在模型训练时对训练集使用数据增强方法预处理，防止模型训练出现过拟合情况。　　(2)优化改进YOLOX类型网络搭建障碍物检测模型。考虑到视觉障碍人士在道路行进时需要精确检测障碍物信息，因此在模型预测端加入分支注意力模块将网络输出分为两部分分别输入空间注意力模块和通道注意力模块来提高对运动中的障碍物和小目标物体的检测能力，另外由于障碍物数据集数量多，模型训练时间慢，因此设计一种训练时控制学习率的余弦退火算法，在初始时加入预热(Warmup)机制，过程中逐步减小振荡幅度的方法来减小模型的收敛时间。　　(3)优化改进CenterNet类型网络搭建交通灯检测模型。考虑到检测识别交通灯需要模型拥有较高的检测速度和精确度，因此基于CenterNet网络模型设计一种多分支无锚框检测网络，在模型主干网络后加入多分支网络结构用以检测到交通灯多个关键区域特征，并设计了关键区域间的距离损失函数引导分支网络对交通灯局部检测位置进行差异化学习，在主干网络尾部加入多个上采样块构成沙漏结构，提高模型对交通灯空间信息的理解能力、增加位置检测的精确度。　　(4)在搭建完成障碍物检测模型和交通灯检测模型的基础上，增加单目摄像头距离检测模块和HSV颜色识别模块以满足对障碍物距离检测和交通灯颜色识别的需求，增加语音识别模块将文本结果转化为语音结果以更方便于视觉障碍人士的使用。为了在盲人视觉辅助模型使用过程中对路上障碍物的距离进行大致判断，首先对数据集中的五小类障碍物长宽数值线性拟合得到表示长度宽度的线性曲线,再通过相似三角形原理计算得到摄像头焦距，根据已知障碍物的大小对摄像头前方障碍物距离做出大致判断。HSV颜色识别模块的目的是为保障盲人群体在通过道路时的安全，预防模型可能出现误检造成的交通灯状态识别错误的情况;使用HSV颜色空间转换检测模型检测到的交通灯位置区域像素，得到Hue（色调）、Saturation（饱和度）、Value（明度）三种属性，根据HSV颜色分量范围表判断出该位置区域对应的颜色，对交通灯检测模型检测到的颜色进行补充判断。

关键词： 早期故障检测   数据处理   滑动窗口   奇异值   概率变换   统计特征分析  

摘要： 早期故障处于故障发生初期，通常具有幅值较小的特点，且容易被不可避免的噪声和正常的过程数据波动等因素所掩盖。若早期故障不能得到及时检测和妥善处理，一旦演变为严重故障，就可能造成不可预测的损失。然而，在统计过程监测领域传统的故障检测指标不能很好地检测到早期故障，从而造成过多漏报和误报发生。为此，本文利用滑动窗口技术研究早期故障检测问题，主要内容如下:　　针对早期传感器故障检测问题中传统方法漏报率较高的情形，本文提出了一种基于直接监测滑动窗口奇异值的方法。通过理论分析，说明了早期故障发生后数据矩阵的奇异值会存在突增的现象。鉴于此，使用滑动窗口技术对数据进行处理，计算滑动窗口的奇异值，从而可以充分利用数据中的微小变化。随着滑动窗口内故障样本的增多，奇异值也会逐渐增大，通过监测奇异值的变化可以达到检测早期传感器故障的目的。所提方法对早期传感器故障的敏感性得以提高，有效地降低了漏报率。　　针对早期故障检测问题中传统方法存在误报率或漏报率较高的情形，本文提出了一种基于概率变换与统计特征分析相融合的方法。首先，利用贝叶斯推理进行概率变换，将样本的检测统计量转换为样本为故障情形下的概率值。在不失一般性的前提下，利用马氏距离指标作为检测统计量，从而避免了子空间的划分问题。然后，利用滑动窗口技术分析概率值的统计特征，进而提出了一种新的指标用于实现故障检测。严格的理论分析表明，相比检测统计量，其变换后的概率值具有更大程度的分离性，因而可以更好地实现早期故障检测，降低误报率与漏报率。　　通过数值例子、连续搅拌釜式反应器过程和舟山电厂过程的实际数据，验证了所提方法的有效性。并将所提方法与现有的多种检测方法进行了对比，结果表明本文所提方法能够实现早期故障检测，并可以有效地降低误报率或漏报率。

关键词： 多模态过程   主成分分析   模糊C均值聚类   自然最近邻标准化   故障检测  

摘要： 随着现代科学技术的发展和进步,工业生产中的运行系统变得越来越庞大,系统的复杂性不断提高,系统的相互关联性也成倍增长,一旦这些系统中某一环节发生故障,将出现系统不可控的故障传播与连锁反应,造成巨大的财产损失和人身伤亡。因此,复杂系统的可靠性与可维护性越来越成为现代工业生产中不可忽视的重要安全问题。基于数据驱动的故障检测技术是以过程数据为基础,结合系统监视与控制的算法。该技术可用于过程的维护与监测,从而提高系统的安全性,减少损失,因此在诸多领域得到了广泛的研究与成功的应用。针对工业过程中的多模态特征数据,如何从不同角度解决多模态数据方差差异明显对故障检测带来的影响,运用不同的处理策略来进行处理与优化,使其满足过程数据建模与故障检测的需要,是本论文研究的主要内容,具体工作及贡献如下: 针对化工过程中的多模态数据存在的方差差异明显的问题,提出基于模糊C均值与主成分分析的故障检测方法（Fuzzy c-means Clustering-Principal Component Analysis,FCM-PCA）。首先通过模糊C均值算法（Fuzzy c-means Clustering,FCM）将具有多模态特性的训练样本进行聚类,根据所有样本到聚类中心的距离计算样本所属每个聚类中心的隶属度。其次,以隶属度作为判定依据判断样本所属类别,将训练样本分成若干类别。再次,对每一个分类后的类别进行标准化处理并建立模型,通过核密度估计法确定每一个类别的控制限。最后,将待检测样本划分类别,计算样本在各类别下的Hotelliing’s T2和平方预测误差（Squared prediction error,SPE）(也称Q统计量)统计量并与控制限比较来进行故障检测。将该方法运用于多模态数值例子和田纳西-伊斯曼工业过程并将检测结果与主成分分析方法（Principal Component Analysis,PCA）进行了对比分析,故障检测率大幅提升。FCM算法通过对原始数据分类,有效地提升了PCA处理具有多模态特性数据的能力。 具有较大方差差异的多模态数据需要进行数据标准化处理,但传统的数据标准化方法都有缺陷,如z-score错误地依据全局数据信息,局部近邻标准化（Local neighborhood standardization,LNS）中K值的选取困难,聚类方法处理稀疏程度不同的多模态数据时分类不准确等。为了解决此类问题,本文提出一种基于自然最近邻标准化与相对局部密度的故障检测方法（Natural Nearest Neighbor Standardization and Relative Local Density,NNNS-RLD）。首先,将自然最近邻的思想嵌入到数据标准化中,通过自然最近邻集合的数据信息可以消除数据的多模态特性,将数据处理至原点附近。其次,将密度峰值聚类中密度思想与标准化后的数据结合,利用相对局部密度建立控制限从而进行故障检测。最后将该方法应用于多模态数值例子和田纳西-伊斯曼工业过程,结果表明,NNNS-RLD算法能够及时检测出多模态数据中的故障样本,自动确定近邻集个数并有效地处理稀疏程度不同的多模态数据集。与传统故障检测算法相比,NNNS-RLD方法具有更加优异的检测性能。