为提高传统目标检测的识别效果和准确率, 并加快运算速度, 提出了一种具有更强大特征学习和特征 表达能力的卷积神经网络(CNN: Convolutional Neural Network)模型和相关的深度学习训练算法, 并将其应用于 计算机视觉领域的大规模识别任务。 首先详细分析了传统目标检测算法, 如 V-J(Viola-Jones) 检测器、 HOG (Histogram of Oriented Gradients)特征结合 SVM(Support Vector Machine)分类器和 DPM(Deformable Parts Model) 检测器的特点。 然后提出了深度学习算法, 如 RCNN(Region-based Convolutional Neural Networks)算法和 YOLO (You Only Look Once)算法, 并分析了其在目标检测任务中的应用现状。 针对倒地检测任务, 使用 YOLOv5 (You Only Look Once version 5)模型对不同身高体型目标人群的行为进行训练。 通过使用不同的交并比( IOU: Intersection over Union)、 准确率(Precision, P)、 召回率(Recall, R)和 PR 曲线等评估指标, 对 YOLOv5 模型进 行了分析, 评估了其在检测站立和倒地两种活动方式的实际效果。 同时通过预训练和增强处理, 增加了训练样 本数量并提高了网络的识别准确率。 实验结果表明, 倒地识别率达到了 86% 。 可将其应用于灾区探测救援类 机器人的设计中, 以辅助识别和分类受伤倒地人员, 提高灾区救援效率。 

 为满足“新工科”背景下科研与教学融合的课程建设需求, 设计了一套基于 Python 的多维度、 层次化的 综合实验平台。 平台以专业人才培养方案为导向, 在图像识别、 机器学习及数据分析 3 个科研热点方向, 设计 了多维的实验教学内容。 图像识别实验从文字识别入门, 进而通过多种方式实现人脸和车牌识别。 机器学习 实验基于 Python 的机器学习算法实现, 并应用于玉米病害识别。 数据分析实验将 Python 处理 Excel 数据应用于 计算工作量和生物信息数据分析中。 学生在实验中可以根据专业需求和科研方向选择不同的实验项目, 从而 实现因材施教的培养目标。 将实验平台应用于教学实践中表明, 学生对 Python 在图像识别、 机器学习以及 数据分析的编程实现有了更深入的了解, 提升了科研兴趣, 从而实现将科研融入教学, 提高本科生教学质量的 目标。

为保证高校计算机实验课正常开展, 以 Docker 技术为基础, 构建了计算机基础实验虚拟实验室。学生通过浏览器访问服务器就可以获得独立的实验环境。 同时, 使用 Docker-Compose 工具对学生实验环境进行创建、开启、停止和删除等多维度管理, 使用 Docker-Swarm 工具保证实验环境的性能, 相当于把线下实验室搬到了线上。实际证明, 该方案能满足计算机基础实验线上教学需求, 为对应的理论教学提供高质量的实验服务。

针对公共计算机实验室课时和上课学生数量众多的问题, 自主开发了一套公共计算机实验室信息化 系统。 该系统包括学生端、 教师端与服务器 3 部分。 学生端是一个基于 Python 的桌面程序。 教师端与服务器 实现在同一个由 JSP(Java Server Pages)编写的 Web 工程里。 在功能上划分为学生签到、 失物招领和意见反馈 3 个基础模块, 同时集成了其他常用功能。 应用结果表明, 该系统能利用信息化手段为学生在实验室学习提供 便利, 真正落实了“以学生为本冶的教学理念。

针对遥感光伏图像分辨率高、 环境噪声较大以及背景复杂等问题, 提出了一种改进 Yolov5 目标检测模 型, 以实现对光伏电厂的定位。 首先, 在主干特征提取网络的卷积层中添加 CA(Coordinate Attention)坐标注意 力机制提高网络特征的学习能力; 其次, 将 Ghostconv 网络结构加入到 Backbone 中, 用 Ghostconv 网络模块替换 Conv 网络模块; 设计新的 GhostC3 网络代替原来的 C3 网络模块, 提高模型的学习效率; 最后, 将损失函数由 GIoU_Loss 函数改为 SIoU_Loss 函数。 实验结果表明, 相比原 Yolov5 方法, 改进算法的平均精度均值 mAP、 精准率和召回率分别达到了 97. 5% 、98. 9% 和 94. 9% , 提升了 1. 8% 、1. 7% 和 5. 8% , 验证了该算法对光伏检测 具有很好的效果。

为减轻电力工作人员的巡检负担, 实现变电站智能巡检, 对变电站设备缺陷检测算法进行了研究。 首先, 利用数据增强方法对有限的初始数据集进行扩充, 利用多种图像处理方法增加数据集的复杂度, 生成 考虑复杂光照环境的数据集; 然后, 采用自适应空间特征融合(ASFF: Adaptively Spatial Feature Fusion)的方法 缓解特征金字塔中不同尺度特征的不一致性问题, 并引入 Focal 损失函数作为置信度损失函数以缓解正负样本 不平衡的问题, 利用改进的 YOLOX-s(You Only Look Once X-s)网络模型设计了变电站缺陷检测算法; 最后, 将改进的YOLOX-s 网络模型与其他深度学习算法的检测效果进行对比, 实验结果表明, 改进的 YOLOX-s 网络 模型的综合检测效果较好, 准确性和实时性均可以满足变电站设备缺陷检测任务。 

针对足球比赛中预警值与实际值误差大、 预警误报次数多等问题, 提出了一种基于改进 Copula 模型的足球竞赛风险智能预警方法。 基于模糊综合评价矩阵确定足球竞赛风险指标评价体系, 划分指标等级状态, 选择Copula 函数, 构建改进 Copula 足球竞赛风险智能预警方法, 对足球竞赛风险进行精准判断, 以减少风险损失。 实验结果表明, 该方法的干扰压制维持在 20 dB 以上, 具有较高的抗干扰性, 可有效对干扰进行抑制。 该方法降低了预警值与实际值之间的误差, 减少了预警误报次数, 具有实用性和可行性。

为解决基于 RNN(Recurrent Neural Network)的序列推荐模型在处理长序列时易出现梯度消失或爆炸从而 导致推荐模型训练过程不稳定问题, 在传统门控循环单元(GRU: Gated Recurrent Unit) 基础上, 引入了残差 连接、 层归一化以及前馈神经网络等模块, 提出了基于深度残差循环神经网络的序列推荐模型 DeepGRU。 并 在 3 个公开数据集上进行了验证, 实验结果表明, 该 DeepGRU 相较于目前最先进的序列推荐方法具有明显的 优势(推荐精度平均提升 8. 68% )。 消融实验验证了引入的残差连接等模块在 DeepGRU 框架下的有效性。 并且, 该 DeepGRU 有效缓解了在处理长序列时训练过程不稳定的问题。 

为解决使用 Java 和.NE 等传统技术开发、 部署数据服务复杂且与先进的云端及容器化技术结合较为困难 的问题, 提出一种基于 Web 的轻量级钻井三维可视化数据服务解决方案, 对前端的可视化应用提供数据接口 支持。 基于 NodeJS、Angular、TypeScript 等开源轻量级技术, 研发了一个轻量级钻井数据库系统, 可作为一线 技术管理人员的辅助工具, 并以最快的方式提供最关注的数据项, 具有较高的经济性和实用性。 利用数据加载 工具, 钻井技术人员可方便地将数据加载到数据库中, 包括区块的地震切片、 复杂事故以及测井等数据。 此外 系统提供了全面的数据安全机制, 包括基于 JWT ( JSON Web Token) 的身份认证和基于 JWE ( JSON Web Encripytion)的数据加密, 以确保数据安全。 应用结果表明, 该解决方案可为钻井三维可视化系统提供高效的 数据传输服务。 

为实时监测室内 CO2 浓度变化, 以 STC89C52 单片机为核心, 设计了一种基于气体传感器的二氧化碳 报警器。 硬件系统包括二氧化碳传感器、 信号调理电路、 模数转换电路、 STC89C52 单片机和声光报警单元。 软件系统包括数据采集、 数据处理、 报警逻辑等功能单元。 该报警器在室内 CO2 体积百分比超过1. 5% 时可以 及时启动声光报警功能, 并可实时显示室内 CO2 值。

针对传统的命名实体识别方法无法充分学习古汉语复杂的句子结构信息以及在长序列特征提取过程中 容易带来信息损失的问题, 提出一种融合 SikuBERT( Siku Bidirectional Encoder Representation from Transformers) 模型与 MHA(Multi-Head Attention)的古汉语命名实体识别方法。 首先, 利用 SikuBERT 模型对古汉语语料进行预训练, 将训练得到的信息向量输入 BiLSTM(Bidirectional Long Short-Term Memory) 网络中提取特征, 再将 BiLSTM层的输出特征通过 MHA 分配不同的权重减少长序列的信息损失, 最后通过 CRF(Conditional Random Field)解码得到预测的序列标签。 实验表明, 与常用的 BiLSTM-CRF、 BERT-BiLSTM-CRF 等模型相比, 该方法 的 F1 值有显著提升, 证明了该方法能有效提升古汉语命名实体识别的效果。

微地震反演是根据微地震监测数据反演推测震源位置、 发震时刻、 真震级、 震源初始振幅、 震源机制 以及介质参数等信息, 进而完成微地震监测主要任务的重要途径。 为通过对微地震反演技术的研究, 获取更 精确的微地震信息, 进而提升对储层压裂评价的可靠性、 降低开发成本以及提高油气采收率, 从微地震震源 定位、 震源机制以及多参数联合反演 3 个方面对微地震反演进行综述。 回顾了近年来微地震反演技术的研究 进展, 分析了各种反演方法的原理与优缺点, 总结了各种反演技术的改进以及应用情况, 展望了未来的研究 思路和发展方向, 为今后微地震反演技术进一步发展提供参考借鉴。 

为解决异构数据孤岛之间难以开展安全机器学习的问题, 提出了一种异构数据孤岛之间的联邦学习通信 方式, 实现了横向和纵向混合的联邦学习通信, 突破了传统联邦学习横向和纵向参与方之间模型结构不统一的 通信壁垒。 基于政府、 银行等机构的特殊性隐私需求, 在混合联邦学习模型的基础上进一步去除了第三方聚合 器, 计算只在参与方之间进行, 大大提高了本地数据的隐私安全性。 同时针对上述模型中纵向同态加密为通信 过程带来的计算速度瓶颈问题, 通过增加本地迭代轮次 q 将纵向联邦学习的加密时间缩短了 10 倍以上, 降低 了横向参与方与纵向参与方间的计算瓶颈, 并且精度损失不超过 5% 。

为了更好地利用深度学习框架防范安卓平台上恶意软件攻击, 提出了一种新的应用程序可视化方法, 从而弥补了传统的采样方法存在的信息损失问题; 同时, 为得到更加准确的软件表示向量, 使用了 Swin- Transformer架构代替传统的卷积神经网络(CNN: Convolutional Neural Network)架构作为特征提取的主干网络。 实验采用的数据集中的样本来自 Drebin 与 CICMalDroid 2020 数据集。 研究结果表明, 新提出的可视化方法 优于传统的可视化方法, 检测系统的准确率达到 97. 39% , 具有较高的恶意软件识别能力。

为减小复杂多变的电磁环境对车辆的影响, 利用三维电磁场仿真软件 CST ( Computer Simulation Technology)在车辆发动机舱建立线缆模型, 研究不同因素对车辆电磁耦合效应的影响。 通过仿真得到线缆长 度、 线缆距车底高度、 线缆相对距离、 线缆终端电阻、 导体半径、 绝缘层厚度等参数变化下, 线缆感应电压和 感应电流的峰值绘制关系曲线。 这些结论可以为车辆线束设计提供理论指导, 并为电磁防护设计中对于线缆 导体半径选择、 线缆相对距离、 离地高度、 线缆长度等提供依据。

为解决跨区域科技资源共享和协同创新存在管理、 协同、 关联难等问题, 开展科技资源平台实践应用和理论研究并构建科技创新生态数字化展示系统。 首先构建科技创新要素的定义、 组成及指标体系, 提出以创新地图、 能力、 主体、 载体、 资源和环境为核心的数字化展示系统, 并以吉林省为例, 以指数法监测区域科技创新水平, 以文本挖掘法进行科技政策热点分析, 基于 Vue+Django+MySQL 技术架构进行系统的体系架构和功能设计, 最终实现区域内的科技数据创新生态数字化展示, 使系统具有数据共享、 数据关联、 决策支撑等智慧化服务功能。 应用实践表明, 该系统丰富了科技数据资源的可视化方式, 提升了科技创新生态的可视化程度, 提高了系统的高扩展性、 高效率和良好性能。

由于光电探测器的工作性能直接关系到系统数据采集质量, 为此, 对高性能 PtS₂ / MoTe₂ 异质结红外光电 探测器进行了研究。 通过选取材料、 试剂和设备制作了 PtS₂ / MoTe₂ 异质结红外光电探测器。 搭建探测器性能 测试环境, 并利用光响应度、 探测率、 响应时间和光电导增益 4 个指标, 分析探测器性能。 结果表明, 随着 测试时间的推移, PtS₂ / MoTe₂ 异质结红外光电探测器的光响应度数值始终处于 5 A/ W 限值以上; 无论对采集 何种材质反射的红外光, 探测器探测率均大于 10 cm·Hz1 / 2 W ^-1 ; 无论光生电流是处于上升还是下降时间, 其响应时间始终在限值 150 μs 以下; 光电导增益值保持在 80% 以上。

为解决当前分子诊断人才培养中存在的效率和质量问题, 探讨了人工智能(AI: Artificial Intelligence)技术在分子诊断人才培养中的应用现状及未来发展趋势。其涵盖了 AI 技术在分子诊断中的应用现状、优势与挑战, 重点分析了 AI 如何通过自动化实验流程、精准数据分析和跨学科知识整合提升人才培养效率和质量。同时, 总结了国内外高校在 AI 与分子诊断人才培养中的实践经验, 并展望了其未来发展趋势, 包括虚拟现实与增强现实技术的融合、智能诊断系统的精准化、个性化学习平台的智能化等。虽然 AI 技术在分子诊断人才培养中展现出巨大潜力, 能显著提升人才的综合竞争力, 推动分子诊断技术的进一步发展, 为精准医疗提供强有力的人才支持。然而, AI 技术的应用仍面临跨学科知识整合、数据质量、伦理隐私等多重挑战, 需通过教育机构、行业和政府的共同努力加以解决。

针对传统 SMO( Sliding Mode Observer)在开关函数切换过程中存在抖振现象, 提出一种利用饱和函数 代替开关函数的新型滑模观测器削弱抖振, 并在位置信息提取过程中选用锁相环代替传统的反正切方法, 从而 提高对 PMSM(Permanent-Magnet Synchronous Motor)转子位置的观测精度。 在 Matlab 环境下, 通过传统和新型 SMO 的对比, 可观察到转子的转速误差提高了大约 14 r/ min, 转子位置误差提高大约 0. 03 rad。

针对多无人机、无人车异构无人集群系统编队避障控制问题, 对其利用博弈论方法进行了研究。不同于目前大多数只考虑群体编队目标的多智能体编队控制方案, 允许每个智能体都具有个体目标, 其中个体目标包含个体跟踪目标和避障目标。使异构无人集群系统在完成协同编队的同时, 每个智能体还需根据其自身利益跟踪目标点并实时避障。由于智能体的个体目标和群体目标之间可能会产生冲突, 将异构无人集群编队问题转化为智能体之间的非合作博弈问题。通过在代价函数中加入基于人工势场函数设计的避障项实现实时避障, 并基于寻求纳什均衡方法设计了控制器, 使异构无人集群系统可实现个体目标和群体目标平衡的编队模式。最后通过仿真实验验证了理论结果的正确性。采用该方法可使异构无人集群系统实现编队运动并实时避障。

目前大多计算卸载策略是在任务整体卸载情况下进行的, 且仅考虑时延或能耗单一指标, 未将二者结合进行优化, 为此, 以任务处理的时延与能耗加权和为优化目标, 提出一种基于强化学习的部分卸载算法。 将单个任务的处理分为本地计算和部分卸载两种方式, 且在部分卸载中引入了变量确定卸载权重, 最后利用强化 学习 Q-learning 完成了所有任务的计算卸载与资源分配。 实验结果表明, 所提算法能有效降低任务处理的时延与能耗。

由于认知负荷作为学习者学习过程中认知系统所产生的负载,对学习者的学习状态有重要影响,并且 目前已有的学习者模型中缺乏对学习者认知负荷的研究。 为此以教育部教育信息化技术标准委员会提出的 CELTS-11(China E-Learning Technology Standardization-11)为基础, 将认知负荷作为一个维度融入学习者模型, 构建了静态与动态信息相结合的LMICL(Learner Model Incorporating Cognitive Load)。 然后, 以自适应学习系统 为依托,将未融合认知负荷的学习者模型的数据和LMICL的数据分别作为推荐学习资源的依据,产生了两种 不同的学习资源推荐结果,并随机选取两个班级的学习者在该系统中进行学习,最后从学习者的学习成绩、 认知负荷结果和满意度3个指标对LMICL的效果进行验证。 结果表明, 基于LMICL的推荐学习效果强于未 融合认知负荷的学习者模型。

为提高卫星星座网络受到攻击后的抗毁性及工作能力, 提出了一种模拟退火狼群算法。 该算法利用主客 观权重法结合综合逼近理想排序法(TOPSIS: Technique for Order Preference by Similarity to Ideal Solution)对网络 中的节点进行重要度评估, 并按照节点重要度排序依次攻击。 以网络连通度与网络连通效率为优化目标, 卫星 星座网络通信限制为约束条件, 采用运动算子的思想实现狼群自适应步长的游走、 召唤和围攻。 使用通过优化 得出的加边方案对网络结构进行优化。 实验表明, 与其他优化算法相比, 该算法具有优越性, 解决了卫星星座 网络在受到攻击后工作能力下降的问题, 提高了其受到攻击后的抗毁性。

 为探究影像组学方法诊断乳腺病灶良恶性的能力, 比较磁共振(MR: Magnetic Resonance) 影像组学与 传统MR 诊断在良恶性乳腺疾病鉴别中的效能。 回顾分析 2019 年 1 月-2022 年 1 月在吉林大学第一医院放射科 进行乳腺 MR 平扫及增强检查的患者, 收集病理结果证实为良性或恶性的乳腺病灶共 190 例。 MR 影像组学 方法通过建立逻辑回归模型实现诊断; 传统 MR 诊断由一名副高级职称的影像科医生完成。 结果显示测试集 MR 影像组学模型的灵敏度 0. 92, 特异度 0. 83, 曲线下面积(AUC: Area Under Curve)为 0. 92, 以上数值均高于 传统 MR 诊断的对应值, 且差异具有统计学意义(P = 0. 00)。 MR 影像组学的方法可以辅助诊断乳腺病灶的 良恶性, 且诊断效能优于传统 MR 诊断模式。

为解决由于固定温度 SAC(Soft Actor Critic)算法中存在的 Q 函数高估可能会导致算法陷入局部最优的 问题, 通过深入分析提出了一个稳定且受限的 SAC 算法( SCSAC: Stable Constrained Soft Actor Critic)。 该算法 通过改进最大熵目标函数修复固定温度 SAC 算法中的 Q 函数高估问题, 同时增强算法在测试过程中稳定性的 效果。 最后, 在 4 个 OpenAI Gym Mujoco 环境下对 SCSAC 算法进行了验证, 实验结果表明, 稳定且受限的 SAC 算法相比固定温度 SAC 算法可以有效减小 Q 函数高估出现的次数并能在测试中获得更加稳定的结果。

针对在以数字化的方式传承和保护蓝印花布的技术中由于缺乏具有原始手工特征的蓝色印花图案数据集, 极大地限制了深度学习技术在蓝印花布纹样识别领域的应用问题, 构建了一个大规模蓝印花布纹样数据集。 该数据集包含 50 216 张蓝印花布纹样, 从动物、 植物、 中国神话传说及复合四大题材的角度将数据分为85 个子类。 该数据集的创建不仅涉及到蓝印花布的数字化建设, 如蓝印花布纹样检索及相关纹样命名, 还能使相关研究人员设计和验证机器学习算法。 在所构建的数据集基础上, 提供了 4 个典型深度学习网络的实验结果, 以此作为其性能基准。

功能磁共振成像技术(fMRI: functional Magnetic Resonance Imaging)是一种高效的脑成像技术研究方法, 为减少 fMRI 数据的冗余, 将其转换为更具分类潜力的特征, 提出一个基于孪生网络( SANet: Siamese Network) 的特征构造算法 SANet, 将多个扫描点下的脑区信息类比为图, 应用改进的 AlexNet 网络进行特征构造, 并结合 增量特征选择策略达到优化分类的目的。 通过实验对比 3 种不同网络结构和 4 种分类器对 SANet 模型的影响, 并进行消融实验, 验证增量特征选择算法对 SANet 构造特征的分类效果。 实验表明, SANet 模型能对 fMRI 数据进行有效构造, 且提高原始特征的分类性能。

针对传统相干体属性和机器学习在复杂断裂识别能力差的问题, 提出一种基于 UNet++卷积神经网络的断 层识别方法。 该方法采用加权交叉熵损失函数做目标函数, 使网络模型训练过程中避免了数据样本不平衡的 问题, 引入注意力机制和密集卷积块, 以及更多的跳跃连接, 更好地实现深层次断层语义信息和浅层次断层空 间信息之间的特征融合, 进而可以使 UNet++网络模型更好地实现断层识别。 实验结果表明, 该网络模型将 F1 值提高到了 92. 38% , loss 降低到 0. 012 0, 可以更好地学习断层特征信息。 将该模型应用于西南庄断层的识别 中, 结果表明, 该方法可以更准确预测断层位置, 在识别连续断层的准确率上有所提高, 有效防止了地下噪音 对于断层识别的不利影响, 从而验证了 UNet++网络模型在断层识别上具有一定的研究价值。 

为解决人体解剖结构复杂, 存在较大个体差异, 教科书上有限的二维解剖图像常使学生难以理解及在 学习过程中存在学习目的不清晰、 方法不科学、 效率低下、 效果不佳等问题, 提出基于影像三维可视化技术的 临床解剖教学模式, 并对近年基于三维可视化技术的临床教学成果进行总结, 指出三维可视化技术临床教学 模式的可行性及优越性。 最后对可视化临床教学模式的拓展内容与发展思路进行了论证, 探讨了基于影像 可视化技术的临床解剖案例库建设应用于可视化教学模式的可能性。

传统共识机制中所有背书节点参与背书, 时间消耗量大, 并且存在伪造及操控共识过程的可能性问题, 安全性较低。 为此, 基于可验证随机函数在背书节点候选集中随机抽取背书节点进行背书操作, 其他背书节点 等候其他交易执行时被随机选举, 这种随机方式使背书的过程可以并行化, 能有效提升处理效率, 减少共识 机制的处理时间。 基于数学性能分析以及构建 Hyperledger fabric 模型进行实验验证, 结果表明优化后的共识 机制交易处理速度更快, 延迟时间更低, 安全性更高。

针对自动驾驶在通过无信号灯交叉口由于车流密集且车辆行为随机不确定的问题, 提出一种基于 MAPPO(Multi-Agent Proximal Policy Optimization)算法的无信号灯交叉口自动驾驶决策方案。 通过 MetaDrive 仿真环平台搭建多智能体仿真环境,并且设计了综合考虑交通规则、安全到达或发生碰撞等安全性以及交叉口 车辆最大、最小速度等车流效率的奖励函数,旨在实现安全高效的自动驾驶决策。 仿真实验表明,所提出的自 动驾驶决策方案在训练中相较于其他算法具有更出色的稳定性和收敛性,在不同车流密度下均呈现出更高的 成功率和安全性。 该自动驾驶决策方案在解决无信号灯交叉口环境方面具有显著潜力,并且为复杂路况自动 驾驶决策的研究起到促进作用。 

针对传统的人工势场法在移动机器人路径规划中存在的目标不可达和局部极小值问题, 提出了一种改进的人工势场法。 首先, 对目标点附近有障碍物时由于斥力较大, 机器人难以到达目标点的问题, 在势场中引入了安全距离因子, 并对该参数进行了优化, 从而使机器人与障碍物保持合适的距离, 顺利到达目标点。 其次, 为解决局部极小值问题, 引入了局部极小值判别条件, 并在触发该条件时对局部极小区域进行绕行, 使机器人顺利到达目标点。 仿真结果表明, 改进后的算法在不同数量的障碍物地图环境下运行, 有较强的鲁棒性, 所提出的算法可以使机器人在 U 型障碍物环境中绕过局部极小值区域, 成功解决了移动机器人路径规划中的 局部极小值问题。

 考虑到新型电力负荷随机性增强, 传统的准确预测方法已无法满足要求, 提出一种 EMD-BiLSTM-ANFIS (Empirical Mode Decomposition-Bi-directional Long Short-Term Memory-Adaptive Network-based Fuzzy Inference System)分位数预测负荷概率密度的方法, 使用负荷预测区间取代点预测的准确数值, 能为电力系统分析与 决策提供更多数据, 增强预测的可靠性。 首先将原始负荷序列通过 EMD(Empirical Mode Decomposition)分解成 若干分量, 并通过计算样本熵分为 3 类分量。 然后将重构后的 3 类分量与由相关性筛选的外界因素特征采用 BiLSTM、ANFIS 模型进行训练和分位数回归(QR: Quantile Regression), 并将分量的预测区间结果累加得到最终 负荷的预测区间。 最后利用核密度估计输出任意时刻用户负荷概率密度预测结果。 通过与 CNN-BiLSTM (Convolutional Neural Network-Bidirectional Long Short-Term Memory)、LSTM(Long Short-Term Memory)模型对比点 预测及区间预测结果, 证明了该方法的有效性。 

由于基于传统深度学习的岩石图像识别算法模型比较繁琐, 而且应用于移动终端等需要一定的计算能力, 因此很难实现对岩石类型的实时准确判别。 为此, 以 ShuffleNetV2 网络为基础, 插入通道连接注意力机制ECA (Efficient Channel Attention)模块, 使用 Mish 激活函数代替 ReLU 活函数并引入轻量级网络部件中的深度可分离卷积。 将该方法用于岩石图像识别, 实验结果表明, 改进后的算法结构简单, 同时具有轻量化的特点, 其识别精度达到 94. 74% , 可在移动终端等有限资源环境下应用。

 针对传统语言模型不能解决深层双向表征和分类模型不能充分捕获文本显著特征的问题, 提出了一种基 于 BERT-BiGRU-CNN( Bidirectional Encoder Representation from Transformers-Bidirectional Gating Recurrent Unit- Convolutional Neural Networks)的文本分类模型。 首先, 该模型使用 BERT 预训练语言模型进行文本表示; 其次, 将 BERT 的输出数据输入 BiGRU 中, 以捕获文本的全局语义信息; 然后, 将 BiGRU 层的结果输入 CNN 中, 捕获文本局部语义特征; 最后, 将特征向量输入 Softmax 层得到分类结果。 实验采用中文新闻文本标题数据集, 结果表明, 基于 BERT-BiGRU-CNN 的文本分类模型在数据集上的 F1 值达到 0. 948 5, 优于其他基线模型, 证明 了 BERT-BiGRU-CNN 模型可提升短文本的分类性能。

针对等效线束法建模难、 计算效率低的问题, 探讨了车辆线束在电磁脉冲辐照下不同参数的耦合效应, 以提高仿真效率, 并分析了车辆线束中相关参数对线束电磁脉冲耦合的影响。 首先, 分析了车辆线束数量对 线束电磁耦合效应的影响, 通过控制变量法, 改变线束中的线缆数量, 观察线束中耦合电压的最大值。 然后, 改变线缆尺寸和负载电阻, 观察线束中耦合电压电流最大值的变化。 仿真结果表明, 耦合电压的峰值随线缆数 量的增大而减小, 随线缆尺寸的增大而增大, 并且都呈线性变化; 耦合电流的峰值随负载电阻的增大而减小, 呈幂级数关系。 最后, 结合仿真结果, 对不同参数下的最大耦合电压电流进行拟合, 得出其之间的关系, 为车辆线束的电磁防护工作提供参考。

为更好地保护生态环境并提高可回收垃圾的经济价值, 针对现有的垃圾识别方法面临的分类背景复杂、 垃圾目标形态变化多样等问题, 提出一种面向垃圾图像分类的残差语义强化网络, 能从复杂背景中剥离前景 语义目标。 该网络以骨干残差网络为基础, 利用视觉概念采样、 推理以及调制模块实现视觉语义的提取, 并通过注意力模块消除语义层次和空间分辨率与视觉概念特征的差距, 从而对垃圾目标形态变化更加具有 鲁棒性。 通过在 Kaggle 开源的 12 分类垃圾数据集及 TrashNet 数据集上进行实验, 结果表明, 相较于骨干网络 ResNeXt-50 和其他深层网络, 该算法均取得了性能的提升, 在垃圾图像分类任务上有较好表现。

为解决校园不同信息、 应用系统间不能互通互联、 共享数据等问题, 利用数据整合技术将多源教育数据 进行融合, 搭建一套多源异构教育大数据挖掘与应用平台。 该平台利用人工智能模型的输出以及多源异构 教育大数据挖掘引擎的输入, 基于大数据挖掘技术对学生档案、 教学资源和社交行为等多源信息进行分析 处理, 实现教学体征诊断、 学习状态智能对比、 教学影响因素分析、 潜在问题挖掘、 教学质量趋势预测等功能。 为科学提升校园个性化教学服务质量, 客观评价教学个体及团队教学水平, 辅助分析教学个体及团队长板、 短板, 科学指导决策者管理教学体系提供有力支撑。

针对超分辨率算法重建的遥感图像细节等信息丢失的问题, 为保证遥感重建图像包含较多的纹理、 高频信息, 在生成对抗网络基础上提出一种基于金字塔注意力机制的遥感图像超分辨率网络。 设计了一种全新的金字塔双重注意力模块, 包括通道注意力网络和空间注意力网络。 通道注意力网络中采用金字塔池化取代平均池化和最大池化, 该结构设计从全局和局部信息角度出发增强特征表述能力; 空间注意力网络则采用大尺度卷积, 以加强局部信息的提取程度, 可有效提取纹理、 高频等信息。 设计密集多尺度特征模块, 利用非对称卷积提取不同尺度的特征信息, 通过密集连接融合多层级尺度特征以加强纹理、 高频等信息的提取精度。 在 公开的 NWPU-RESISC45 数据集上进行实验验证, 实验结果分析表明,该算法在主观视觉效果和客观评价指标上均优于对比方法, 重建性能相对较好。

随着人工智能(AI: Artificial Intelligence)技术的不断发展, 尤其是在深度学习、 图像识别和自然语言处理等领域的突破, AI 在医学影像教学中正逐步显示出其独特的优势。 为此, 对 AI 在医学影像在教学中的应用现状进行了综合分析。 结果表明, AI 不仅可以帮助学生和医务人员快速识别疾病特征, 还能提供自动化的影像分析结果, 使学习者能更直观地了解不同疾病的影像表现, 增强了学习的互动性和实践性。 并且其还能提供个性化的学习路径, 根据学生的学习进度和掌握情况, 推荐相关的教学内容或练习, 确保学习者得到量身定制的教学服务。 同时, 其高效性和精准性帮助学生能更好地理解复杂的医学影像内容, 从而提高学习效果。 随着技术的不断进步, 人工智能将在医学影像教学中发挥更大的作用。 未来的教学系统可能会更加智能化, 结合虚拟现实、 增强现实等技术, 为学生提供更加沉浸式的学习体验。