由于现有的多数概念演化检测方法本质上是基于监督学习, 且通常用于解决一个时间段内仅出现一个新类, 不能处理数据流中的类消失和类循环任务。 为此, 提出一种基于弱监督集成的概念演化自适应检测方法 (AD_WE: Adaptive Detection Method for Concept Evolution Based on Weakly Supervised Ensemble)。 该方法利用弱监督集成策略构建集成学习器, 对数据块中的训练样本进行局部预测, 在此基础上, 基于局部密度和相对距离识别特征空间中具有较强内聚性的相似数据并对其聚类, 对聚类结果进行相似度比较, 实现新类实例的检测及不同新类的区分; 同时根据数据随时间变化特征建立动态衰减模型, 及时消除消失类, 并通过相似度比较检测循环类。 实验表明, 所提方法能对概念演化做出及时响应, 可有效识别消失类和循环类, 提高学习器的泛化性能。

针对传统密度峰值聚类在波段选择时缺乏信息论角度的相似性度量以及波段数目确定问题, 提出基于光谱角-光谱信息散度的自适应密度峰值波段选择方法( SSDPC: Spectral angle mapping and Spectral information divergence Density Peaks Cluster)。 该方法将光谱信息散度和光谱角用于高光谱图像密度峰值聚类进行波段选择, 取代传统的欧氏距离构建波段相似矩阵。 通过构建波段评分策略, 有效自动选择出重要的光谱波段子集。 在 3 组高光谱数据集上调用 RX(Reed-Xiaoli)算法进行异常检测, 在 SSDPC 的相似性度量方法下, 异常检测精度较欧氏距离度量方法分别平均提高 1. 16% 、 1. 18% 和 0. 07% ; 在自适应的 SSDPC 波段选择方法下, 异常检测精度相较原始 RX 算法分别提升 6. 49% 、 2. 71% 和 0. 05% 。 结果表明, 该算法具有良好的鲁棒性, 能提升高光谱图像异常检测的性能并降低其虚警率。

 针对在室内应用超宽带 UWB(Ultra Wide Band)定位技术时, 需要建立高效精确的三维坐标定位系统以 克服信号干扰问题, 应用机器学习方法对其进行了研究。 首先使用多种统计分析模型清理无效或误差测量值; 然后将 TOF(Time Of Flight)算法的先验知识与神经网络、 XGBoost(eXterme Gradient Boosting)算法相结合, 提出 了神经XGB(Exterme Gradient Boosting)三维定位系统, 该系统可通过“正常数据冶和“异常数据冶 (受干扰)以及 4 个锚点的坐标精准预测靶点的坐标值, 能使误差在二维平面降至 5. 08 cm, 在三维空间降至 8. 03 cm; 同时 建立了判断数据是否受干扰的神经网络分类模型, 精确率为 0. 88; 最后通过结合上述系统, 得到了连续且规律 的运动轨迹, 证明了系统的有效性与鲁棒性。

为标定光交叉芯片驱动电压, 控制光交叉芯片实现光路由功能, 提出并搭建了基于多通道 DAC(Digital to Analog Converter)阵列的控制驱动电路系统。 系统主要由控制系统模块、 多路驱动电路模块及上位机控制 模块构成。 控制电路和驱动电路具有调校简单、 可双极性输出、 输出路数多、 加电精确度较高的特点, 解决 了当前驱动电路工作繁琐、 加电极性单一、 加电路数少、 精度差的问题。 上位机控制模块除了可控制驱动 电路施加控制电压外, 还可接收来自数据采集装置采集到的光功率信号作为控制驱动系统的反馈信号。 通过分析控制电压与光功率之间的关系, 可得到最佳的光交叉芯片控制驱动电压。 系统测试实验结果表明, 该系统能提供高精确度的双极性驱动电压, 有效地对光交叉芯片进行驱动。 可在较短的时间内标定出光 开关的控制电压, 完全可以满足有源光交叉芯片控制中对驱动电压的需求。 该系统在光交叉芯片控制方面具有一定的应用价值。

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。

针对目前 BNN(Binarized Neural Network)剪枝方法存在剪枝比例低、 识别准确率显著下降以及依赖训练 后微调的问题, 提出了一种基于三值向二值演化的滤波器级的 BNN 剪枝方法, 命名为 ETB( Evolution from Ternary to Binary)。 ETB 是基于学习的, 通过在 BNN 的量化函数中引入可训练的量化阈值, 使权重和激活值 逐渐从三值演化到二值或零, 旨在使网络在训练期间自动识别不重要的结构。 此外, 一个剪枝率调节算法也被 设计用于调控网络的剪枝率。 训练后, 全零滤波器和对应的输出通道可被直接裁剪而获得精简的 BNN, 无需 微调。 为证明提出方法的可行性和其提升 BNN 推理效率而不牺牲准确率的潜力, 在 CIFAR-10 上进行实验: 在 CIFAR-10 数据集上, ETB 对 VGG-Small 模型进行了 46. 3% 的剪枝, 模型大小压缩至 0. 34 MByte, 准确率为 89. 97% , 并在 ResNet-18 模型上进行了 30. 01% 的剪枝, 模型大小压缩至 1. 33 MByte, 准确率为 90. 79% 。 在 准确率和参数量方面, 对比一些现有的 BNN 剪枝方法, ETB 具有一定的优势。

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。

针对现有图像数据集存在的隐私保护需求, 提出一种图像数据集隐私保护场景及该场景下隐私保护的 图像替代数据生成方法。 该场景利用经隐私保护方法处理后的替代图像数据集取代原始图像数据集, 其中 替代图像与原始图像一一对应, 人类无法识别替代图像所属类别, 替代图像可训练现有的深度学习图像分类 算法, 且具有较好的分类效果。 同时针对上述场景, 改进了基于投影梯度下降(PGD: Project Gradient Descent) 攻击的数据隐私保护方法, 将原始 PGD 攻击目标由标签改为图像, 即图像对图像的攻击, 并使用经过对抗训练 的鲁棒模型进行图像对图像攻击作为替代数据的生成方法。 在标准测试集上, 替代后的 CIFAR( Canadian Institute For Advanced Research 10)数据集和 CINIC 数据集在图像分类任务上分别取得了 87. 15% 和 74. 04% 的 测试正确率。 实验结果表明, 该方法能在保证替代数据集对人类隐私性的前提下, 生成原始数据集的替代数据 集, 并保证现有方法在该数据集上的分类性能。

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。

 为解决分割目标和周围结构边界不清楚的问题, 提出一种基于注意力机制的腰椎间盘突出患者多裂肌 分割方法。 该网络采用了编码器-解码器的结构, 通过引入注意力机制模块提升网络分割精度, 并在特征提取 后引入空洞空间卷积池化金字塔模块, 融合了上下文信息, 以提升网络模型的性能。 实验结果表明, 在推理时 间接近的情况下, 该模型与经典 U-Net 算法相比, Dice 系数提升了 7. 8% , Jaccard 相似系数提升了10. 1% , Hausdorff Distance 下降了 69. 5% , 提高了多裂肌脂肪浸润部位的分割精度。 

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% 。

为解决新型冠状病毒肺炎(COVID-19: Corona Virus Disease 2019)计算机辅助诊断相关问题, 建立双线性 卷积神经网络模型, 选取 VGG(VGG: Visual Geometry Groupnetwork)16 与 VGG19 网络作为特征提取子网络, 将 算法应用于新冠图像分类, 并与基本图像分类算法进行对比。 计算结果和病灶可视化分析表明, 与其他深度 学习网络模型相比, 双线性卷积神经网络模型具有更高的精度, 准确度高达 95. 19% 。 通过替换原始分类层, 采用支持向量机分类器, 模型分类准确度进一步提高至 96. 78% 。 研究结果证实了细粒度图像算法在新冠 CT 图像分类上的可行性, 为快速正确诊疗新冠肺炎提供了可靠的工具。

传统推荐算法缺少对图结构的隐含信息及上下文信息的利用, 从而可能降低推荐效果。 为提高传统推荐 算法的推荐效果, 提出基于图神经网络的推荐模型。 该模型基于图的高阶连通性理论, 使用图神经网络挖掘 用户-物品二部图中的隐含信息, 并由一阶扩展到多阶, 从而获取更精确的嵌入式表示和推荐效果; 在更新过 程中考虑上下文信息, 有利于理解上下文间的交互关系。 并将该模型在 Yelp-OS、Yelp-NC 和 Amazon-book 数据 集上进行实验, 实验结果表明, 在 HR(Hit Ratio)和 NDCG(Normalized Discounted Cumulative Gain)指标上均优于 相关对比算法, 证明该算法可优化推荐效果, 提升推荐质量。

针对传统加油站生产环境下卸油作业检测效率低, 违规操作引发的安全问题, 提出一种基于改进 YOLOv3的加油站卸油检测方法。 该方法通过在 Darknet-53 主干输出后引入 RFB(Receptive Field Block)感受野模块, 使模型能选择合适的感受野对不同尺度目标进行匹配, 提高检测精度; 结合 CSP(Cross Stage Partial)网络并提出RFB_CSP 和 RFBS_CSP 两种结构, 实现两条支路的跨级拼接与通道整合, 降低计算成本; 用 K-means++算法对现场的 9 类目标重新聚类分析, 确定合适的网络 anchor 参数。 实验结果表明, 优化后的模型对比原始的 YOLOv3 模型, 其平均精度均值提高了 2. 3% 和 2. 9% , 说明优化后的 YOLOv3 模型在加油站场景检测具有较高的实用价值。

为提高光电编码器的细分精度, 实现莫尔条纹信号的补偿和校正, 分析了对信号质量产生影响的误差 来源, 建立了莫尔条纹信号的波形方程。 设计了一种利用布谷鸟搜索算法结合最小二乘法, 用残差平方和作为 适应度函数实现波形方程多参数辨识的方法。 并利用辨识得到的参数结合波形方程对信号中的正弦性偏差、 直流分量和等幅性偏差进行修正。 将辨识得到的相位参数用于构建查找表, 以实现信号的正交性偏差补偿。 实验结果表明, 上述方法有效降低了输出信号中出现的偏差, 提高了光电编码器的细分精度。

针对空战信息的非完备问题, 基于改进麻雀算法进行无人机非完备信息攻防博弈策略研究。 通过分析 敌我双方空战信息, 在确定敌我双方的空战态势优势函数、 空战性能优势函数以及收益函数的情况下建立攻防 博弈模型。 结合博弈模型给出博弈支付函数并计算敌我双方的支付矩阵, 提出基于反向学习的改进麻雀算法, 求解出敌我双方攻防博弈的纳什均衡解。 通过仿真验证了所提方案的可行性和所提算法的有效性, 该方案能 初步解决空战对抗过程中所遇到的信息非完备问题。

科技文献检索时以专业角度给出合理的相关度排序是一项非常重要工作, 传统 PageRank 算法采用了平均分配相似性权重的方式, 但其会产生文献排序结果不合理的问题。 为此, 提出一种将深度学习方法与 PageRank相结合的算法, 提高文献相关度排序的可靠性。首先, 使用具有注意力池化的孪生BERT(Bidirectional Encoder Representation from Transformers)深度学习网络计算文献与引文的相似度; 然后, 对文献与其所包含引文间的相似度进行规范化处理; 最后, 将标准化后的相似度作为分配权重对引文网络计算排序。 实验结果表明, 相较于传统的PageRank算法, 该方法检索结果的相关度提升 6% 以上, 因此更适合应用于科技文献的引文网络分析。

传统无差拍电流预测控制依赖于精确的离散化电网数学模型, 导致电流出现稳态误差, 特别是电感变化超过一定范围会使系统不稳定, 在全数字控制中存在采样延时, 系统鲁棒性差。为此, 提出了一种改进型无差拍预测控制方法结合重复控制, 有效地消除并网电流的指令误差和扰动误差, 提供高质量的稳态波形。 经仿真验证, 能有效抑制传统控制方法采样延时对其影响, 具有响应快速、 稳态精度高、 电流畸变率(THD: Total Harmonic Distortion)小等优点, 同时避免了超调与震荡的缺点。

针对目前隧道清洗机器人作业调度中采用定时的僵化作业模式, 造成电力、 消防资源浪费, 并干扰驾驶人行车安全问题, 提出一种隧道清洗机器人智能调度方法。 该方法首先依据隧道车流量、 温度、 湿度等影响因素, 形成了对基础设施运营性能时变模型的描述。 在此基础上, 考虑基础设施运营性能、 机器人作业成本、 对隧道交通流的影响等, 构建了隧道清洗机器人调度的级联优化模型, 分别对机器人调度周期及作业时间进行优化, 以实现机器人的高效运营。 将该方法与常用的基于人工经验的定周期调度方法进行实验对比, 结果显示在相同的作业成本下, 该方法的基础设施运营性能较定周期调度方法提高了 6%。

针对地震、 海啸等自然灾害发生时, 地面基站受损或卫星信号受干扰而无法提供准确的位置信息, 对 救灾搜索和灾后重建都造成了很大的阻碍的问题, 提出了一种 GNSS(Global Navigation Satellite System) 拒止 场景下目标节点无线定位方案。 该方案选用救援车作为参考节点, 使用单无人机围绕以参考点为圆心的固定 轨迹进行多点无线测距, 利用无人机的移动性, 将传统的多无人机悬浮测距过程改为单无人机移动多点测距, 有效解决了多无人机资源浪费、 时钟精确同步难以实现、 系统复杂度高等问题。 在测距过程中, 提出了一种 基于加权的双向测距方法(W-TWR: Weighted-Two Way Ranging), 该方法可以有效减小测距过程中的双向信道 误差和时钟偏移误差, 最后利用最小二乘法对多组测距信息进行解算, 获得目标节点到救援车的相对位置 信息。 仿真和实验结果表明, 该定位方式合理, 其性能优于传统方法。

近年来, 随着中国的经济和人们生活水平的迅速提高, 对能源开采和运输的需求日益增加, 油气运输管 道作为重要的能源运输方式之一, 其总长度有了巨大的增长。而管道泄漏检测技术是保证油气管道高效、稳定 运行的关键技术之一。为此, 首先对管道泄漏检测以及定位技术的发展历程和现有研究成果进行了总结, 并对 各种常见方法进行了归类。其次研究了多种常见管道泄漏检测方法的基本原理和操作方法; 然后根据实际 工业情况阐述了各个检测方法的特点和适用应用场景; 最后, 对管道泄漏检测技术存在的挑战和未来研究的 重心进行分析和展望。

为解决量子图像的边缘检测问题, 研究了 Canny 边缘检测在量子计算机上的具体实现方法。 该方法采用移位、 堆叠、 加权和并行实现高斯平滑滤波和 Sobel 锐化操作。 针对边缘检测所需的梯度和角度计算, 通过引入灰度值的二进制补码描述, 设计了符号数的加法、 乘法和除法等新的算子。 针对边缘检测所需的非最大值抑制和双阈值处理, 通过引入量子补码比较器分别设计了实现这些任务的量子电路。 复杂度分析表明, 与经典的Canny 边缘检测器相比, 量子 Canny 边缘检测器具有指数级的加速。 经典计算机上的仿真结果验证了提出方法的有效性, 从而揭示出融合经典图像处理方法研究 Canny 边缘检测量子实现的研究思路是可行的。

为充分发挥战机集群整体作战优势以得到最优目标分配方案, 采用改进狼群算法对战场态势模型进行求解。 通过保证算法的寻优效率, 引入次头狼概念对狼群的召唤与围攻行为做出改进, 并对狼群算法的更新机制做出了优化, 提高算法的全局寻优能力。 仿真结果表明, 所提方法能快速准确地寻找到最优目标函数值, 且在一定程度上改善了传统狼群算法易陷入局部最优的情况。

针对传统管道焊接机器人启动时间长、 调速响应慢、 变速不灵敏、 爬坡速度慢的缺点及轨道运动过程中 变参数、 多扰动问题, 提出了一种改进模糊滑模控制( IFSMC: Improved Fuzzy Sliding Mode Control) 与模糊 PI(Proportional Integral)相结合的非连续性智能控制方法实现双闭环控制。 该方法采用内环为基于模糊 PI 的电 流环控制, 外环为基于 IFSMC 的速度环控制。 这种控制有效减少了轨道运动系统的外部扰动, 增加了系统的 响应速度和鲁棒性; 针对在变负载、 变转速、 变焊接方式下的速度设定与变速过度问题, 提出了随动系统采用 分区精细目标速度的跟踪设置系统, 该系统有效的划分了焊接机器人的不同焊接方式的区间和精确的反馈机 制。 经过仿真和试验测试, 整个控制系统在焊接过程中具有参数自整定、 自调节的功能, 行走机器人速度过渡 平滑, 变速响应快, 鲁棒性好, 管道全位置焊接稳定可靠。

随着第五代通信技术的飞速发展, 通信数据量快速增长, 为解决通信效率低下的问题, 提出一种更高 数据传输速率及频率利用率的数据接收系统。 通过分析 AD9361 技术在无线通信系统中的应用, 设计了基于 AD9361 的多输入多输出(MIMO: Multiple-Input Multiple-Output) 正交频分复用(OFDM: Orthogonal Frequency Division Multiplexing)同步定时接收系统。 该系统不仅具有频谱利用率高、 解调方式灵活以及通信速度快等优 点, 同时还在 5G 建设中具有重要意义。 测试结果表明, 基于 AD9361 的 MIMO-OFDM 定时收发同步系统具有 较高的收敛性, 该系统的现场可编程门阵列(FPGA: Field-Programmable Gate Array)资源占用情况整体良好, 且 采集数据较为稳定。 同时, 在数据定时接收同步过程中, 该系统可有效避免误码率影响, 不会发生符号间干扰 (ISI: Inter Symbol Interference)与信道间干扰(ICI: Inter Channel Interference), 并且定时接收同步系统符合传输 信道标准, 具有较高的无线通信稳定性。

本体融合已经成为学科领域知识图谱的重建和知识共享的重要途径, 为解决本体融合领域缺乏标准融合 框架问题, 提出一种基于国际标准 MFI4OR 的本体融合模型。 该模型提供一个标准的本体信息划分标准, 即 本体鄄本体构件鄄本体原子构件, 实现对本体信息的管理和映射。 在融合计算过程中, 选择编辑距离算法并引入 外部资源 WordNet 词典进行相似度计算。 最后, 以省级基金项目中的学习者模型构建需求为应用背景, 将 FOAF(Friend-Of-A-Friend)本体和 RELATIONSHIP 本体进行融合试验。 结果表明, 该标准化融合模型能实现 通用本体融合。

真实的自然图像常被各类图像噪声污染, 而传统去噪方法普遍只针对一种噪声类型设计, 因此在处理混 合噪声时往往去噪效果不佳。 针对这一问题, 提出一种快速二步交叉非局部混合滤波算法。 该滤波包括二步 交叉滤波部分与整体滤波部分, 在二步交叉滤波部分, 首先找到像素灰度的极值点进行定位, 并使用非局部中 值滤波对极值点进行简单的去除椒盐噪声, 求出图像的差值积分图, 最后使用改进的加速非均值滤波进一步去 除噪声。 在整体滤波部分, 使用非局部中值滤波整体去除噪声。 实验结果表明, 所提算法在高强度的混合噪声 污染情况下, 修复的图像获得了更高的测量指标和更加理想的视觉效果。

针对钙钛矿太阳能电池的电子传输层/ 钙钛矿层界面处存在的大量缺陷, 提出了一种无机盐界面钝化的 优化策略。 该策略选用低成本的氯化锂(LiCl: Lithium Chloride)作为电子传输层/ 钙钛矿层的界面钝化材料, 制备了器件结构为 ITO/ TiO₂ / LiCl / CH₃NH₃PbI₃ / spiro-OMeTAD/ Ag 的钙钛矿太阳能电池。 在引入浓度经过优化 的 LiCl 后, 钙钛矿太阳能电池的短路电流密度和填充因子达到 21. 05 mA/ cm ² 和 72. 55% , 能量转换效率为 16.95% , 与没有引入 LiCl 的器件相比提高了 23. 00% 。 对器件和薄膜进行表征后发现, LiCl 可以钝化界面处 的缺陷和陷阱, 并提高了 TiO₂ 的电导率, 从而减少了界面复合损失, 促进了电荷传输。

为缓解现有分时电价机制可能造成新的负荷高峰情况, 提出了一种从负荷侧考虑的对电网调峰有贡献度 的用电激励机制。首先建立各类家庭用电设备负荷模型、蓄电池负荷模型以及电动汽车充放电模型, 其次提出 从负荷侧间接调整电网峰谷差的激励机制模型, 最后以用电成本与用户舒适度为目标函数, 采用基于小生境的 混沌粒子群优化算法求解多目标 Pareto 解。仿真结果表明, 所提出的激励机制在满足舒适度要求的同时能显 著降低用电成本与用电峰谷差, 在一定程度上缓解了电网压力并提高其运行稳定性。

为提高文本分类的准确性和效率, 构建了一种基于 Attention 的 CNN-BiLSTM/ BiGRU(简称 CBLGA)混联 文本分类模型。 首先通过并联不同卷积窗口大小的 CNN(Convolutional Neural Networks)网络同时提取多种局部 特征, 之后将数据输入至 BiLSTM 和 BiGRU 并联组合模型中, 利用 BiLSTM 和 BiGRU 组合提取了与文本中的上 下文有密切关系的全局特征, 最后对两个模型所得到的特征值进行了融合并在其中引入了注意力机制。 构建 基于 Attention 的 CNN-BiLSTM/ CNN(简称 CBLCA) 混联文本分类模型, 特点是将 CNN 的输出分为两部分, 其中一部分输入 BiLSTM 网络中, 另一部分则直接和 BiLSTM 网络的输出进行融合, 既保留了 CNN 提取的文字 序列局部特征, 又利用了 BiLSTM 网络提取出的全局特征。 实验表明 CBLGA 模型和 CBLCA 模型在准确率和效 率方面均实现了有效提升。 最后, 建立了一套针对不同长度的文本进行相应预处理和后续分类工作的分类的 流程, 使模型无论面对长文本还是短文本数据, 均实现了同时提高文本分类的准确率和效率的目标。

为解决现有长白山景点旅游数据不够集中、 缺乏有效利用问题, 通过合理制定基于 Python 的网络爬虫,实现了对部分旅游网站长白山旅游数据的爬取, 并利用 Tableau 工具对数据进行可视化分析, 从多个维度精准挖掘旅游人数与各个因素之间的潜在关系, 得到了更为直观的效果, 有利于趋势分布的观察, 为长白山地区进一步制定合理的旅游策略奠定了基础。

为解决现有电子测量实验教学中实验平台无法满足多层次人才培养的问题, 结合测控技术与仪器专业电子测量实验教学目标与要求, 引入电子测量前沿技术, 研制开发一套与理论教学、 工程实践紧密结合的实验教学平台。 该平台采用模块化、 开放式设计思路, 包括基于 DDS(Direct Digital Freqiaency Synthesizers)技术的信号源模块、 带通滤波器模块、 交流电压参数测量模块、 数字频率计模块及供电、 接口模块等, 为学生验证理论知识提供实践操作平台。 同时, 为综合性、 设计性实验提供开放式的硬件平台和资源。 实践应用表明, 该平台的应用不仅使学生更加深入了解掌握电子测量理论知识, 同时也锻炼学生的创新思维和实践动手能力, 实现了高水平、 多层次人才培养的目标。

针对用于三自由度机械臂各关节末端轨迹跟踪控制的非线性系统在扰动存在的情况下跟踪效率较低的问题, 提出一种变增益迭代学习控制律。 利用拉格朗日法建立动力学方程, 设计三自由度机械臂结构的变增益迭代学习控制器并进行收敛性分析, 通过 Matlab 的 Simulink 仿真模块, 构建三自由度机械臂控制系统仿真图,进行闭环定常 PD(Proportion Differentiation)型和闭环变增益 PD 型迭代学习控制器的三自由度机械臂对比仿真试验。 仿真结果显示, 基于变增益迭代学习的三自由度机械臂在干扰的状态下, 能较短时间内收敛到期望轨迹。

随着知识图谱的广泛应用, 为了提高从中提取知识数据和产品数据的准确率和效率, 以知识图谱为数据源, 根据实际业务需求制定业务数据抽取与组织规则(抽取规则即为题目中的映射规则, 设计规则的表达描述方法和规范约束, 由业务需求者填写实际可实施抽取的规则), 支持根据该规则从知识图谱中抽取符合规则的子图。 由于该子图符合设计业务需求方的规则, 因此该子图包含了符合业务需求的数据和组织结构。 通过数据产品生成规则(从结构相对固定, 具备实际业务含义的子图数据生成报告文档、统计表格等业务用户最终需要的数据产品), 从抽取的子图生成需要的数据产品(报告文档, 统计表格等)。 通过 SPARQL 查询语言、自然语言生成等技术实现了以知识图谱为数据源, 快速自动地生成文本、 图表、 报告文档等数据产品, 大幅度提升了效率。

针对传统 Faster R-CNN(Region-Convolutional Neural Networks)检测钢材表面小目标性缺陷性能差的问题, 提出了一种基于改进 Faster R-CNN的钢材表面缺陷检测方法。 首先引入导向锚点候选区域网络(GA-RPN: Guided Anchoring Region Proposal Network)预测锚点的位置和形状, 设计可调节机制解决网络锚点形状偏移量超出感兴趣区域的问题, 从而解决无关特征的影响; 其次, 提出多任务 FPN(Feature Pyramid Network)结构缩短高层特征定位信息映射路径, 并能解决相邻层特征融合再采样的不充分特征融合, 提高小目标检测性能。 将改进的 Faster R-CNN 算法应用于钢材表面缺陷检测。 仿真结果表明, 改进的网络其召回率与准确率都得到提高, 具有更好的检测性能。

针对传统的拉普拉斯特征映射(LE: Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集, 但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题, 提出了一种基于双度量约束的拉普拉斯特征映射(D-LE: Double metric constraint Laplace Eigenmaps)的算法。 该算法采用余弦相似性评估样本间的相似性, 并融合样本间以及样本与局部流形的度量关系, 构建降维模型。 通过在 3 个轴承数据集上进行实验, 实验结果表明, 该方法对处理非线性数据集能明显提高降维效果。