针对因不同网络信道的环境有所差异,导致时延控制难度较大的问题,提出基于离散数学模型的传输 时延一致性控制算法。 首先,基于离散数学模型设计单一信道单元中的传输时间匹配函数,并预估数据传输 时延,从而建立传输时延函数。 然后, 采用离散化处理方式, 求得与传输时延参数相关性最大的限制频谱 参数。 根据该参数,设定最大允许时延需要满足的条件,并使用均衡信号噪声比建立均衡传输幅度响应模型, 利用自适应均衡调度方法实现时延一致性均衡控制。 实验表明,应用该算法能使传输时延和控制开销明显 降低, 网络吞吐量增加。

针对在超分辨率处理过程中,低分辨率图像存在的噪声会被放大,导致超分辨率图像出现失真的问题, 提出了基于神经网络的超分辨率图像噪声识别方法。采用神经网络中的激活函数,确定峰值信噪比。 联合噪声数据集合与超参系数, 获取残差值, 结合噪声信息分布密度, 实现超分辨率图像噪声识别。实验结果表明,所提方法的超分辨率图像的清晰度较高, 具有较好的识别效果, 最高峰值信噪比为50 dB, 表明利用所提方法能提高图像质量。

针对现有仿蝎子振源定位方法因蝎子振源定位模型不完善而导致的定位精度受限的问题,提出一种改进 的仿蝎子振源位置估计方法。 该方法首先根据振动信号不同频率分量随距离增加衰减速度不同的特性,完善 现有仿蝎子振源定位机理距离估计缺失的不足,并基于改进后的模型完成振源位置特征提取,构建完整位置 特征数据库。然后, 使用K-means 方法创建子数据库以减少数据匹配的时间。最后, 通过KNN(K-Nearest Neighbor)算法完成振源位置估计。为验证该方法的有效性, 在包含64个位置的人员踏步信号的数据集上进行测试, 定位区域为内圈半径2m、外圈半径6m的同心圆。 结果表明,改进的仿蝎子振源位置估计方法比现有 的仿蝎子振源定位方法平均定位精度提高了0.4396 m。 并且其定位时间和原始的匹配方法相比提升了 31.34%。 因此, 改进方法在定位精度和效率上都得到了显著提升。 

针对当前深度学习在三维重建中难以从图像中提取全面的场景信息,以及未充分考虑视图间的深度一致性问题,提出具有自适应深度一致性和跨频注意力的多视图立体网络(ADCFA-MVSNet: Multi-View Stereo with Adaptive Depth Consistency and Cross-Frequency Attention)。 跨频注意力(CFA: Cross-Frequency Attention)模块 整合图像内高频和低频信息,以及跨视图的全局场景信息,能更加全面地提取图像特征。 自适应深度一致性 (AD: Adaptive Depth Consistency)模块精确捕捉场景中的几何结构, 动态考虑不同视图对深度一致性的贡献, 在不同尺度上增强深度一致性。其创新之处在于利用全面的图像信息,确保几何一致性,从而在3D重建任务 中取得优异的表现。实验结果表明,在DTU(Technical University of Denmark)数据集上精确度为0.319, 完整度 为0.285, 整体得分为0.302, 优于其他对比方法。在 BlendedMVS 数据集上, EPE(End-Point-Error)得分为 0.27, e1 得分为5.28, e3 得分为1.84, 同样优于对比方法。证明了ADCFA-MVSNet在提升多视图三维重建的 完整度和精度方面的有效性,提高了多视图重建质量,取得了良好的重建效果。

针对金融事件存在论元专业性强、分散度高等特点,传统事件抽取方法难以实现精准抽取问题,提出了 一种融合段落局部和文档全局特征的事件抽取方法。 该方法首先对金融公告文档分段后并行地对所有段落 利用Fin-BERT(Financial Bidirectional Encoder Representation from Transformers) 预训练模型、卷积神经网络和 自注意力机制获取文档局部特征;然后利用Bi-LSTM(Bi-directional Long-Short Term Memory)对整篇文档的语义 信息进行学习获取文档全局特征;最后将段落局部特征与文档全局特征融合,输出事件论元和事件类型。在金融公开数据集ChFinAnn上进行的实验结果表明,该方法获得了平均80.2%的F1 值,优于基线模型,证明了该方法的有效性。

针对水稻病害图像数据集样本较少而影响深度神经网络模型学习的精度问题,提出一种改进的对抗生成 网络模型ViT-WGAN-GP(Vision Transformer and Wasserstein Generative Adversarial Networks with Gradient Penalty) 用于对图像数据集进行增强。 首先在生成模型引入Vision Transformer结构加强对全局特征的学习; 其次在判 别模型采用WGAN-GP结构, 通过Wasserstein衡量函数和梯度惩罚项保证模型训练的稳定性, 提升生成图像的 效果; 最后使用增强后的样本集训练深度神经网络模型。实验结果表明,针对水稻病害图像,ViT-WGAN-GP 模型与GAN、WGAN-GP相比生成图像效果提升显著。使用增强后的水稻病害样本集训练VGG16、ResNet34和 GoogLeNet 模型, 水稻病害识别平均准确率分别达到94.3%,96.2%,97.5%, 分别提升了9.7%,2.8%,4.8%。 由此可见,该ViT-WGAN-GP模型能生成较为真实的水稻病害图像, 且能在小样本集下, 较大幅度提高深度 神经网络模型的识别准确率

针对通用分词方法在专业领域的中文分词任务中,由于跨领域的数据分布不匹配和大量未登录的专业 词汇限制导致分词准确率低的问题, 提出基于 XLBMC(XLNet-BiGRU-Multi-head Self-attention-Conditional Random Field)的专业领域分词方法。首先通过改进的XLNet 预训练模型生成包含上下文语义信息的动态词 向量,使模型能更好地利用边界特征和语义知识;然后将获取的词向量输入BiGRU中进行特征提取,得到每个字符的隐藏状态表示。在BiGRU编码的基础上,引入稀疏多头自注意力机制(Multi-head Self-attention)对每个字符加权表示,提高模型在受限内存预算下细粒度和强长期依赖性的时间序列的预测准确性。最后由CRF (Conditional Random Field)解码相邻标签之间的依赖关系, 输出最佳的分词序列。在自建的控制工程语料上 进行分词实验。结果表明,该分词模型准确率为94.27%,召回率为93.24%,F1 值为95.52%, 证明其在专业领域中文分词任务中的可靠性。

基于监督学习的深度神经网络焊接技术在实际工业场景中,难以获取带有标签的数据样本,限制了深度网络模型的性能。而针对无标注或不完整标注数据集,迁移学习算法提供了一种新颖的解决方案。为此,从领域自适应和预训练-微调两个方面阐述了迁移学习算法,并从近年来算法发展历程和在焊接熔透识别和缺陷 检测中的应用方面归纳总结了当前已有的研究工作。 同时, 还探讨了焊接领域未来需要更多关注和探索的 迁移学习问题。通过迁移学习的方法,可以更好地利用已有数据和知识,提升深度学习模型在焊接领域的效果 及焊接熔透识别和焊接缺陷检测的准确度,从而推动智能焊接制造技术的发展。

在疫情灾害等场景下的社区应急管理中,传统方法无法快速精确捕捉社区的需求动态。为此,提出一种结合多模态大语言模型和YOLOv8(You Only Look Once version 8)的智能感知系统。该系统综合分析社交媒体文本数据和社区监控视频流,以实时识别社区公共服务需求。实验结果显示,系统在需求识别和异常检测方面 表现出高准确性和响应速度。该系统提升了应急管理中公共服务的响应能力,为智慧城市建设提供了有力技术支持。

智能汽车是全球汽车产业发展的重要方向,为适应智能汽车实践教学的新需求,设计并搭建了一套智能 汽车视频注入实验平台。首先,结合虚拟仿真与车载域控制器,设计了一套虚实融合的实验平台方案;其次, 开发了摄像头仿真模型并进行了虚拟标定验证, 同时构建了基于GMSL2(Gigabit Multimedia Serial Link 2)与CSI-2(Camera Serial Interface 2)协议的摄像头数据链路, 实现了虚拟仿真信号与车载域控制器硬件之间的有效 交互; 将开发环境中训练的深度学习模型进行量化与通用格式转换,并部署至车载域控制器,使其能与虚拟 仿真环境实现实时交互;最后,应用建立的实验系统,为学生提供了理论与实践相结合的学习环境,帮助学生 深入理解摄像头原理,并掌握多路视频信号从生成、传输到感知算法部署过程。实验结果表明,智能汽车视频注入实验系统能有效提升学生在智能汽车技术领域的实践能力和创新能力。

为提高传统A*算法在路径规划时的实时性和安全性,提出了一种融合改进A*和DWA(DynamicWindow Approach)的路径规划方法。 首先, 对A*算法的搜索邻域进行了优化, 以减少节点的搜索方向; 其次, 引入 双向搜索和动态定义目标节点策略优化搜索机制,从起始和目标节点进行双向路径搜索;引入动态权重系数, 减少路径搜索过程中产生的冗余节点,并通过贝塞尔曲线对路径进行平滑处理;最后,将改进A*算法与DWA 算法相融合,以规避随机障碍物。利用PyCharm进行仿真,结果表明,与其他两种算法相比,改进A*算法搜索 节点减少46.25%以上, 搜索时间减少了24.06%以上, 融合算法能避开随机障碍物, 且规划路径的平滑性和 安全性都有较大提升。

针对患者长期健康知识需求与自主管理困难的问题,为提高慢性疾病患者医疗信息获取的准确性与便捷性, 开发了一套基于知识图谱与微信小程序的慢性疾病健康知识问答系统。该系统包括问答库、服务器端、客户端3部分。问答库基于知识图谱、文本生成与匹配技术构建,服务器端基于Python语言编写, 使用微信 小程序作为客户端。系统具有对疾病知识进行智能问答、健康数据记录、健康推文、知识库更新功能。应用 结果表明,该系统能良好地完成慢性病人的健康知识问答任务。

由于在实施虚假数据注入攻击检测时,若检测模型的检测精度较差,将影响虚假数据注入攻击检测的 检测效果,为有效提升检测模型的检测精度,提出基于灰狼算法优化核极限学习机的虚假数据注入攻击增量检测。估计电力系统状态,分析虚假数据注入攻击行为,并基于核极限学习机建立虚假数据注入攻击增量检测模型, 使用灰狼算法对模型进行优化处理;最后将采集的电力系统状态数据的归一化结果作为模型输入数据, 通过优化后的模型实现电力系统虚假数据注入攻击在增量变化下的精准检测。实验结果表明,采用该方法 进行虚假数据注入攻击检测,可以得到较好的检测效果和较高精度的检测结果。

针对网络节点脆弱,潜在攻击行为较多且交集情况冗余,导致特征识别精度以及分类效果较差,监测 稳定性和效率较低的问题,研究了基于模糊Markov博弈算法的网络潜在攻击监测。利用融合度压缩感知方法和特征识别度参数分析方法,分析网络潜在攻击特征的随机离散分布序列,提取和分析网络潜在攻击谱特征量; 采取随机森林算法,区分网络潜在攻击类型,进行了网络潜在攻击风险模糊Markov博弈分析; 依据风险状态集,结合最小最大化原则,监测网络潜在攻击风险。算例测试结果表明,应用所提方法,设置了潜在攻击行为参数,潜在攻击识别率波动较小, 模糊Markov 博弈分析结果与实际风险值最为接近, 具有较高的识别精度、监测效率和监测稳定性。

针对药物信息数据具有类别不平衡的特点,敏感数据可解释性较差且较多、应用效果与挖掘准确率较低 的问题,提出了一种基于改进Apriori的药物信息敏感数据挖掘算法。将药物数据分解成若干个带限固有模态函数,更新与去噪药物信息数据,根据药物敏感数据特征子集的信息增益以及蒙特卡洛采样策略提取敏感数据 特征子集,分析隐层输出函数和特征子集之间的关系。引入极限学习机改进Apriori算法, 筛选出具有显著 关联性的药物组合,并对其求解,匹配候选特征子集对应的敏感数据特征,构建敏感数据挖掘函数。实验结果表明, 该算法的数据信号波动幅度较小, 能较为清楚地分辨出敏感数据, 挖掘错误的数据数量不超过2个, 提升敏感数据可解释性

由于网络仿真需要消耗大量系统资源且参数配置复杂,因而在进行网络测试时,这些因素均会影响测试 精度, 为此,设计一种基于Linux命名空间的轻量级网络仿真方法。基于Linux内核虚拟化技术构建仿真网络, 针对网络测试过程中动态调整拓扑引起参数配置复杂,运行网络仿真系统时资源消耗大的问题,设计采用人类可读的数据序列化标准文件灵活定义网络,在用户态通过调用系统命令借助Linux网络命名空间机制完成虚拟 网络创建,编写自动化脚本利用iperf3工具执行网络测试。实验结果表明,所提方法网络吞吐量接近测试理论 带宽, 系统表现出高启动效率和低运行资源开销,能满足常见网络测试应用场景,性能较好,具有一定的研究价值。

文本数据量大时,需要从文本数据中提取有效的特征,以捕捉文本的重要信息,以便于文本的存储和查询。为此,提出基于机器学习的文本分类与标签预测算法研究。采用条件随机场方法对待处理文本展开词性标注和切分,获取文本的特征。将文本特征输入自注意力机制循环卷积神经网络中,经过模型训练输出 文本的分类结果和标签预测结果。经实验证明,所提算法可以有效的完成对文本的分类和标签预测,文本分类 取伪率平均为95.2%, 文本预测排序损失平均为0.4%。

由于资源过滤去重是保证数字化图书馆高效运行中不可缺少的环节,但其过程易受冗余数据、资源类型和客户群体差异等问题的干扰,为此,提出基于GRNN(General Regression Neural Network)算法的数字化信息资 源过滤去重方法。首先采用GRNN算法检测数字化信息资源中的异常值, 并通过PSO-LSSVM(Purticle Swarm Optimization-Least Squares Support Vector Machine)过滤异常值, 避免异常数据对去重过程产生干扰。然后采用局部敏感哈希算法将资源数据转换成二进制哈希码,通过检测哈希码之间的汉明距离相似度完成数字化信息资源的过滤去重。实验结果表明,该方法用时短,并且去重精度和去重率较高。

针对目前井场抽油机泄露目标检测方法忽视井场泄漏检测的特殊需求,在对井场泄漏目标进行特征识的过程中存在一些局限性的问题, 提出一种基于注意力机制的井场小目标泄露检测算法。以YOLOv5(You Only Look Once 5)网络为基础, 在主干网络中引入通道和时空注意力模块, 获取到更多的特征判别信息, 以增强模型对重要特征的关注。同时,在主干网络中多引出了一个小目标检测尺度,使网络更多地融合小目标物 体的特征信息,加强小目标的检测能力。并在井场泄露数据集上对该算法的有效性进行验证 实验结果表明, 相较同类算法,该方法具有更高的识别准确率,可为油田井场泄露自动检测的实际应用提供参考。

针对直觉模糊集相似性度量中犹豫度再分配问题,由于传统方法大都依靠固定公式且结果恒定,其与实际 情况不符,为此,提出了一种新的直觉模糊集相似性度量方法。该方法引入随机函数,对犹豫度进行细粒度的隶属度与非隶属度再分配,并保留剩余犹豫度,在保持信息完整性的同时,大幅度提高了度量的辨识能力和计算 效率,满足了相似性度量的核心要求。并且还深入探讨了两个直觉模糊数相似性的可能取值范围,增强了相似性 的适用性。将此方法应用于路堑边坡方案选择中,验证了其合理性及实用性,展现了良好的应用前景。

针对运行策略不足时光储充电站的高运行成本及对配电网产生的负荷波动问题,提出了一种基于时变 边界约束条件的光储充电站多时间尺度优化调度策略。首先日前阶段以日运行成本最小为目标,对电动汽车 充电负荷以及光伏发电功率区间进行预测; 日内阶段以对配电网造成的负荷波动均方差最小为目标。构建基于预测区间边界、光伏发电上网电价以及电网分时电价的具有时变边界的约束条件,对运行策略中相关变量 加以约束。最后设置多个场景, 调用Matlab中CPLEX求解器进行求解, 对调度结果分析表明, 该调度策略不仅能降低日运行成本,同时也减小了负荷波动均方差。

针对原始电力系统用户侧净负荷序列混乱问题,为精准预测电力系统用户侧负荷数据的变化情况,提出 一种异构计算下的电力系统用户侧净负荷预测算法。分析带有噪声的电力系统用户侧净负荷数据,实施二 进制小波变换,经设定门限值与确定估计信号,预处理电力系统用户侧净负荷数据;应用经验模态分解方法, 进行了电力系统用户侧净负荷分解,使用扩展卡尔曼滤波(EKF:Extended Kalman Filter)以及核函数极限学习机(KELM: Kernel Extreme Learning Machine)两种存在差异的算法, 建立基于EKF-KELM 的电力系统用户侧净负荷预测函数,异构计算IMF(Intrinsic Mode Function)分量的最优参数, 引入核函数, 叠加全部预测值, 得到异构计算下的电力系统用户侧净负荷预测结果。实验结果表明,所提算法获取的电力系统用户侧净负荷预测值和真实值基本吻合,均方根误差和平均绝对误差均低,有效减少电力系统用户侧净负荷预测耗时,可以获取 高准确率的电力系统用户侧净负荷预测结果。

电力企业办公区域中的温度、湿度、空气质量等环境因素具有动态变化特性,且相互之间存在复杂关系。这些因素对能耗的影响难以准确量化,增加了控制算法的复杂性。为此,提出双碳背景下电力企业办公能节能功率控制算法。利用环境传感器布设传感器网络,采集办公环境的信息数据,并利用回归模型建立环境 因素与能耗之间的线性关系,量化环境因素对能耗的影响。根据环境因素与能耗之间的线性关系,计算办公环境耗能设备的功率损耗和年度用电量,预测未来特定时段内企业办公的能耗变化情况。通过设定传感器和 能耗数据与控制中心的连接指令,构造设备能耗调节约束模型,结合设备能耗强度和调制功率设计节能控制函数,由此实现办公能耗节能功率控制。实验结果表明,在研究方法的应用下,电力企业办公环境的节能率和 减排量分别高达35%和35 t, 具有较好的节能减排效果,能满足双碳目标需求。

针对居民社区电动汽车(EV: Electric Vehicles)用户基础负荷与 EV 无序充电负荷叠加造成配电网负荷 “峰上加峰冶的问题,提出了基于浣熊优化算法(COA: Coati Optimization Algorithm)的居民社区 EV 有序充放电策略。首先,基于云边协同理论及大数据技术,建立配电网、充电站运营商、智能充电桩与EV用户信息全面互联互通的云边端协同优化调度框架;其次, 提出考虑用户可接受最小利润或最大成本的EV用户充电调度机制; 然后,从电网侧与用户侧的角度建立双层多目标有序充放电优化调控模型;最后,以居民区中EV负荷数据为例,提出采用COA对模型进行求解。仿真结果验证了所提出的模型与方法的有效性和优越性, 可以较好地实现负荷削峰填谷,同时提高了用户充电体验。

针对目前传统安检方法对于车辆底盘表面藏匿的违禁物品的检测效率低、漏检率高、便携性差等不足, 设计了一个基于云端的移动式智能车底藏匿物检测系统, 通过机器人、网络通信、图像处理及目标检测等技术,实现藏匿物智能化检测。基于SIFT(Scale-Invariant Feature Transform)算法提取图像特征信息并获取车底局部全景图像,使用YOLOv5(You Only Look Once version 5)深度神经网络模型检测4 种车底藏匿物, 搭建云数据库存储车辆信息, 轮式机器人、上位机、云数据库之间通过TCP/IP(Transmission Control Protocol/Internet Protocol)协议进行通信。经测试, 该系统能在特定场景下完成车底藏匿物检测, 图像拼接成功率达81.7%, 目标检测准确率达83.7%, 在车底安检领域具有一定的实用价值。

针对现有方面级情感分类模型存在方面词与上下文交互不充分、分类精度低的问题, 提出一种基于多交互特征融合的方面级情感分类方法(ASMFF: Aspect-level Sentiment classification method based on Multi- interaction Feature Fusion)。首先, 将上下文和方面词分别进行特殊标记, 输入BERT(Bidirectional Encoder Representations from Transformers)编码层进行文本特征向量提取。其次, 将文本特征向量输入AOA(Attention Over Attention)和 IAN(Interactive Attention Networks)网络提取交互注意力特征向量 最后, 将得到的两种交互 特征向量进行融合学习,通过交叉熵损失函数进行概率计算、损失回传和参数更新。在Laptop、 Restaurant和 Twitter 3个公开数据集上的实验结果表明, ASMFF模型的分类准确率分别为80.25%、84.38%、75.29%, 相比 基线模型有显著提升。

针对传统课堂质量评价手段主要依靠人工观察, 存在效率低和精度差等问题, 提出了一种基于改进 YOLOv5s(You Only Look Once version 5 small)的轻量化课堂评价模型。通过采用该模型和层次分析法建立完善的课堂评价体系。该模型在颈部网络中融入CBAM(Convolutional Block Attention Module)注意力机制, 提高了模型的识别精度; 通过在骨干网络中融合Ghost模块, 显著降低了模型的复杂度; 通过采用Focal Loss损失 函数,有效地缓解了类别不平衡的问题。实验结果表明,与YOLOv5s模型相比,改进后的模型平均精度提升了7. 3%, 参数量减少了42.0%, 计算量减少33.1%, 检测速度提升了4%。最后结合层次分析法和熵权法建立 课堂质量评价体系,动态显示当前课堂质量的评分,可满足实际课堂需求。