摘要:

摘要:

摘要:

摘要:

摘要:在真实的工业物联网环境中,传感器信号常受外界噪声干扰,难以获取纯净数据,这影响了基于数据驱动的时间序列预测任务的准确性.为此,基于改进的对比盲去噪自编码器(Contrast Blind Denoising AutoEncoder,CBDAE)和TCN-Transformer网络,本文提出一种新型时间序列预测框架,称为MoCo-CBDAE-TCN-Transformer.该框架通过引入额外的动量编码器、动态队列和信息噪声对比估计正则化,增强了对时间序列数据动态特征的捕捉能力,并有效利用历史负样本信息.在无需噪声先验知识和传感器纯净数据的前提下,通过捕捉和对比时间相关性和噪声特征,实现传感器数据的盲去噪.去噪后的数据通过TCN-Transformer网络进行时间序列预测.TCN-Transformer网络结合残差连接和膨胀卷积的优势以及Transformer的注意力机制,显著提高了预测的准确性和效率.最后,在公开的四缸过程数据集上进行仿真验证,实验结果表明,与传统的去噪方法和时间序列预测模型相比,本文设计的模型能够获得更好的去噪效果和更高的预测精度,其实时处理能力适合部署在实际的工业环境中,为工业物联网中的数据处理和分析提供了一种有效的技术方案.

摘要:碳价格具有非线性、非平稳等复杂特征,其预测颇具挑战性.为了提高预测精度,提出一种结合时变滤波经验模态分解(Time-Varying Filter Empirical Mode Decomposition,TVFEMD)、样本熵(Sample Entropy,SE)、双向门控循环单元(Bidirectional Gated Recurrent Unit,BiGRU)和差分整合移动平均自回归(Autoregressive Integrated Moving Average Model,ARIMA)的碳价预测模型TTBiGRUA.首先,通过TVFEMD将碳价格分解为不同频率的模态分量.其次,利用样本熵评估各分量复杂度,并采用K-means算法进行重构.随后,对重构后波动性最强的模态分量运用TVFEMD二次分解,以进一步提取特征并减少模态混叠.根据样本熵划分高频分量和低频分量.高频分量由BiGRU预测,低频分量则由ARIMA预测,最后将分量预测结果叠加得到碳价格最终预测结果.应用广东和湖北碳市场的实际碳价数据,使用5个评价指标和Diebold Mariano(DM)检验评估模型预测的有效性和鲁棒性.结果表明,所提出模型预测精度优于其他基准对比模型.

摘要:针对电力负荷数据存在非线性、时序性等多方面因素导致的预测精度不足等问题,本文提出一种基于CEEMDAN和HBA-BiGRU-SelfAttention的短期负荷预测模型.首先,采用随机森林(RF)算法对气象因素进行特征提取,在保证数据特征的同时,降低数据的复杂度;其次,采用自适应噪声完备集合经验模态分解(CEEMDAN)算法对原始负荷数据进行分解,得到若干较为平稳的模态分量;然后,将经过特征提取的气象因素和模态分量作为输入数据,利用BiGRU(双向门控循环单元)-SelfAttention(自注意力机制)模型进行预测,并针对BiGRU-SelfAttention模型的超参数难以选取最优解的问题,引入蜜獾算法(HBA)对BiGRU-SelfAttention模型的超参数进行寻优;最后,将子序列预测结果叠加,得到最终预测结果.以某地实际电力负荷数据为数据集进行对比试验,结果表明,本文所提出的模型具有较高的预测精度,可以为电力系统稳定运行提供可靠依据.

摘要:未佩戴或未正确佩戴头盔将对骑行人员生命安全造成重大威胁,人工督查不但工作量大效率低下,而且难以做到全区域全时段覆盖.本文提出一种基于改进YOLOv5的骑行者头盔佩戴检测方法,通过监控摄像头对骑行人员的头盔佩戴情况进行智能检测和自动识别.首先,构建了包括不同地点、不同视角、不同天气、不同时段的骑行者头盔佩戴数据集,为研究奠定基础.随后提出一种基于改进YOLOv5的头盔佩戴检测模型,通过改进YOLOv5的多尺度特征融合模块,提升小目标检测效果;引入ECA注意力机制,强化特征图融合效果,显著提升模型检测精度;基于GSConv对Neck部分进行轻量化处理,有效地降低模型的检测耗时.实验结果表明,本文算法对骑行者头盔佩戴情况具有良好的检测性能,mAP达到93.2％,相较YOLOX提升1.9个百分点,单张图片检测耗时15.23 ms,在保证较高检测速率的同时检测精度更高,具有一定的应用价值.

摘要:准确识别茶芽图像需要克服茶芽颜色与背景相似且目标尺寸小的问题,为此提出一种应用于茶芽检测的基于混合注意力机制的YOLOv5s模型.首先,提出一种混合注意力机制(HAM)并将其加入到YOLOv5s主干网络中,使网络能够专注于目标区域,更加充分地提取特征,提高模型识别物体的准确性.然后,引入归一化瓦瑟斯坦距离(NWD)作为新的度量指标,并与原有的CIoU损失函数相结合.NWD损失函数通过边界框对应的高斯分布来计算它们之间的相似性,从而提高模型对图像中小目标的检测精度.实验结果表明,与原YOLOv5s模型相比,改进后模型的mAP_0.5、mAP_0.5∶0.95分别提高0.9和1.3个百分点,而参数量仅仅增加0.044×10⁶.这些结果验证了本文所提出的方法在茶芽检测方面的有效性.

摘要:随着车联网技术的快速发展,边缘计算在车联网信息处理应用中的作用日益增强.车联网中车辆设备的计算资源和存储能力有限,而车辆需要处理大量数据和复杂的计算任务,单一的卸载方式无法满足场景的需求,现有的单一通信模式限制了任务卸载的灵活性和效率,因此需要在动态网络环境下,考虑多种卸载方式的协同,以提高系统的整体性能和灵活性.为此,提出一种基于深度强化学习的多方式协同车联网边缘计算任务卸载方案.通过采用车辆对车辆(V2V)、车辆对车辆联盟(V2A)、车辆对路侧单元(V2R)以及路侧单元对基站(R2B)等通信方式,实现了对计算密度大和时延要求高的任务的协同处理.为解决高维优化问题,采用基于马尔可夫决策过程(MDP)的建模方法,并通过深度强化学习来应对动态状态空间的复杂性.特别地,本文设计了多方式协同任务卸载优化(Multi-mode Collaborative Task Offloading,MCTO)算法,以解决在传输速率、计算资源和动态网络环境等约束条件下采用多种通信模式的任务卸载问题.仿真结果表明, MCTO算法具有良好的收敛性,并且在系统时延方面,相比其他强化学习算法有显著提升,整体性能提高了28.67%.

摘要:深度学习由于其强大的特征提取能力被广泛应用于故障诊断领域,但在实际生产过程中,故障样本数量通常远低于正常样本,从而导致故障诊断模型的分类准确率下降.为此,本文提出一种基于改进循环生成对抗网络和Swin Transformer的样本不均衡轴承故障诊断方法,并以旋转机械滚动轴承振动故障诊断为例对方法进行验证.首先,将原始振动信号的时频图作为循环生成对抗网络的输入;然后,为克服训练不稳定、模型不能及时收敛等问题,引入谱归一化和权值衰减,利用改进的循环生成对抗网络生成更多的故障样本;最后,采用Swin Transformer模型来进行故障诊断,并与随机森林(RF)、堆叠自编码器(SAE)、支持向量机(SVM)、卷积神经网络(CNN)进行对比.在美国凯斯西储大学(CWRU)轴承故障数据集进行多组不同的故障样本生成与故障诊断实验,结果表明,本文方法可以在训练样本数量较少时生成质量较高的合成样本,与其他方法相比,Swin Transformer模型故障诊断精度更高,在不平衡数据的故障诊断方面具有很大的潜力.

摘要:针对当前天气雷达生物回波提取网络存在参数量大、效率低以及需要大量样本的问题,本文提出一种改进的生物回波提取网络:MFF-PSPnet(Multi-Feature Fusion Pyramid Scene Parsing Network).首先在MobilenetV2主干网络上引入注意力机制模块和边缘提取模块,然后对所有特征进行融合识别,从生物回波主体提取和边缘细节刻画两个方面提升了网络的分割能力.MFF-PSPnet是一款轻量级网络,其参数量相比现有先进生物回波提取网络减少了89.78%.与其他模型相比,该网络对样本数量的需求更低,更适应小样本环境.通过在历史数据上的消融实验和对比实验,结果表明,MFF-PSPnet提取生物回波的准确率达到98.1%,IoU达到94.8%.在新一代中国天气雷达的历史数据中,本文改进的模型能够有效地提取生物回波,并且更好地适应小样本环境,可应用于移动端.

摘要:负荷密度的增加和外电馈入比例的提高使得受端输电网络的短路电流水平不断攀升,影响了受端电网的安全运行,为此,本文提出一种基于复杂网络理论的多直流馈入受端网架优化方法.研究并提出改进的复杂网络理论社团发现算法,搜索受端电网关键联络线,形成预开断线路集.以短路电流改善程度、多馈入短路比指标及网络有功损耗作为目标函数,建立受端电网网架多目标优化模型.为提高模型的准确性,在电网运行方式中,考虑新能源出力不确定性的影响,利用非参数核密度估计和 Frank-Copula 函数生成风光出力场景并聚类得到典型场景集.利用 NSGA-Ⅱ 算法求解模型,得到 Pareto 最优解集,选取满足N-1校核的最优决策方案.最后,通过算例验证所提方法的有效性.

摘要:为了实现在非结构化环境中的自主导航,无人车需要对地面进行可通行性分析.当前有基于激光雷达和视觉的方法对环境进行可通行性分析,但激光雷达方案受点云稀疏和成本高的限制,传统视觉方案无法有效捕捉和表达场景的三维空间状况.针对这些挑战,本文首次提出基于占据预测(Occupancy Prediction)的非结构化环境可通行性分析方法WildOcc.WildOcc从单目RGB图像提取多尺度特征,将3D占据标签投影到图像中,采用道路注意力机制融合信息,得到3D特征后,再经过解码器和语义分割头输出可通行区域.为了准确估计环境的三维可通行性,WildOcc使用3D占据标签进行监督.由于非结构化环境点云数据的稀疏性,本文设计了数据增强模块生成稠密占据标签(Dense Label Generate,DLG),来提高监督结果的准确性.基于DLG模块制作了首个非结构化环境下占据预测的数据集Occ-Traversability,在该数据集上进行的综合实验表明:相对于为结构化环境设计的占据预测方法,WildOcc平均交并比(mIoU)提升0.95个百分点;同时,DLG模块使mIoU提升0.76个百分点,有效提升了预测的准确性.

摘要:以最优化项目工期和员工满意度为目标,建立多目标软件项目调度问题的数学模型.该模型考虑员工的技能等级划分、任务重要程度等实际因素,并将重要任务与高技能等级员工相匹配.提出一种基于Q学习的超启发式算法求解该模型.基于交叉算子和引入随机抖动的Jaya算子对任务-员工矩阵进行全局搜索;利用问题信息设计了缩短项目工期和增加员工满意度的局部挖掘策略;将全局搜索算子、邻域参数的取值和局部挖掘策略组合为8种低层启发式策略;给出一种基于Q学习的高层策略,根据低层策略的历史表现为不同进化状态下的种群自适应选择合适的低层策略.实验结果表明,所提算法在绝大多数算例上的超体积率(HVR)和反世代距离(IGD)性能优于代表性算法.

摘要:目前生物量估算的数据来源包括光学、合成孔径雷达(Synthetic Aperture Radar,SAR)和激光雷达(Light Detection and Ranging,LiDAR)等.利用遥感技术对区域生物量进行反演时,实地样方数据的不足限制了模型反演精度的提升.本研究采用无人机雷达点云数据结合实地调查扩大样本量,试图验证利用机载雷达替代实地调查的可行性,并与光学影像特征(植被指数数据和纹理特征数据)建立植被地上生物量反演模型.结果表明:1)基于LiDAR获取的单株冠幅数据估算的生物量具有较好的精度,与实地测算的生物量的总体误差为1.74％;2)南京龙王山风景区,利用LiDAR数据估算的地上生物量密度为96.78 Mg·hm^-2,利用光学影像特征模型反演的生物量密度为107.94 Mg·hm^-2;3)毗邻龙王山的大学校园验证数据结果显示,模型反演生物量密度值为92.6 Mg·hm^-2,基于LiDAR数据的结果为104.11 Mg·hm^-2,可以看出所提出的方法具有较好的效果.因此,通过无人机LiDAR和冠幅生物量模型可以扩大样本量,由此建立的影像特征生物量模型具有良好的效果,为大范围生物量反演提供一种可行的方法.

摘要:海岸带是海-陆界面有机碳固定和储存的关键区域,滨海耕地土壤长时间尺度发育下有机碳形成了显著的时空演变特征与规律.本研究的目的是分析南黄海粉砂-淤泥质海岸带剖面土壤有机碳千年以来的垂直分布特征和时间演变规律.依据历史海岸线位置在研究区内北部射阳和中部东台两个地区共采集20个1 m深的土壤剖面,分析了土壤有机碳质量分数(SOCC)、密度(SOCD)和储量(SOCS)的时空分布特征及其与土壤理化属性的相关性.结果表明:1)千年以来滨海耕地土壤剖面有机碳质量分数在1.00~24.44 g·kg^-1内变化,有机碳密度在0.13~2.78 g·m^-2内变化,两地区内有机碳质量分数和密度均随深度增加而降低;2)土壤有机碳储量的时间累积函数在两地区内有所差异,射阳地区有机碳储量随成土年龄表现为线性函数,而东台地区有机碳储量随成土年龄表现为对数函数,成土母质的差异是造成两地区碳储量不同时间演变函数的主要原因之一;3)滨海耕地土壤有机碳与土壤理化属性显著相关.两个采样地区相比,射阳地区的土壤有机碳与容重、全盐量的相关系数更高,而东台地区的有机碳与土壤质地的相关系数更高.该研究可为理解滨海耕地土壤碳库的动态特征和长期储存机制提供重要参考.

摘要:从描述滑坡地质灾害的海量文本中抽取有价值的滑坡地质灾害实体是构建滑坡地质灾害知识图谱的基础.基于滑坡地质灾害勘察报告等相关非结构化文本数据,依据滑坡灾害机理分析滑坡地质灾害文本语言描述特点,制定了滑坡地质灾害语义信息的标注体系与标注规范,构建了面向滑坡地质灾害领域的语料库.基于该语料库的实体识别实验结果表明,命名实体识别模型的精确率、召回率和F1值均达到90％以上,验证了该语料库的适用性,可以为后续滑坡地质知识图谱的研究提供有力的数据支撑.