摘要:

摘要:

摘要:

摘要:

摘要:针对现有的文本图像生成方法存在图像保真度低、图像生成操作难度大、仅适用于特定的任务场景等问题,提出一种新型的基于扩散模型的文本生成图像方法.该方法将扩散模型作为主要网络,设计一种新型结构的残差块,有效提升模型生成性能;通过添加注意力模块CBAM来改进噪声估计网络,增强了模型对图像关键信息的提取能力,进一步提高了生成图像质量;结合条件控制网络,有效地实现了特定姿势的文本图像生成.与KNN-Diffusion、CogView2、textStyleGAN、SimpleDiffusion等方法在数据集CelebA-HQ上做了定性、定量分析以及消融实验,根据评价指标以及生成结果显示,本文方法能够有效提高文本生成图像的质量,FID平均下降36.4％,Inception Score(IS)和结构相似性指数(SSIM)分别平均提高11.4％和3.9％,验证了本文算法的有效性.同时,本文模型结合了ControlNet网络,实现了定向动作的文本图像生成.

摘要:针对缺陷语义分割任务中缺陷与背景差异小以及同类缺陷间差异大的问题,本文提出一种基于轻量化卷积块注意力Transformer的表面缺陷检测算法(LCBAFormer),旨在提高不同类型缺陷的分割准确率.首先,设计轻量化卷积块注意力模块LCBAM,通过结合通道注意力模块和空间注意力模块,提取有效的通道信息和空间信息,使模型更专注于局部缺陷特征信息,增强不同缺陷间的特征差异,减少同类缺陷间的差异.其次,提出轻量化的语义注入模块SIM,以逐步融合多尺度特征信息,提升网络对不同缺陷的定位和区分能力.在NEU-Seg钢带缺陷数据集和MT-Defect磁瓦缺陷数据集上的实验结果表明:本文提出的算法平均交并比(mIoU)分别为84.75％和79.46％;平均召回率(mRec)分别为92.29％和87.50％;平均F1分数(mF1)分别为91.52％和88.08％;算法的计算复杂度较低,每秒10亿次浮点运算次数(GFLOPs)分别为1.03和2.65.与主流算法相比,本文方法在参数量和检测性能上做到了较好的平衡,具有更小的参数量和更好的分割结果.

摘要:检测温室气体羽流是碳排放监测的关键任务,目前相关算法中,对羽流边缘细节的分割精度还有提升空间.为此,本文提出一种基于多尺度注意力机制的羽流检测网络(MAPDNet).首先,采用多尺度池化条带卷积模块(MPSCM)补偿编码器降采样操作中稀释的高级语义信息,增强主要的羽流轮廓信息,减少细节信息的丢失.然后,采用关系注意力模块(RAM)建立特征之间的全局信息与局部信息交互,增强有用特征,降低特征图中冗余信息的比例,提高模型的分割精度.此外,引入上下文特征融合模块(CFFM)以便网络更好地理解上下文特征的信息,在恢复图像分辨率的同时,较好地将特征对齐,恢复空间位置信息.最后,利用边界增强模块(BEM)实现端到端训练,增强输出分割边界的细节,进一步提高分割精度.实验结果表明,MAPDNet模型能够从XCO₂羽流图像中检测碳羽流,并在模拟羽流数据集上具有良好的分割性能,其分割精度优于现有方法.

摘要:在少样本学习场景中,模型无关的元学习(Model-Agnostic Meta-Learning,MAML)以其独立于特定基模型的灵活性和适用性而闻名.然而,MAML及其变体缺少对任务特定的特征(如特征通道)进行适应性调整,它们依赖全局初始参数,固定内环步数,训练过程缺乏可解释性.本文提出一种使用逻辑回归和通道注意力的快速可解释且自适应的方法(Meta-Learning with Logistic Regression and Channel Attention,ML-LRCA),目标是通过适应性调整任务特定的通道权重和利用逻辑回归快速适应任务自适应损失函数来增强框架的自适应性和可解释性.在多个开源数据集上的实验结果表明,ML-LRCA方法有助于提升在少样本分类、少样本回归以及跨域学习等场景的性能.

摘要:针对传统卷积神经网络对冲击回波信号频谱图像进行分类时,面临卷积神经网络特征提取能力不足和数据集类别不平衡的问题,提出一种基于多尺度注意力和空间通道重构卷积的神经网络模型(Multi-scale Hybrid Attention and Spatial Channel Reconstruction Convolutional Neural Network,MHA-SCConvNet).首先设计了多尺度混合注意力(Multi-scale Hybrid Attention,MHA)模块,用于提取不同尺度的频谱图像特征并增强模型对频谱波形关键信息的关注力度.其次,引入空间通道重构卷积(Spatial and Channel Reconstruction Convolution,SCConv)模块,通过优化图像特征的表示来降低特征冗余.最后,提出了新的混合损失函数GDHM Loss(Gradient and Distribution Harmonized Margin Loss,梯度与分布协调边距损失),该损失函数在动态情况下同时考虑难分类样本和少数类样本.在自建的数据集上进行了训练与测试,并与AlexNet、VGGNet、GoogLeNet等分类模型对比,MHA-SCConvNet准确率达到94.58%.实验结果表明,MHA-SCConvNet模型能够有效提高冲击回波信号频谱图像分类的准确率和效率.

摘要:针对在室内动态环境中,传统视觉SLAM算法受到大量无意义信息的影响,导致定位精度下降、鲁棒性差的问题,提出一种基于YOLOv8的室内动态场景视觉SLAM——PLYO-SLAM算法.该算法在ORB-SLAM3算法跟踪线程引入EDLines线段检测算法,并新增动态区域检测线程.动态区域检测线程由YOLOv8n-seg实例分割网络组成,实例分割赋予动态场景语义信息并生成动态掩码,同时剔除动态区域点线特征,利用几何约束进一步过滤分割掩码外缺失的动态点特征.使用公开数据集TUM进行实验验证,结果表明,相较于ORB-SLAM3算法,PLYO-SLAM算法在动态环境下的绝对轨迹均方根误差平均降低了75.98%,最高降低96.75%.

摘要:在金融市场中,黄金期货价格受到多种因素的影响,对其进行准确的预测具有重要的意义.本文融合多源数据提出一种结合LightGBM(Light Gradient Boosting Machine)特征选择方法和LSTM模型的黄金期货价格预测模型.首先,将获取的宏观经济指标和技术指标进行预处理,对非结构化新闻标题数据采用不同方法进行情感倾向标注,进而构建加权情感指数,并将多个关键词的百度搜索指数合并为百度综合搜索指数.其次,利用LightGBM方法分别对宏观经济指标和技术指标进行特征重要性排序,提取关键特征.最后,将筛选后的特征与加权情感指数以及百度综合搜索指数共同作为LSTM预测模型的输入变量.实证结果表明,融合多源数据的LightGBM-LSTM模型预测表现优异,模型预测误差最小,与基准模型相比,能够对黄金期货收盘价作出更准确的预测.

摘要:膝关节骨性关节炎常因检查时分类不明确而导致误诊,影响治疗效果,现有的检测方法在检测精度和准确区分病变类别方面表现不佳.为此,本文提出一种基于YOLOv8改进的膝关节骨性关节炎检测分类算法,旨在提高检测分类的准确性.首先,设计了分布映射模块(V-PENet),通过对输入的图像进行预处理,将复杂的数据分布统一映射成简单的数据分布,帮助YOLO网络更好的训练.同时,增添语义感知模块(PTB),提升模型上下文感知能力,增强其对全局信息的理解.然后,引入CA坐标注意力机制,丰富特征信息,进一步增强模型对中尺度目标信息的捕捉能力.最后,采用WIoU v3损失函数替代原有的CIoU损失函数,优化定位精度.与基准模型YOLOv8n相比,改进模型准确率提升9.9个百分点,mAP@0.5达81.2％.相较其他检测方法,本文提出的改进模型在准确性上具有显著优势,能够更好地满足膝关节骨性关节炎检测分类的需求.

摘要:为了充分提取多通道EEG信号的频率信息和空间拓扑信息,提出一种混合注意力机制下胶囊网络的脑电情绪识别模型——CBAM-CapsNet.首先,获取不同频带的脑电信号并提取其微分熵特征;然后,将该特征映射到根据导联空间分布的三维紧凑型特征矩阵中;最后,将三维特征矩阵通过带有混合注意力机制的胶囊网络来进行模型训练和预测.实验结果表明:高频带相比低频带对于情绪识别影响更大,且使用四频带三维矩阵可以显著提高情绪识别准确率;CBAM-CapsNet在DEAP数据集Arousal和Valence上的二分类识别准确率分别为95.42%和95.52%,在DEAP数据集上Arousal_Valence联合四分类准确率为95.00%,在SEED数据集上三分类准确率为93.19%,相比现有主流基于深度学习的脑电情绪识别模型,准确率显著提升.

摘要:随着全球能源转型步伐的加快,可再生能源发电比例不断提升,电力系统的波动性与不确定性也随之增加,这对电力系统的灵活调节能力和稳定运行提出了更高要求.针对上述问题,本文全面综述了储能系统(Energy Storage System,ESS)在辅助新型电力系统运行控制中的关键作用及其优化配置技术.首先,系统梳理了储能系统在电力系统调峰、调频以及电能质量改善等方面的多种应用场景,深入探讨了这些应用场景下储能系统的优化配置策略.其次,对储能优化配置的经济性、可靠性以及稳定性等目标进行了详细的分析研究.然后,对比了不同优化算法(包括线性规划、动态规划、遗传算法、粒子群优化等)的优缺点及适用性.最后,揭示了储能优化配置技术所面临的挑战及未来发展方向.通过分析表明,科学合理的储能资源配置对于提升电力系统的运行效率、稳定性和可靠性至关重要,是推动可再生能源广泛应用和实现智能电网构建目标的关键技术途径.未来,随着新型复合储能技术的发展和智能优化算法的引入,储能优化配置技术有望在新型电力系统的可持续发展中发挥更加突出的作用.

摘要:由于风光发电的不确定性特点,风光电站在上网时面临着电能平衡和出力波动的挑战.针对不同地区风光出力特性和误差分布的差异化特性问题,提出基于核密度与Copula函数的风光储日前竞价优化模型.首先采用核密度估计方法对风光出力进行概率密度函数的计算,引入阿基米德簇Copula函数对风光出力的联合分布函数进行求解,然后采用蒙特卡罗抽样和K-means聚类方法生成典型出力场景.最后建立考虑储能峰谷套利的配备储能的风光电站日前竞价优化模型.结果表明,所提出的模型提升了描述风光电站的出力特性的准确性,实现了更优的上网与储能策略,验证了增加收益与提高准确性上的有效性,使风光电站集群能够更好地应对出力波动问题并提高收益.

摘要:自动导引运输车(AGV)在行驶过程中不仅需要躲避静态障碍物,还需要躲避移动障碍物,而常用的动态窗口局部路径规划算法在此类情况下的避障成功率和避障效率均难以满足实际需要,为此,本文结合层次分析法提出一种新的自适应动态窗口局部路径规划算法.首先,使用层次分析法(AHP)计算动态窗口算法(DWA)中权重因子的值;然后,提出一种碰撞安全指标来评价当前运行状态的安全性,并结合相关参数的安全隶属度函数建立权重因子与环境因素的自反馈机制;最后,基于所创建的自适应动态窗口算法规划出避障路线.仿真结果表明,本文提出的自适应动态窗口算法能够自适应调整评价函数权重因子,有效躲避静态障碍物和移动障碍物,并在安全性、行驶时间和路径长度方面,都得到了显著优化.

摘要:在领导者-跟随者结构下,基于间歇事件触发机制,本文研究了具有二阶动态的无人船集群的有限时间编队控制问题.借助自适应神经网络的技术,估计系统模型中的未知非线性项.为节省通信能源并加快集群系统的收敛速度,提出一种分段的间歇事件触发自适应编队控制协议.利用李雅普诺夫稳定和有限时间等理论,得到无人船集群在有限时间内快速形成编队的充分条件.最后,通过仿真实验验证了所提算法的有效性和优越性.