摘要:

摘要:

摘要:

摘要:

摘要:视频异常检测任务中,基于记忆增强的自编码器框架虽能有效抑制异常样本的过拟合现象,但对正常样本的细节特征提取能力存在显著局限性.针对此问题,本文提出一种融合多尺度小波变换的视频异常检测模型.该方法以U-Net为骨干网络,通过两项核心创新实现性能突破:1)在解码器中设计基于哈尔小波变换的下采样模块,通过频域多分辨率分解机制,在压缩冗余信息的同时保留关键细节特征;2)在跨层跳跃连接间引入离散小波变换特征融合机制,利用低频分量与高频分量的跨尺度互补增强结构性表征.实验结果表明,所提方法在UCSD Ped2和CUHK Avenue数据集上的AUC指标分别达到97.0%和88.2%.消融实验结果表明,小波下采样模块与特征融合模块在CUHK Avenue数据集上分别贡献0.9和2.8个百分点的性能增益,证实了多尺度频域特征建模的有效性.

摘要:针对农田作物区域识别任务中,深度学习模型在结构变化显著的未见作物场景识别精度下降问题,本文提出了一种基于自适应超量颜色增强的作物区域泛化识别方法ExCF-Net(Excess Fusion Network).该方法首先对输入图像进行全局特征嵌入,生成自适应超量颜色特征;随后融合深度学习技术与传统超量颜色方法优势,通过共享特征参数以学习不同特征域之间的关联性,使模型能更有效地识别与训练数据结构差异显著的作物.为验证所提方法的有效性,本文设计消融实验并与其他主流算法,如SwiftFormer、DeepLabV3+等进行对比.实验结果表明:在AgroScapes数据集中,针对多种结构与训练数据存在显著差异的测试作物,所提方法在平均交并比(mIoU)精度上相较于基线算法提升18.45个百分点;与主流算法SwiftFormer相比,在AgroScapes上mIoU精度提升5.66个百分点,在CRDLD数据集上mIoU精度提升9.30个百分点;与主流算法DeepLabV3+相比,在AgroScapes数据集上mIoU精度提升5.48个百分点,在CRDLD数据集上mIoU精度提升7.67个百分点.可视化结果表明,所提方法在未见作物感知任务中的边界像素误判问题有较大改善,显著增强了模型在复杂作物场景下的识别稳定性.为支持农田感知领域的研究,提供所提方法的可视化演示和开源算法:https://github.com/GoldenUpwinds/Agro_domain_generalization.

摘要:针对现有立体匹配算法在精度与计算效率方面的局限性,本文提出了一种基于局部自注意力的立体匹配改进算法(Local-Spatial Attention Network,LSANet).通过引入增强的局部自注意力机制,有效强化了模型对局部特征的表征能力,从而在提升视差估计精度的同时显著降低了计算复杂度.此外,算法融合了空洞空间金字塔池化模块,以高效提取多尺度特征信息.在构建匹配代价体阶段,融合上述多尺度与局部增强特征,并采用沙漏形编解码结构对其进行正则化处理,以确定特征点在不同视差条件下的对应关系.最终,利用线性回归方法生成高精度视差图.在KITTI 2015和SceneFlow数据集上的实验结果表明,改进后算法的端点误差降低了22.0%,参数量减少了45.3%,运行时间下降了约15.6%,充分验证了所提方法在精度提升与资源优化方面的显著优势.

摘要:在处理精细化情感分类任务时,现有情感分析方法通常采用扁平化的分类策略,未能充分考虑情感本身的层级关系,导致分类精度受限.为此,本文提出一种基于分层思想的精细化文本情感分类方法.通过将具有相同基础情感含义的细粒度标签归类为同一粗粒度类别,构建层次化的情感标签体系,从而增强模型对情感结构的理解能力.在模型设计上,采用RoBERTa(Robustly optimized BERT Approach)模型的不同Transformer层输出,分别提取低层次和高层次语义特征,以支持粗粒度与细粒度分类器的训练.在基于多任务学习的分层分类策略中,粗分类任务辅助细分类任务,从而提高分类的精度和泛化性.由粗到细的分层分类策略中,粗分类和细分类任务并行进行,每个细分类器独立计算损失,然后结合粗分类的先验信息优化信息选择,实现情感识别的逐步细化.最终,通过设定概率阈值来融合两种策略的优势,进一步提升分类性能.实验结果表明,在GoEmotions和Empathetic Dialogues数据集上,两种策略在F1值和准确率上均超越基线模型.而最终的融合技术又使得性能进一步提升,在两个数据集上的准确率分别达到64.6%和59.4%,优于现有方法.

摘要:在关系型数据库领域,索引选择是提升查询性能的关键,准确高效地估计候选索引配置效益对优化查询性能至关重要.针对传统基于"what-if"调用工具的代价估计方法存在效率低下、准确性不足以及难以应对大规模复杂查询负载等问题,提出一种基于树型 Transformer 的索引效益估计模型Tree-IBE(Tree-based Transformer Index Benefit Estimation Model),利用Transformer架构的自注意力机制和高效的特征编码技术,能够直接从查询计划和索引配置中学习索引代价,无需依赖"what-if"调用工具.Tree-IBE首先通过查询计划节点编码器和索引编码器进行特征编码,全面捕捉查询计划和索引配置的关键信息,然后利用树型Transformer层的多头注意力机制,并行从多个表示子空间捕捉执行计划节点间的依赖关系,精准表示执行计划的结构和性能特性,结合轻量级的估计层输出估计的索引效益.在JOB、TPC-H和TPC-DS三个标准数据集上验证模型的性能,实验结果表明:Tree-IBE 在准确性和效率上均优于现有方法,尤其在复杂查询负载下具有显著优势.

摘要:中文语法错误纠正(CGEC)旨在通过最少编辑次数来修正中文文本错误.大语言模型(LLMs)在语法纠错过程中,存在误将错误修正模式应用到其他相似句子,以及过度校正等问题.针对上述问题,本文提出了一种基于LLMs多视角协同的中文语法纠正方法(Multi-Perspective Coordination LLM Method,Multi-PC).不同于LLMs解码只关注局部词元的可信度,Multi-PC从句子的所有组成词元入手综合考虑句中存在的语法问题,利用LLMs不同视角的推理结果,通过去无关词元的序列联合概率计算方法重新计算句子整体的可信度,最终推理出全局可信的纠正结果.该方法不需要增加额外训练成本,可以缓解过度校正或修正模式错误匹配问题.在CGEC数据集上的实验结果表明,本文所提出的方法简单而有效.

摘要:针对异质网络中语义与结构信息捕捉不充分导致异质网络节点分类性能不佳的问题,提出一种基于异质信息聚合图卷积网络模型的异质网络节点分类方法.该模型的元路径聚合分支采用分层聚合策略,基于图卷积网络与跳数级注意力机制生成单跳表示,以增强任务相关的跳数信息并抑制噪声,利用一维卷积高效地捕捉序列化元路径信息的局部语义模式,并通过元路径级注意力机制增强任务相关的元路径信息.同时,引入邻域结构聚合分支整合异质网络的局部拓扑信息.通过两个分支协同聚合多层次语义信息和多层次网络结构信息,以提高异质网络表示学习的性能,进而改善异质网络的节点分类性能.在ACM、DBLP和IMDB数据集上的实验结果表明,所提方法能有效改善异质网络的节点分类性能,并且通过消融实验验证了各模块的有效性,为异质网络表示学习提供了一种新的解决方案.

摘要:针对大时间尺度(如周、月)海表温度(Sea Surface Temperature,SST)数据的小样本特性导致模型泛化能力弱、预测精度低、模型参数复杂等问题,本文提出一种融合迁移学习和知识蒸馏的大时间尺度SST智能预测方法.首先,建立基于图卷积神经网络和双向长短时记忆网络相结合的源域SST预测模型,充分提取源域日尺度SST时空特征;然后,采用生成对抗网络进行特征对齐来完成模型迁移,以使得源域和目标域的特征分布趋于一致,提升模型在目标域上的适应性和预测性能;最后,建立基于多任务学习的蒸馏网络解决深度迁移网络参数多、时效性低的问题.实验结果表明,在不同时间尺度SST下,迁移学习相较于未引入该机制的模型,在均方根误差上至少降低7.00%,有效提升了小样本场景下的预测精度.多任务的知识蒸馏网络的网络参数较迁移后的深度网络分别减少88.21%和74.68%,提高了SST预测的时效性.

摘要:车辆悬架系统对提升驾驶舒适性、操控性和安全性至关重要,而传统悬架控制方法在应对复杂路况和系统参数变化时存在局限性.为此设计了一种基于Soft Actor-Critic(SAC)算法的车辆主动悬架高效自适应控制器,利用最大熵强化学习,在优化策略收益的同时增强探索的随机性,从而在不同路况下表现出更强的适应性.通过建立1/4主动悬架系统模型,结合随机路面仿真环境,对比分析了SAC算法、传统天棚控制算法和DDPG算法的性能表现.结果表明,基于SAC算法的控制器显著降低了车身垂直加速度、悬架动挠度和轮胎动载荷等关键性能指标,在不同路况和车速下展现出更优越的稳定性和控制效果.本研究验证了SAC算法在主动悬架控制领域的强大潜力和实用性,为车辆悬架系统的智能化提供了新的方向.

摘要:针对大规模动态变化的水声传感器网络(Underwater Acoustic Sensor Networks,UASNs)节点定位时存在节点覆盖率低、成本高和定位误差大的问题,本文提出一种基于强化学习的累积误差修正迭代定位算法(Iterative Localization Algorithm with Reinforcement Learning for Cumulative Error Correction,RL-CEC).首先,改进传统随机路点移动模型,借助真实洋流数据修正节点移动速度,使其更符合水下节点的移动特征.其次,分析迭代定位过程中累积误差产生的原因,提出一种基于强化学习的定位误差预测算法,修正累积误差,有效提升了整体定位精度.仿真实验结果表明,RL-CEC在定位精度和运行效率方面优于对比算法,其定位误差相较LSVP、MBIL、MPL、MP-PSO、HNN和LS算法分别降低22.7%、73.8%、40.7%、44.5%、17.8%和77.5%;定位时间相比LSVP、MPL、MP-PSO和HNN分别减少17.7%、30.5%、41.9%和35.3%.此外,RL-CEC算法复杂度适中,在精度与效率之间取得良好平衡,并最终实现了较高的节点覆盖率.

摘要:针对现代通信网络中频谱资源紧张、链路可靠性不足的问题,提出一种基于非正交多址接入技术(Non-Orthogonal Multiple Access,NOMA)和环境反向散射通信(Ambient Backscatter Communication,AmBC)的认知混合卫星-地面通信网络.引入无人机作为辅助中继移动源设备,作为信号发射源与地面设备协同工作,通过反向散射技术优化信号传输效率;提出基于Underlay的反向散射辅助传输和基于Overlay的NOMA协同传输两种方法,考虑主用户网络对次用户网络存在功率限制,在Shadowed-Rician和Rayleigh衰落信道下分别推导出两种方案的系统中断概率闭合表达式.结果显示,调整发射功率和目标速率可以降低系统中断概率,进一步提升通信质量.

摘要:针对传统模型预测电流控制(Model Predictive Current Control,MPCC)对精确数学模型和电机参数依赖性强难以应对模型失配与参数漂移的问题,提出一种基于自适应强跟踪扩展卡尔曼观测器(Adaptive Strong Tracking Extended Kalman Observer,ASTEKO)的永磁同步电机(Dual-Vector Permanent Magnet Synchronous Motor,DV-PMSM)双矢量无模型预测电流控制(Model Free Predictive Current Control,MFPCC)策略.首先,统一原始数学模型中参数相关部分和未知项,建立基于集总扰动的PMSM扩展超局部模型;其次,设计ASTEKO以估计扩展超局部模型中非线性部分,并引入滑动窗口动态调整残差阈值以提升对状态变化的敏感性;最后,构建双矢量无模型预测控制的电流预测方程,输出使得交直轴电流误差最小的电压矢量.仿真结果和样机实验验证了基于ASTEKO的双矢量MFPCC性能优于单矢量MFPCC和传统双矢量MPCC,所提控制策略实现了系统精确的电流控制、快速的动态响应,并具有较强的鲁棒性.

摘要:随着离网制氢应用规模的不断扩大,新能源发电的剧烈波动给系统运行的稳定性和经济性带来了严峻挑战.为此,本文提出一种考虑碱性水电解槽和质子交换膜电解槽的多电解槽模块分散协同控制运行的综合能源系统容量优化方法.采用双层优化配置模型,综合考虑典型日运行成本以及系统年投资运维成本与年弃风弃光率,在实现各电解槽模块合理配置、优势互补的基础上,提升系统经济性、新能源消纳率和制氢灵活性,并通过算例进行验证,结果表明,通过两类电解槽分模块控制以及电储能的协调运行,可有效提升新能源消纳率,相对于电解槽模块集中式控制,年售氢收益提高2.68%,系统年运行总成本收益提高91.67%,具有良好的应用前景.