基于融合特征的CNN-Transformer墙体瓷砖粘贴空鼓检测算法

建筑墙体瓷砖粘贴空鼓的敲击检查方法是目前无损检测中应用最多的检测方法。为实现对复杂敲击位置下的识别和智能化检测,使用敲击法获取空鼓声音信号,提取连续小波变换(CWT)时频图和梅尔倒谱系数(MFCC)等时序特征。设计轻量化注意力CNN-Transformer双分支网络GATRNet,提出一种基于门控机制的特征融合模块,对CWT时频图和融合时序特征分别提取深度特征并进行融合。试验结果表明,所提方法测试精度可达99.10%,特征融合模块能够充分融合多种特征;相较于机器学习和神经网络识别方法,GATRNet在面对复杂敲击位置的声音时,多样性评价指标明显较优异。

基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法

信用卡欺诈是银行操作风险的主要来源之一,对信用卡诈骗交易进行准确的检测对于减少银行经济损失具有重要意义。针对信用卡欺诈检测中存在的数据类别不平衡和数据漂移的问题,提出一种基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法。首先引入Wasserstein距离改进生成对抗网络(GAN),将信用卡数据输入至WGAN(Wasserstein GAN)中,在生成器和判别器相互博弈训练下,得到符合目标分布的欺诈样本;然后,构建结合注意力机制的双向长短期记忆(BiLSTM)网络,在正反两个方向上提取信用卡数据的长时依赖关系;最后,通过Softmax层输出分类结果。在欧洲持卡人数据集上的实验结果表明,所提方法能有效提升信用卡欺诈检测效果。

联合con-GRU与ATGAT模型的情感分析三元组方法

情感分析三元组任务是情感分析任务的研究热点,其目的在于将方面词、情感词与情感极性组成三元组。图神经网络是提取句子特征的有效手段,但其无法关注节点与节点之间的关系,并且注意力权重赋予不合理。为此,提出一种联合双向对抗GRU与基于句法注意力机制的GAT模型。利用依存句法树的句子向量和ATGAT模型提取句子情感词,并将句子用syn-str更新向量表示;再融合句法结构的向量,通过双向对抗GRU提取特征进行情感判断。在三个公开英文数据集中开展实验,结果表明,所提模型相对其他基线模型具有更优异的性能。消融实验和对比实验也说明,所提出的各个网络模型组件比其他组件能更有效地将句法信息与原句向量融合。

基于RIME和1DCNN-LSTM-Attention的无创血糖预测模型研究

实现无创血糖检测对于糖尿病患者来说具有重要意义,然而目前市面上的无创血糖仪存在检测精度不高的问题。为了提高无创血糖检测的准确度,基于近红外无创血糖检测仪,构建了1DCNN-LSTM-Attention混合预测模型,同时引入了霜冰优化算法(RIME)。该模型通过一维卷积神经网络(1DCNN)提取数据中的局部特征,将所提取的特征向量作为长短期记忆(LSTM)网络的输入,捕捉数据中的依赖关系;采用注意力机制(Attention)为LSTM的输出赋予不同的权重,增强关键信息提取;通过RIME算法优化模型参数,避免陷入局部最优解。结果表明,引入RIME的1DCNN-LSTM-Attention混合模型预测效果优于1DCNN、LSTM、1DCNN-LSTM、1DCNN-LSTM-Attention等模型,预测血糖值与有创血糖值的平均绝对误差为0.121 0,均方误差为0.018 6,相关系数达到了0.982 3。该模型有助于提高近红外无创血糖检测的精确度和可靠性。

基于改进注意力机制与VGG-BiLSTM的暴力行为检测

为解决单一深度卷积神经网络VGG特征提取的局限性,以及单一循环神经网络RNN在记忆历史信息方面的困难,提出改进注意力机制与深度时空网络的深度学习模型VBA-net的暴力行为检测方法。首先,通过VGG的深层神经网络提取关键局部特征;其次,运用改进后的注意力机制捕捉和优化最显著的特征;最后,利用双向长短期记忆网络处理过去和未来的时序数据。仿真实验结果表明,VBA-net在规模较小的HockeyFight和Movies数据集上的准确率分别达到了97.42%和98.06%,在具有多样化内容和复杂环境数据集RWF-2000和RLVS上准确率分别达到89.00%和95.50%,因此其在复杂环境的综合鲁棒性优于同类算法,可有效提升暴力行为检测任务中的准确率。

基于改进3D-NDT机器人自定位算法

针对机器人在自定位过程中,传统3D-NDT点云配准在未给定初始旋转矩阵的情况下,存在配准效果不佳、误差大、配准时间长的缺陷,提出一种相对高效的改进3D-NDT点云配准算法。首先,对输入点云进行ISS特征点提取,并计算这些特征点的特征直方图(FPFH);然后,根据直接对应估计对特征点进行匹配,使用RANSAC去除错误对应关系,得到初始旋转矩阵;最后,将得到的初始旋转矩阵代入3D-NDT算法进行匹配,得到最终的匹配结果。采用室内外场景点云进行测试,实验结果表明,改进后的3D-NDT算法能输出较好的匹配结果,并且精度有所提高,但该算法的复杂度有待进一步优化。

基于ISSA-DELM算法的CSTR系统广义预测控制研究

连续搅拌反应釜(CSTR)作为典型的聚合反应化工生产用到的设备,其在工作运行时具有强非线性、大滞后性和不确定性,用传统的方法难以建立精准的数学模型。文中根据一类CSTR反应过程采用Hammerstein-Wiener模型,使用高斯径向基函数的LS-SVM分别对模型的两个非线性模块进行建模,并使用其建立的Hammerstein-Wiener模型作为广义预测控制的预测模型;针对广义预测控制的滚动优化环节,采用多策略改进的麻雀算法(ISSA)优化深度极限学习机(DELM)的混和优化算法策略,并利用基准函数测试改进麻雀算法的优越性;最后将混合优化算法应用在非线性CSTR对象上,经过实验证明,所提出的ISSA-DELM混合优化算法对CSTR系统具有较好的控制效果,并与未改进的SSA-DELM算法和DELM算法进行仿真结果对比,结果显示,文中算法控制效果明显优于SSA-DELM算法和传统的DELM算法。

基于CH341的USB-CAN适配器设计

为便捷上位机访问工业现场CAN总线,提出了一种便携式即插即用的USB-CAN适配器设计方案。该适配器采用CH341作为USB总线转接芯片,直接把USB总线协议转化为并口协议;选用SJA1000芯片作为CAN控制器,支持CAN2.0B协议,以适应不同的CAN总线需求。系统从USB端口取电,且无需MCU/DSP介入,简化了电路结构;利用CH341主动并口功能,经相应的控制时序逻辑转换,上位机即可驱动SJA1000,进行CAN总线访问。该适配器支持上位机自主配置,灵活强,可靠性高。经实验测试,适配器支持访问不同的CAN总线网,速率可达1Mb/s。

基于TCN-BiLSTM-AM的居民住宅短期电力负荷预测

针对当前住宅短期电力负荷预测模型存在预测精度低和特征提取困难等问题,提出一种基于TCN-BiLSTMAM的住宅电力负荷预测模型。该模型主要由TCN模型和引入注意力机制层改进的BiLSTM模型组成。首先,通过在历史数据中使用负荷曲线技术计算特征变量的输入权重,以提高数据输入的准确度和关联性;然后,采用权重匹配的方法将数据序列化输入到TCN模型进行采样训练,提取更多不同时间尺度的特征并加快训练速度,同时,构建改进的BiLSTM模型,引入AM层以提高BiLSTM网络结构的运算速度和处理长序列数据的能力,从而提高模型的泛化能力和运算速度;接着,通过对训练好的TCN模型和改进的BiLSTM模型进行加权输出初始预测值,并利用遗传算法对预测值与真实值的偏差进行偏置寻优,得到优化权重并输出最终预测结果。最后,在同一公开数据集上与RNN、LSTM、BiLSTM和TCN等模型进行对比验证,结果表明,相比较其中较好的模型,文中提出的TCN-BiLSTM-AM模型在MAE和RMSE上分别降低了40.43%和35.59%,同时R2指标为0.9957,具有更高的预测精度和更好的稳定性。

基于SVMD-ISSA-CNN-TGLSTM的供热负荷预测模型

针对目前集中供热负荷预测的研究中极少考虑换热站内部因素以及供热负荷预测精准度较低的问题,提出一种基于SVMD-ISSA-CNN-TGLSTM的混合预测模型。首先,利用卷积神经网络和转换门控长短期记忆神经网络构建具有空间提取能力的CNN-TGLSTM模型;其次,考虑到负荷序列的非平稳特征,采用SVMD分解,并引用改进的麻雀搜索算法来优化模型的参数,避免调参陷入局部最优;最后,将不同模型之间的预测效果与经济效益进行对比。结果表明:SVMD-ISSA-CNN-TGLSTM模型经济效益最高,评价指标RMSE、MSE、MAE相比ISSA-CNN-TGLSTM模型分别降低了35.7%、59.0%、32.7%,且均优于其他不同模型,预测效果最佳。

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据,提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度,首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量,将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测;然后通过ARMA模型对第三本征模态分量数据(IMF3)进行建模预测,再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量,将该低频分量输入设计好的LSTM网络中进行建模预测;最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性,实证结果对比了单一LSTM和ARMA模型的预测性能,并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68,单一LSTM的RMSE值为58.74,单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。

基于YOLOv5与改进VGG-CTC的数字仪表自动读数方法

随着数字电网的发展,数字仪表在电网中的应用越来越广泛。为进一步提高数字仪表自动读数算法的准确率和识别效率,推动数字电网建设,文中提出一种基于YOLOv5和改进VGG-CTC模型的数字仪表自动读数方法。该方法包括数字区域定位和仪表字符识别两部分。首先,采用YOLOv5模型检测输入图像的仪表数字区域,输出预测的数字区域边界框;然后,对VGG网络的卷积层和全连接层参数进行改进,提出一种改进VGG网络,将预测的数字区域输入该网络,即可提取数字区域图像特征,通过长卷积层输出字符概率分布信息;最后,经过CTC转录模块将概率分布序列映射为预测的数字仪表示数。实验结果表明,所提自动读数方法的准确率为89.63%,识别时间为439 ms,相比其他读数方法具有较好的读数准确率和识别速度,能够提高智能电网对设备状态监测的准确性和高效性,对推进能源物联网和数字化电网的建设具有重要意义。

改进EfficientNetV2的玉米病虫害识别与分级研究

农业生产中的玉米病虫害问题日益严重,为提高玉米病虫害的防治精度,进而给农民的生产生活提供更专业的指导,文中提出一种玉米病虫害识别与分级的方法,对常见的5种病虫害进行识别与分级研究。首先,通过对不同类型的轻量级网络对比,选择EfficientNetV2作为特征提取网络;其次,为提高模型的精度,引入DeepViT算法修改网络通道,提升网络的特征提取能力,并引入特征融合网络提高模型的分类精度;最后,将改进后的EDB模型与AlexNet、ResNet、VGG16、DenseNet等网络进行对比。实验结果表明,改进后的模型大小为8.6 MB,玉米病虫害平均识别精度为97.72%,玉米病害分级精度为92.6%,单张图片平均识别时间为24 ms,可实现对玉米病虫害的快速、准确识别,能够为后期玉米的管理提供相应的技术支撑。

改进量子蝙蝠优化BiLSTM-KELM的电缆接头故障早期预警

为提高对电缆中间接头故障的事先预知能力,文中提出一种基于改进量子蝙蝠算法优化BiLSTM-KELM模型的电缆中间接头故障早期预警方法。首先,采集电缆及接头的表层温度、环境温度、负荷电流的时间序列数据作为驱动,建立基于双向长短时记忆网络(BiLSTM)和核极限学习机(KELM)的接头中心温度预测模型;然后,构建非线性自适应旋转角量子旋转门以改进速度和位置的更新策略,并引入量子非转门实现较差个体的量子位置变异,用于预测模型参数的优化;最后,对正常工作接头进行温度预测和残差计算,使用概率分布拟合计算故障预警的残差阈值。实验结果表明,改进后的量子蝙蝠算法可以较好地逼近全局最优解,收敛效率高;优化后BiLSTM-KELM模型的预测精度得到有效提高,故障预警时间进一步提前,电缆接头故障的早期预警效果好。

基于VMD-LSTM-Attention模型的短期负荷预测研究

针对电力负荷数据非线性强以及影响因素多等问题,提出一种基于变分模态分解(VMD)和注意力机制的长短期记忆(LSTM)网络的组合预测方法。首先通过VMD对历史负荷数据进行频率分解,分解成不同频率的分量,并在考虑不同影响因素(如温度、湿度等)的条件下,通过LSTM网络对不同模态分别进行预测,再通过自注意力机制进一步挖掘数据内部的相关性,最后将预测的不同模态分量重构相加作为预测结果。实验采用中国某地区实际用电负荷数据,经过与不同基准模型的对比和分析,验证了提出的模型提高了预测精度,具有一定的应用潜力。

一种多视角新闻信息快速检索方法

信息检索一直是数据挖掘研究的重要领域,也是情报搜集的重要手段。如果采用人工手动搜索方式在数据库中检索信息,检索效率较低。为此,以新闻信息搜集为应用背景,以提高信息检索效率为目的,提出了一种多视角新闻信息快速检索方法。该方法以用户需要检索的多视角新闻描述信息为检索依据,利用关键词权重分割法处理多视角新闻描述信息来构建词汇向量,以词汇向量在新闻信息库中的检索结果为依据来构建词汇检索向量,以向量相似度计算模型为信息筛选规则,在新闻信息库中快速检索并筛选出用户需要搜集的新闻信息。文中给出了所提方法的设计模型、涉及的关键技术实现策略、数据处理流程以及实验对比分析。实验结果表明,该方法能够根据用户指定的多视角新闻描述信息,在新闻信息库中快速高效地检索并筛选出符合用户需求的新闻文章信息。

基于CART决策树的分布式数据离群点检测算法

在分布式计算环境中,离群点通常表示数据中的异常情况,例如故障、欺诈、攻击等。通过检测分布式数据的离群点,可以对这些异常数据进行集中处理,保护系统和数据的安全。而进行离群点检测时,不仅要考虑数据的规模和复杂性,还要在分布式环境下高效地发现离群点。因此,提出一种基于CART决策树的分布式数据离群点检测算法。在构建CART决策树时,使用类间中心距离作为分裂准则,根据分离类别对训练数据进行分类,从而确定数据的类型。在上述基础上,考虑到离群点的分布模式与其周围数据对象不同,使用空间局部偏离因子(SLDF)对空间内各个数据对象之间的离群程度展开度量,同时在高维空间内展开网格划分,引入SLDF算法检测剩余离群点集,最终实现分布式数据离群点检测。实验结果表明,所提方法的离散点检测错误率在0.010以内,可以更加精准地实现分布式数据离群点检测,具有良好的检测性能。

基于数据流模型的航线网络结构可视分析方法

针对航线网络结构多维属性关联分析问题,提出一种基于数据流模型的多视图协同网络结构可视分析方法。引入数据流模型,增强多维数据分析时的交互和多视图协同效果;构建基于数据流模型的航线网络结构可视分析系统用于方法验证。该方法对比和实验结果表明,利用航线网络数据流实时交互和多视图协同分析网络结构数据,完成聚类、相关性、异常值分析任务,能更好地分析数据之间的关联关系,有助于理解航线网络的结构和特征。最后,通过以上方法分析网络结构特点与不足,提出航线网络优化建议,能更好地帮助用户完成可视分析任务,探索数据分布特征、发现多维数据之间的关联关系。

基于golang微服务的库房智能管理系统设计

针对传统库房管理主要依赖人工、效率低、数据难以及时更新、人力成本高等问题,文中基于golang微服务,结合ZigBee、RFID、人工智能和区块链等技术设计一种新型仓库智能管理系统。该系统主要由综合信息处理控制系统、以ZigBee为主的信息交互系统、以STM32与人脸识别为核心的门禁控制系统、RFID读写设备、后台管理五个部分构成,采用分布式架构将仓库设备管理、数据采集与处理和任务决策整合为一体,既能便捷联动ZigBee、RFID及人脸识别,又具有极强的内存管理和跨平台性。应用系统基于golang语言开发,使用vue、uniapp、electron、php、tdsql-c等技术,采用B/S和C/S两种架构;后端服务采用go-micro微服务形式来提高系统可插拔性和高并发能力;为提高租借数据的可靠性,系统采用区块链对其进行加密,实现每条数据自动上链功能。数据库采用tdsql-c云原生数据库,以方便横向扩展。实验表明,该系统能高效实现盘点和更新、全程无纸化记录及影像和出库数据留存,确保资料溯源,信息化水平高,极大地降低了企业运营成本。

一种宽带非线性信道校正方法

针对高速数传解调器接收宽带高阶调制信号时因信道非线性导致的性能恶化问题,提出一种基于两层自适应均衡网络的非线性信道校正方法。该方法先利用递归最小二乘法获得Volterra非线性前置校正系数,再利用自适应基带均衡器消除信道的剩余影响,以提升解调器的捕获跟踪能力,并在高速数传解调器工程应用中实现2.4 Gb/s 16QAM信号的稳定接收。