基于SE模块的神经协同过滤

基于传统推荐方法对辅助信息利用不足,为优化用户、项目间内在联系挖掘有限等问题,采用将Squeeze-and-Excitation Networks结构嵌入神经协同过滤的方法提出SE-NCF模型,利用SE模块学习权重,去除不同特征中权重较低的噪声来实现特征融合,通过神经协同过滤层获得用户-项目间的线性与非线性关系,实现模型优化。通过茶评与Amazon_Food两公开数据集对同类推荐方法进行实验,实验结果表明,相比于原神经协同过滤,SE-NCF模型在两数据集中MSE指标与NDCG指标均得到改善,在茶评数据集下MSE降低10%,NDCG提升5.1%;在Amazon_Food下MSE降低4.3%,NDCG提升9.3%。

基于TMS320F28335的多通道互联控制器设计

随着科学技术的发展,各种互联控制器已广泛应用在航空航天、工业控制等领域。为了满足互联控制器对数据采集和输出信号精度、通道数等方面的要求,设计了一种基于TMS320F28335的多通道、高精度互联控制器。给出了互联控制器的系统总体架构,设计了相应的硬件和软件,并对互联控制器进行了测试验证。测试结果表明,设计的4 mA恒流源能驱动传感器正常采集振动量信号,设计的低通滤波器对高于350 Hz的信号滤波效果较好,12路ADC采集通道的输入电压范围为±5 V,6路DAC输出通道的电压范围为±10 V,采集和输出信号偏差均在5‰以内。

基于OTDR的集成监控管理系统的设计与实现分析

光时域反射仪(OTDR)是光纤测量中最主要的仪器,被广泛地应用于光纤光缆工程的测量、施工、维护和验收工作中,是光纤系统中使用频度最高的现场仪器,被人形象地称为光通信中的“万用表”。为了更好地解决传统OTDR价格相对昂贵、无法进行实时监测等弊端,明确提出了一种采用虚拟仪器技术设计的基于PC的OTDR新方案,采用PC-DAQ系统结构,由数据采集卡和数据处理方法两大部分组成,可实现光纤回传数据信号的实时采集、存储和解析,具有一定的工程实用价值。

多目标跟踪中基于次模优化的轨迹片段生成方法

作为智能视觉任务的基础工作,多目标跟踪(MOT)一直是计算机视觉领域具有挑战性的课题之一。遮挡是影响跟踪准确性的主要因素,为此该文采用基于检测跟踪的思想,以轨迹片段为基础进行关联获取目标的完整轨迹;同时,为提高跟踪鲁棒性,该文将轨迹片段的生成问题转化为运筹学中的设施选址问题,并进而提出基于次模优化的轨迹片段生成方法。该方法融合梯度(HOG)和颜色(CN)两个互补特征进行目标表征,并根据运动信息设计权重系数提高目标匹配准确度,最后提出具有约束的次模最大化算法实现全局范围内的数据关联生成轨迹片段。通过在多个基准数据集上的对比实验,表明该文算法在保证性能的同时能有效处理遮挡问题。

基于DFECANet的遥感图像飞机目标检测方法

针对现有的遥感图像目标检测方法中对小尺寸飞机目标的检测精度不高、特征信息传递不准确、信息交互不充分等问题,提出了一种基于可辨别特征提取和上下文感知的遥感图像飞机目标检测方法。设计了以可辨别特征提取模块为主体的主干网络,用以加强对多尺度飞机目标的特征提取;引入自适应特征增强模块,选择性关注小目标、优化特征信息的传递与信息交互;并设计了特征融合上采样模块对特征图进行上采样操作,用以提升高层语义信息的准确性。在DOTAv1数据集上的检测精度达到了95.2%,相较于YOLOv5s、SCRDet、ASSD等主流算法,飞机目标的检测精度提高了3.7%~18%。此外,该方法的检测速度以及模型参数量分别为147 fps和13.4 M,相较于当前主流算法具备较强的竞争力,满足在遥感背景下对飞机目标的实时检测需求。

基于改进YOLOv7-tiny的高效轻量遥感图像目标检测方法

针对现有遥感图像目标检测方法在受资源限制的小型设备中检测精度不足问题,提出了一种基于改进YOLOv7-tiny算法的高效轻量遥感图像目标检测方法。首先,针对遥感图像小目标分布密集问题,设计了一种低跨度的上下文解耦检测头模块,通过融合深层和浅层特征分别实现目标检测的分类和回归任务,有效解决了遥感图像小目标漏检和误检的问题。同时,针对遥感图像目标多尺度问题,设计了一种并行级联注意力机制,通过并行三分支网络与空间注意力模块相结合,增强了网络对多尺度目标特征的提取能力。此外,引入Focal-EIoU损失函数,提高模型泛化能力。对模型进行了对比实验、消融实验、部署实验和泛化实验,结果表明,在DIOR-5s和NWPU VHR-10数据集上的检测精度分别达到了85.4%、90.6%,相较原模型分别提高了2.6%、1.7%。且模型大小仅为19.1 MB,检测速度为64.1 fps,验证了算法的有效性。

基于超参数优化的电力负荷预测模型研究

电力负荷数据的多样性与复杂性,会导致负荷预测过程中出现超参数难以确定、拟合效果较差和预测精度不高等问题。针对以上问题,提出一种基于樽海鞘群算法的融入注意力机制的双向长短期记忆神经网络模型——SSA-AM-BiLSTM模型。该模型使用BiLSTM学习特征的内部变化规律,引入注意力机制为特征进行权重分配,并且利用樽海鞘群算法优化网络超参数。基于具体数据集进行的负荷预测仿真实验表明,相较于GRU、LSTM、AM-BiLSTM和PSO-AM-BiLSTM模型,所提出的SSA-AM-BiLSTM模型的MAPE分别减少了2.15%、1.93%、1.42%和0.45%,并且优化了拟合效果,显著提高了预测精度。

基于GIS的灌区土壤投入品残留污染监测预警系统

为了解决工业发展导致的灌区土壤投入品残留污染问题,给出一种基于地理信息系统(geographic information system,GIS)的土壤污染监测预警系统。该系统结合VOC-PF1型传感器、STM32主控芯片和GSM通信模块,实现了高效的数据采集和通信功能。通过反距离加权(inverse distance weighted,IDW)插值法进行空间分析,并设立预警阈值,实现对灌区土壤投入品残留污染的实时监测和预警。实验结果表明:该系统的监测精度高达98%,监测时长最高为49 s,具有很高的实用性和效率。研究结果不仅为灌区土壤投入品残留污染监测提供了有效手段,也为环境保护和农业可持续发展提供有力支持。

无人机对地小目标检测方法研究

无人机图像中的小目标检测是研究的重难点之一。与大目标相比,小目标特征较少,更易受到遮挡和复杂背景的干扰,针对该问题,提出一种基于YOLOv7-tiny的多模型融合目标检测网络YOLO-DA。首先,增加小目标和极小目标检测层,提高网络对小目标特征的学习能力;其次,引入空间自适应特征融合ASFF-L检测头,通过学习空间过滤冲突信息来抑制不同尺度特征的不一致性,实现多尺度特征的自适应融合;最后,引入DCNS可变形卷积并设计了扩展变形建模范围的调制机制,增强模型的建模能力,降低遮挡重叠等对检测的影响。经试验验证,提出的方法在Visdrone2019数据集上实现了44.7%的平均精度及71 fps的推理速度,平均精度较基线算法提高了9.7%,模型内存为63.8 M,能够实现实时检测。通过消融、对比实验表明YOLO-DA在无人机航拍图像检测方面明显减少了误检和漏检问题,具有更高的检测性能,且算法参数量和计算量可以满足无人机等边缘设备的实时检测需求。

基于FPGA的智能在线升级存储系统设计

为解决工业测试领域中存储系统程序更新需频繁拆卸的问题且存在无上位机数据存储的特殊需求,提出基于FPGA的智能在线升级存储系统设计。系统以FPGA为主控,采用千兆以太网与FLASH组合方案,更新指令及配置文件通过千兆以太网下发到程序存储器,对SPI Flash进行分区擦除写入,从而实现FPGA程序的在线升级。同时,光耦指令解析模块使系统摆脱上位机依赖,能独立完成智能数据存储,此外,系统还集成自定义DR_UDP协议反馈可靠设计,优化了千兆以太网口的通信效率与稳定性。经功能验证分析,该系统运行稳定,灵活可靠,千兆以太网传输速率达700 Mb/s,且未发现数据丢失,可广泛应用于诸多不便拆卸的场景。

基于AD7616的16通道数据采集系统设计

针对传统数据采集系统因通道不足或数据量过大,无法满足多通道同步采集的问题,设计了一种基于AD7616的16通道数据采集系统。系统以Xilinx系列FPGA作为主控芯片,ADI公司的AD7616作为模数转换芯片,DDR3 SDRAM作为缓存单元。介绍了各个模块硬件的设计思路,重点介绍了FPGA控制AD7616模数转换模块、DDR3 SDRAM缓存模块的软件程序设计,并对系统的多通道采样功能、同步性能以及实际水下超声信号的采集能力进行了实验验证,结果表明,系统可以完成水下超声信号的多通道同步采集。

基于公有云的气象大数据云平台设计与实现

目前,省级构建的气象大数据服务平台大部分都是基于气象业务内网环境。为了解决面向社会和公众化气象服务集约化程度低、安全性差、管理难度大、公众用户无法访问气象数据资源等问题,构建了基于公有云的气象大数据云平台,采用Keepalived+HAproxy+Mycat+MySQL高可用集群分布式存储技术和分布式文件系统(HDFS)实现了云平台基础存储架构;利用插件化的开发理念合理地减小系统功能模块之间的耦合性,能够动态地对系统功能模块进行延伸;自动化任务调度执行体系有效地保证了DMZ区和公有云端数据的实时同步;标准化的统一访问接口实现了高并发的服务请求。该平台已通过业务验收并投入业务运行,运行结果表明,该平台安全、稳定,能够为社会用户提供高效的气象数据服务。

AI与6G网络融合研究与挑战分析

简要介绍了3GPP涉及的AI研究项目,及国内外6G研究中AI与6G网络融合的方式与现状。作为6G AI潜在的重要场景,分析了大模型应用的发展历程,讨论了应用的大模型部署不同位置及与终端不同交互方式下6G网络面临的挑战,最后总结了6G网络部署应用大模型所具有的优势。

一种精确估算电动汽车动力电池SOC&SOH的循环门控模型

针对现有电动汽车动力电池SOC和SOH估计方法存在运算效率低、实时性差以及估算准确率低的问题,提出一种精确估算电动汽车动力电池SOC&SOH的循环门控模型。首先,改进门控循环单元GRU中更新门和重置门的计算方式并将候选隐藏状态激活函数替换为ThLU函数,缩短训练时间,有效缓解梯度消失。其次,优化序列数据输入方式,引入环形GRU计算模式,提升模型运算效率和估计精度。最后,基于卷积神经网络CNN和改进门控循环单元IGRU,利用传感器采集到的电压V、电流I、温度T数据,实现全周期SOH和SOC同步估算,并将SOH估计值计入SOC估算,消除老化因素对SOC估算造成的不利影响。利用牛津大学电池数据集进行实验验证,结果表明,相比传统估计模型,循环门控模型SOC估计精确度有效提升,预测误差基本保持在0.5%以内。

基于分布式的省级气象数据中心硬件监控告警系统

随着气象行业的快速发展,各级气象部门对信息化建设支持的力度不断增加,而气象业务的开展需要依赖各类信息系统和基础设施。目前省级气象数据中心承载了多种气象业务,业务种类繁多,存在多种异构设备,缺乏有效的集中硬件监控告警系统,给业务运维人员带来了极大的困难。针对此问题,本文分析多源复杂的气象数据环境中异构设备的差异及监控现状,设计“全流程”“集中化”“可视化”的综合硬件监控系统,采用Mycat+MySQL+Haproxy+Keepalived的技术架构,构建一个高可用、高性能和可扩展的分布式数据库集群,实现对硬件监控数据的采集、加工处理、存储、自定义告警和可视化展示。目前,该系统已在甘肃省气象数据中心进行了业务使用,运行稳定,安全可靠,能够帮助运维人员及时定位系统故障,从而提高了硬件设备监控运维的效率,能够为社会用户提供高效的气象数据服务。

基于ZYNQ的内窥镜图像处理系统设计

针对传统医用内窥镜系统体积大、成本高等问题,论文设计并实现了基于ZYNQ的内窥镜图像处理系统。系统以Xilinx公司推出的ZYNQ7020为主控芯片,OV6946为图像采集摄像头,OV426为图像解码芯片,FPGA为图像处理端接收RAW格式图像,去除图像坏点后做颜色插值转换为彩色RGB图像,再做白平衡处理还原图像的真实色彩,最后增强图像对比度提高可视效果,图像经AXI总线存储到DDR3中,最后通过HDMI显示。PS端对FPGA进行初始化配置,协助完成图像采集和存储工作。由测试结果可以得出,该系统设计简洁,占用资源少,处理实时性高,图像处理结果满足预期要求,具有良好的应用前景。

基于ConvLSTM-LSTM的短期负荷预测方法

长短时记忆(LSTM)网络和结合卷积神经网络(CNN)的CNN-LSTM预测模型由于其网络模型本身的缺陷,限制了预测精度的提高。针对以上问题,提出了一种结合卷积长短时记忆(ConvL⁃STM)网络的ConvLSTM-LSTM负荷预测模型。利用ConvLSTM网络充分提取时序特征,将提取到的信息输入到LSTM网络中进行进一步的选择性记忆,并输出预测结果。将该模型与CNN-LSTM网络模型、LSTM网络模型、以及门控循环单元(GRU)网络模型进行了对比,结果显示所构建的Con⁃vLSTM-LSTM模型的预测效果均优于对比模型,在精度评价指标平均绝对百分比误差(MAPE)上,分别减小了1.10%、1.54%、1.91%。

基于N-BEATS的能源互联网短期负荷预测

短期负荷预测在能源互联网的规划中既占重要组成部分,又是能源系统可靠高效运行的基础。在能源互联网中能源的短期负荷预测精度问题是人们重点关注问题。N-BEATS的深度神经结构未使用时序特别组成成分,仅使用一种基于后向和前向残差链路以及非常深的全连接层堆栈的深度神经架构。该结构具有可解释性、适用于广泛的目标域、并且训练速度快等优点。实验使用N-BEATS模型对历史负荷数据进行训练,然后对未来负荷进行短期负荷预测,取得了较高的预测精度。测得平均绝对百分比误差(eMAPE)为1.26%,平均绝对误差(eMAE)为84.238 kW,决定系数(R^(2))为0.9955,实验结果表明采用该方法的预测精度高于传统的预测方法,如在eMAPE方面相比TCN降低了0.61%。

基于人工智能的医疗物资调度优化决策方法

为了快速、合理地完成医疗物资的分配,并有效地提升医疗物资调度效率,提出了一种基于增强型鲸鱼算法的医疗物资调度优化方法。该方法通过改进种群初始化、位置更新策略以及预防陷入局部最优等方面,有效提高了搜索效率和全局搜索能力。在实例应用中,将该算法与粒子群算法、遗传算法以及鲸鱼算法进行了比较。实验结果表明,增强型鲸鱼算法在不同优化目标下表现优异,总成本最低达到33.02万元,总耗时最少为85.67 h。

基于鲸鱼优化的k-means初始聚类中心选取研究

传统的k-means算法存在两个主要问题:初始聚类中心的随机选取和在处理大规模数据集时的低运算效率。为了解决这些问题,提出利用鲸鱼优化算法来选取最佳的初始聚类中心,在改进后的算法中结合分布式计算框架Flink实现并行执行。为了进一步优化聚类效果和提高算法的可靠性,利用孤立森林算法进行异常数据检测,对数据进行分域处理。实验选取UCI机器学习库中的Iris扩张数据集,优化后的k-means算法的轮廓系数指数提升约23%,DBI指数下降约9%,聚类效果有显著提升。