基于动态权重匹配的RNA折叠算法

本文在最大权重匹配(Maximum Weighted Matching,MWM)算法的基础上引入与茎区长度相关的动态权重,采用一种递归算法逐步寻找具有最大权重和的茎区,从而最终确定RNA的二级结构.该算法避开了繁杂的自由能计算,同样也能达到较高的预测精确度并且还能预测到大多数类型的潜在假结(pseudoknots).

基于动态模板匹配的运动目标识别

针对现有模板匹配算法对运动目标物体的误判率高的问题,在已有模板匹配算法基础上,提出了一种权重融合动态模板匹配算法。设计了双目检测试验平台,阐述了模板匹配算法的理论基础,在归一化平方差匹配方法、归一化相关匹配方法和归一化相关系数匹配法基础上,提出了权重融合匹配算法。即给3种归一化的匹配方法分配不同的权重,误判率相对较低的分配的权重最高,误判率相对较高的分配的权重最低。在所设计试验平台上,在300m以内对运动目标进行了识别与跟踪。实验结果表明,该算法可以提高双目视觉系统对运动目标识别的准确性。

采用静态数据增强的AGV定位与姿态修正研究

搭载激光雷达的移动机器人(AGV)被大量应用于智能工厂的工件运输,但受障碍物和移动物体的影响,AGV在车间内位姿辨别能力较弱。为了解决定位和姿态识别问题,提出一种全新的点云数据融合位姿辨别策略,利用高精度的静态全站仪整体数据融合激光雷达局部、低精度数据,并提出向量权重匹配法来完成AGV的室内定位。设计一种抽样网格卷积法实现异构数据的快速初步定位;建立自适应搜索全站仪数据的基准区域,将它映射到激光雷达数据的对应区域;最后通过向量权重匹配获取AVG的位姿参数。上述方法在6 m×8 m室内空间进行实验。结果表明:所提方法可达到±7 mm的定位精度与±1.4°的姿态控制识别精度,且能准确补偿激光雷达的扫描误差,提高AGV的位姿识别能力。

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。

基于视觉的人机协同的用户操作意图预测

提出了一种自然交互方式的用户操作意图的预测算法。通过采集人体骨骼数据,建立人体手臂运动模型。采用机器视觉方式提取目标物体的特征值并建立意图模型。采用层次分析法对表达用户意图的主导因子进行权重匹配。该算法采用并行处理的方法对用户意图进行预测。通过相关实验,验证了预测算法的可靠性,该算法有助于提高人机交互的效率。

融合依存句法先验知识的方面级情感分析研究

针对方面级情感分析中依存句法信息利用不足,以及上下文信息与依存句法信息学习分离的问题,提出融合先验知识与预训练模型的方面级情感分析研究方法。该方法将依存句法信息作为先验知识与句子一起输入到预训练模型,通过预训练模型在对句子进行上下文信息学习的同时,学习依存句法建模的方面词与情感词之间的远距离信息。进一步利用依存距离表示将预训练词向量进行动态权重匹配从而充分利用句法信息。通过自注意力机制学习词性信息以及依存关系标签信息,通过两种辅助信息增强句子表示。拼接三种信息作为情感分类器的输入。在四种基准数据集上与其他方面级情感分析方法相比,准确率和F1值都有所提高,验证了该方法提出的先验知识融合与动态权重匹配的有效性,在方面级情感分析任务上有较大的应用价值。

地名分词搜索的词典设计与匹配方法研究

阐述了专门用于分词搜索的关键词词典设计,提出了采用逆向最大匹配和权重匹配相结合的方法,实现了更加准确、高效的地名搜索。