基于概率化稀疏自注意力LSTM的锂离子电池健康状态预测

针对锂离子电池健康状态(state of health,SOH)预测,提出了一种基于概率化稀疏自注意力机制(probsparseself-attentionmechanism,PSM)和长短期记忆(longshort-term memory,LSTM)神经网络的预测模型。首先,提取锂离子电池容量数据并进行窗口化处理,利用位置嵌入获取高维数据之间的特征信息并对数据进行位置编码。然后,引入PSM对输入数据的权重进行稀疏性判断,增加对SOH预测具有关键影响的因素的权重。最后,利用LSTM神经网络捕获数据之间的时序特征进行锂离子电池SOH预测。实验结果表明,与其他常用的锂离子电池SOH预测模型相比,所提模型可以减少预测误差,具有更好的预测性能。

轻量化及边界加强的医学图像分割模型

为提升医学图像分割模型轻量化水平及分割精准度,在TransUNet基础上通过引入具有稀疏化自注意力计算方式的Transformer、边界分割加强机制和强化细节特征提取的互补注意力机制,采用深度可分离卷积和CARAFE模块取代TransUNet原有的常规卷积和上采样,设计一种具有相对轻量化的边界精准分割模型LB-TransUNet。在Synapse多器官分割数据集上的实验结果表明,LB-TransUNet的Dice系数达到79.30,Hausdorff距离达到21.03%,相较于TransUNet、Swin-UNet等模型,LB-TransUNet可以更精准分割出各器官。

基于多尺度梯度的轻量级生成对抗网络

随着生成对抗网络研究的推进,网络模型的计算量急剧增加,其自身的训练不稳定问题依然存在,生成图像的质量也有待提升。为解决以上问题,文中提出一种轻量级生成对抗网络模型,引入多尺度梯度结构解决训练不稳定的问题。通过融合自注意力机制和动态卷积的思想,利用循环模块和图像增强模块,在保持较少参数的前提下提高模型的学习能力。对文中所提算法进行验证,实验结果表明该算法在CelebA数据集上的IS(Inception Score)值为2.75,FID(Fréchet Inception Distance)值为70.1,在LSUN数据集上的IS值为2.61,FID值为73.2,相比SAGAN、DCGAN等经典模型性有所提高,验证了该算法可行性和性能。