基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数(intrinsic mode function,IMF)和一个残差分量(residual,RES),提取出交通流数据在不同时频的信息;其次,将第一个分量进行二次EEMD分解,细化交通流的随机信息;再次,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。

深度学习可解释性研究进展

深度学习的可解释性研究是人工智能、机器学习、认知心理学、逻辑学等众多学科的交叉研究课题,其在信息推送、医疗研究、金融、信息安全等领域具有重要的理论研究意义和实际应用价值.从深度学习可解释性研究起源、研究探索期、模型构建期3方面回顾了深度学习可解释性研究历史,从可视化分析、鲁棒性扰动分析、敏感性分析3方面展现了深度学习现有模型可解释性分析研究现状,从模型代理、逻辑推理、网络节点关联分析、传统机器学习模型改进4方面剖析了可解释性深度学习模型构建研究,同时对当前该领域研究存在的不足作出了分析,展示了可解释性深度学习的典型应用,并对未来可能的研究方向作出了展望.

解耦表征学习研究进展

解耦表征学习旨在对影响数据形态的关键因素进行建模,使得某一关键因素的变化仅仅引起数据在某项特征上的变化,而其他的特征不受影响,这有利于应对机器学习在模型可解释性、对象生成和操作以及零样本学习等问题上的挑战,因此解耦表征学习一直是机器学习领域的一个研究热点。从解耦表征学习的历史与动机入手,对解耦表征学习的研究现状以及应用进行归纳总结,分析了解耦表征所具有的不变性、复用性等特性,介绍了基于生成解耦表征变差因素的研究、基于流形相互作用解耦表征变差因素的研究、基于对抗性训练解耦表征变差因素的研究,以及一种变分自编码器β-VAE的研究等最新研究动态。同时,阐述了解耦表征学习的典型应用,并对未来的研究方向作出了展望。

面向复杂场景的鲁棒KCF行人跟踪方法

经典核相关滤波(Kernel correlation filter,KCF)目标跟踪算法是判别式跟踪算法中效果最好的一种跟踪算法。但该算法不能很好地适应目标尺度的变化,且在遇到目标短暂消失或被其他物体遮挡等复杂情形时不具备处理目标重显的能力,因此,为使得目标跟踪能够有效地应对遮挡情形,本文从提高特征表达能力、增加尺度匹配策略和抗遮挡3个方面对经典KCF算法进行改进,提出了一种鲁棒的KCF行人跟踪算法。首先对方向梯度直方图(Histogram of oriented gradients,HOG)特征和色调、饱和度、值(Hue-saturation-value,HSV)特征的响应分布进行特征融合。其次,设置动态选择尺度池来改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。本文所提方法在公开视频跟踪数据集Benchmark上进行测试,实验结果表明与其他目标跟踪方法相比,本文算法提高了尺度变化、遮挡等复杂情形下跟踪的鲁棒性,确保了较高的跟踪精度。

基于多智能体的巡逻任务分配和路径优化方法研究

合理有效的巡逻任务规划对于提高街面"见警率"和巡逻力度、加强社会面动态防控工作具有重要意义,由于巡逻任务规划具有多任务、多约束、多目标等特点,极大增加了建立任务分配算法的难度。面向协同巡逻中任务分配和路径优化问题,提出了一种集成的仿真优化框架,采用基于仿真的方法,将进化算法与优化实验相结合进行协同优化。针对巡逻的人机协同以及选址问题,追求任务分配和路径优化综合代价最小建立二层优化模型,结合多智能体遗传算法和Opt Quest优化实验构建巡逻方案,设计案例验证模型,同时实现规划结果的GIS可视化。仿真结果验证了模型和算法的有效性,该方法具有较强可扩展性,可解决多巡逻和多地址环境下的多目标优化调度问题。

结合时序网络和金字塔融合的稳像修复方法

针对视频稳像领域内视频图像缺损填充效果不佳,严重影响视觉效果,且导致稳像处理后的视频不稳的黑边填充问题,提出了一种基于时序网络预测和金字塔融合的图像修复方法。首先结合预裁剪机制自适应判断当前帧是否需修复;然后将截止至当前时刻的所有帧送入卷积神经网络(CNN)和门控循环单元(GRU)的模型进行待填充部分的预测;随后采用改进的加权最佳缝合线进行拼接并在高斯拉普拉斯金字塔中进行图像融合重构;最终在重构完成后裁剪尺寸。实验结果表明,该方法平均峰值信噪比(PSNR)相较于对比算法提高了2~5dB,平均结构相似度(SSIM)较对比算法提升了约2%~7%。该方法修复后的视频缺损填充自然,视觉效果较为稳定,即使在黑边面积较大时也有良好的修复效果,可用于多种摄像平台及不同场景下。

10kV电容器的投退对35kV线路有功损耗的影响分析

通过一起35 kV变电站10 kV电容器投入与退出对主变有功损耗和电源侧35 kV线路有功损耗的影响分析,总结了在电容器各种容量的投入下对变压器有功损耗和线路损耗的影响,从而提出了电容器投入与退出的最优运行方式。

主变纵差保护现场检验技木正确性的探讨

0引言 主变纵差保护由于二次接线复杂，因此，其误动的原因约60％～70％是由施工接线错误引起的。这说明继电保护专业基层人员缺乏基本功，业务素质有待提高：另一方面也说明施工人员没有严格按照正确的设计图纸施工，不认真执行调试规定。因此，在新安装、定期试验或二次回路有改动时，变压器纵差保护在正式投运前，必须进行现场检验其正确性。笔者根据历年来对纵差保护的施工、试验及查线经历，总结出如下现场检验方法。

大数据环境下基于深度学习的行人再识别

针对卷积神经网络在行人识别过程中错误率较高的问题,提出了一种基于深度胶囊模型的行人再识别方法.首先利用标准卷积层学习区分度较高的特征;然后将不同卷积层中的若干特征划分为一组,生成一个具有丰富语义特征的主胶囊.在此基础上,引入了动态路由算法,通过迭代路由过程来确定主胶囊和数字胶囊之间的归属关系,进而得到一组数字胶囊,其中,每个数字胶囊可以学习识别目标行人的存在.在具有挑战性的数据集上进行实验的结果表明,所提算法在性能上优于已有算法.

偏远地区智能周界防范体系研究

一、概述针对偏远地区安全防范的研究中,主要采用雷达[1]、视频监控[2]、震动光纤[3]、张力围栏[4]、高压电子脉冲[5]、对射与双鉴探测[6]等设备进行预警,但在实际应用中存在运行割裂、智能应用不足、报警精准度不高、一线人员工作契合度低等问题[7][8],导致偏远地区周界防范一直是困扰实际工作的突出难题.本文根据偏远地区典型应用场景,结合前端多手段技防设施,提出了一种针对偏远地区智能周界防范的体系化解决思路.

结合置信度加权融合与视觉注意机制的前景检测

目的在视频前景检测中,像素级的背景减除法检测结果轮廓清晰,灵活性高。然而,基于样本一致性的像素级分类方法不能有效利用像素信息,遇到颜色伪装和出现静止前景等复杂情形时无法有效检测前景。为解决这一问题,提出一种基于置信度加权融合和视觉注意的前景检测方法。方法通过加权融合样本的颜色置信度和纹理置信度之和判断前景,进行自适应更新样本的置信度和权值;通过划分子序列结合颜色显著性和纹理差异度构建视觉注意机制判定静止前景目标,使用更新置信度最小样本的策略保持背景模型的动态更新。结果本文方法在CDW2014(change detection workshops 2014)和SBM-RGBD(scene background modeling red-green-blue-depth)数据集上进行检测,相较于5种主流算法,本文算法的查全率和精度相较于次好算法分别提高2.66%和1.48%,综合性能最优。结论本文算法提高了在颜色伪装和存在静止前景等复杂情形下前景检测的精度和召回率,在公开数据集上得到更好的检测效果。可将其应用于存在颜色伪装和静止前景等复杂情形的视频监控中。