改进D-Linknet的眼底视网膜血管分割

临床医生可通过观察眼底视网膜血管及其分支对人体是否患有疾病进行早期诊断,但由于视网膜中的血管错综复杂,模型在分割时会出现对微细血管分割精确度不足的问题。为此,提出一种结合残差模块Res2-net以及高效通道注意力机制(efficient channel attention,ECA)的D-Linknet模型。首先,利用Res2-net代替基础模型中的残差模块Res-net以提升每个网络层的感受野;其次,在Res2-net中添加一种结合压缩激励(squeeze and excitation,SE)和门通道(gated channel transformation,GCT)的注意力机制模块,改善处于复杂背景下的血管分割效果和效率;在网络的解码层加入ECA确保模型计算的性能,避免因降维导致的精度下降;最后,融合改进的模型输出图与掩膜图细化分割结果。在公开数据集DRIVE、STARE上进行分割实验,模型准确度(accuracy,AC)分别为97.11%、96.32%,灵敏度(sensitivity,SE)为84.55%、83.92%,曲线下方范围的面积(area under curve,AUC)为0.9873和0.9766,分割效果优于其他模型。实验证明了算法的可行性,为后续研究提供科学依据。

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.

基于改进局部自注意力机制的VMD-GRU模型短期风电功率预测

较高的随机波动性使得风电功率的预测十分困难。为改善风电功率预测的效果,建立了一种基于变分模态分解(variational mode decomposition,VMD)、改进局部自注意力机制(Improved Local Self-Attention,ILSA)和门控循环单元网络(gated recurrent unit,GRU)的短期风电功率预测方法。使用VMD分解将原始风电功率序列分解为中心频率不一的子模态;对各子模态的中心频率分别建立具有不同高斯偏置优化窗口大小的ILSA模型,并改进其注意力分数公式以更有效地提取信息;采用GRU模型进行风电功率预测,并对各预测序列进行重组,得到最终的预测结果。实验结果表明,相比于各传统模型,所提改进方法能有效提高风电功率预测精度,且对于低频分量有更高的拟合度。