基于图卷积网络和图数据增强技术的节点分类研究

在图卷积网络中,节点分类是一个基本问题,它涉及到图中节点的标签预测。然而,由于真实世界中的图往往具有复杂的结构和噪声,节点分类准确率往往不尽如人意。为了解决这个问题,提出了一种使用图神经网络和图数据增强技术的方法来提高节点分类准确率。首先,我们使用图数据增强技术对图数据进行预处理,对原始训练数据进行变换和扩展来生成更多训练样本,以此来提高模型的泛化性和鲁棒性,然后用图卷积网络模型对图数据进行节点分类,最后,在Cora数据集上进行了多次对比实验。实验结果表明,使用图卷积网络和图数据增强技术可以显著提高节点分类准确率,Cora数据集上的节点分类准确率从82.6%提高到了84.0%。

基于U2NET的边缘检测研究

边缘检测在计算机视觉领域中扮演着重要角色,其可用于目标检测、图像分割等任务。U2NET是一种基于U-Net的深度学习模型,通过分层次的特征提取和上下文感知的特征融合来实现高精度的图像分割。针对U2NET在边缘检测中的应用进行研究,发现传统卷积核对在卷积过程中对梯度信息不敏感的问题,传统的卷积块进行卷积时,内核优化是随机初始化的,对梯度信息没有显示编码,这导致了它很难专注于边缘相关的特征,而差分卷积是将卷积核覆盖的局部特征patch内的原始像素替换为像素差,将有用的像素关系进行编码,将其保留在训练过程中的卷积核内,这样就能克服传统CNN对捕获梯度信息不敏感的问题。并且在自制数据集和BSDS500公共数据集进行实验验证,证明了差分卷积U2NET在边缘检测任务上的优越性能。研究结果表明,基于差分卷积的U2NET是一种可以实现抠图和边缘检测的高效模型,可应用于各种实际场景中。

基于BERT的命名实体识别

在中文命名实体识别任务中,将字向量化表示是重要的步骤,然而传统的词向量表示方法只能将字映射为单一向量,无法表征字的多义性。对此引入了BERT预训练语言模型,BERT模型可以增强字的语义表示,根据其上下文动态生成语义向量。而针对BERT微调训练对计算机性能要求较高的问题,采用了固定参数嵌入的方式对BERT进行应用,并搭建了BERT-BiLSTM-CRF模型。实验结果表明,基于BERT的命名实体识别模型在MSRA数据集上的F1-Score指标达到94.48%。优于传统机器学习模型和其他基于深度学习模型的方法。研究结果表明,BERT模型在命名实体识别任务中具有很好的应用前景。

广义卡尔曼滤波递推公式的证明

卡尔曼滤波方法是一种应用广泛的估值方法,但其要求系统数学模型已知。而广义卡尔曼滤波与卡尔曼滤波相比并不需要系统数学模型已知,具有更强的现实意义。在广义卡尔曼滤波方法的状态模型和测量模型的基础上讨论了其递推公式的证明问题。最后通过广义卡尔曼滤波与经典卡尔曼滤波仿真曲线的比较,验证了广义卡尔曼滤波的有效性。

广义卡尔曼滤波均方误差最小性的研究

卡尔曼滤波方法是一种应用广泛的估值方法,但其在应用时,要求系统数学模型已知。而广义卡尔曼滤波在应用时不需要系统数学模型是已知的,具有广泛的适用性。在广义卡尔曼滤波方法的消息模型和测量模型的基础上,讨论了其滤波模型的均方误差最小性问题,即最优滤波器的选取问题。最后通过广义卡尔曼滤波与经典卡尔曼滤波仿真曲线的比较,验证了广义卡尔曼滤波的有效性。

机动目标的广义卡尔曼滤波信号模型的理论推导

卡尔曼滤波方法是一种应用广泛的估值方法,但其要求系统数学模型已知,而广义卡尔曼滤波与卡尔曼滤波相比并不需要系统数学模型已知,具有更强的现实意义。从泛函分析的角度讨论了连续函数的最佳逼近问题,并以此为基础提出了广义卡尔曼滤波的信号模型和递推公式。最后通过广义卡尔曼滤波与经典卡尔曼滤波仿真曲线的比较,验证了广义卡尔曼滤波的有效性。

基于广义线性模型的变参数广义卡尔曼滤波

给出了连续系统的一种广义线性模型,不仅适用于已知系统,而且适用于未知系统,无论系统是线性还是非线性的。该模型系数服从确定的变化规律而无需在线辨识或预先计算,因而实时性好。定义了基于这种模型的变参数广义卡尔曼滤波,并给出其递推计算公式,可对未知系统实现实时滤波估计,且满足均方误差最小。该系统能方便、快捷、准确地实现未来多个时刻状态群的实时预报,以便提早掌握系统未来的运动趋势,提高系统的控制性能和对机动目标拦截的制导精度。算例仿真表明,结果是令人满意的。

电子式互感器的预防性试验方法研究

数字化变电站使一、二次设备都得到大大简化,运行维护也因高度信息化变得简单易行.电子式互感器具有绝缘简单、体积小、重量轻、电流互感器动态范围宽、无磁饱和、电压互感器无谐振现象、电流互感器二次输出可以开路等优点.电子式互感器由于材料和结构上的巨大变化,使得预防性试验考量部位发生变化,将之前对主绝缘及内部绝缘介质、二次引出回路及附属设备的各项监测简化为仅对复合绝缘材料作为重点试验项目,极大的体现了数字化变电站的优势.