改进YOLOv7-tiny的手语识别算法研究

在与听障人士进行交流时,常常会面临交流不便的困难,文中提出一种手语识别的改进模型来解决这个困难。该模型基于YOLOv7-tiny网络模型,并对其进行了多项改进,旨在提高模型的精度和速度。首先,通过对CBAM注意力机制的通道域进行改进,解决了因降维而造成的通道信息缺失问题,并将改进后的CBAM加入到YOLOv7-tiny的Neck层中,从而使模型更加精准地定位和识别到关键的目标;其次,将传统的CIoU边界框损失函数替换为SIoU边界框损失函数,以加速边界框回归的同时提高定位准确度;此外,为了减少计算量并加快检测速度,还将颈部层中的普通卷积模块替换为Ghost卷积模块。经过实验测试,改进后网络模型的平均精度均值(mAP)、精准率和召回率分别提升了5.31%、6.53%、2.73%,有效地提高了手语识别网络的检测精确度。

基于人工智能的多模态雷达自适应抗干扰优化算法

多模态雷达系统容易受到外界环境干扰,如天气条件、电磁干扰等,而这些干扰可能会影响多模态雷达数据的准确性和稳定性。多模态雷达的抗干扰性能决定雷达的测量精度,因此,为提升多模态雷达的抗干扰能力,提出基于人工智能的多模态雷达自适应抗干扰优化算法。该算法以多模态雷达信号模型为基础,分析距离速度同步欺骗干扰、频谱弥散干扰原理,计算欺骗干扰时雷达接收的总回波信号。将计算的回波信号结果输入至人工智能的YOLOv5s深度学习模型中,通过模型的训练和映射处理,完成多模态雷达自适应抗干扰优化,实现雷达欺骗性信号干扰抑制。测试结果显示,该算法的干扰对消比结果在0.935以上,干扰输出功率结果在0.017以下,能够可靠完成多干扰和单一干扰两种干扰抑制,实现多模态雷达自适应抗干扰优化。

记忆幅值阻尼噪声下带有弱测量与恢复测量的量子隐形传态

认识并降低噪声对传输粒子保真度的影响,是量子隐形传态重要的研究方向之一。不同于以前的独立噪声和带记忆的Pauli噪声,研究了记忆幅值阻尼噪声对保真度的影响,并给出了一个抵抗该噪声信道的方案。该方案通过让参与者在粒子分发前实施弱测量而粒子接收后实施恢复测量的方式提高保真度。研究结果表明,记忆幅值阻尼信道的记忆因子强度与保真度大小呈正相关,并且在部分记忆信道与全记忆信道下弱测量与恢复测量方法也能一定程度上提高传输粒子的保真度。

室内多消防水炮协同灭火任务规划研究

室内大空间消防系统通常采用多个固定式智能消防水炮组成水炮群进行灭火。为改善室内多消防水炮对多火源灭火效率,提出一种基于火灾损失代价和灭火时间代价的粒子群任务规划算法。首先,采用整数编码方式对粒子进行编码,一组编码对应一组任务分配解;然后,应用非线性自适应权重更新方法动态调整算法关键参数,提升算法性能。为避免陷入局部最优解,采用基于模拟退火的自适应粒子群算法,以一定概率接受差解,提高粒子多样性,帮助算法跳出局部最优。针对火源动态变化和灭火过程中新发火源,设计了一种分阶段任务规划策略,与所提算法结合可有效解决动态规划问题。实例仿真结果表明,该算法在寻优效率和结果稳定性方面优于标准粒子群算法和自适应粒子群算法,具有良好的应用价值。

面向6G的通信感知一体化车联网研究综述

通信感知一体化是第5.5代、第6代移动通信、无线局域网的研究热点,与此同时物联网,以及车辆与一切互联的车联网技术正在蓬勃发展,车联网与汽车自动驾驶作为通信感知一体化技术的典型应用场景,相关关键技术需要深入研究,以推动智能交通系统、智慧城市的发展。本文首先介绍通信感知一体化车联网的研究背景与应用场景,然后对国内外近期通信感知一体化车联网的相关研究进行梳理,从网络架构、波形设计、干扰与资源管理、波束管理、硬件设计与验证等五个方面展开综述,最后对通信感知一体化车联网领域的未来研究趋势以及相关的技术挑战进行展望,提出车联网通感一体化基础研究、车联网专用一体化波形设计、车联网通信感知计算一体化等三个建议的研究方向并总结全文。

融合MacBERT和Talking⁃Heads Attention实体关系联合抽取模型

针对现有的医学文本关系抽取任务模型在训练过程中存在语义理解能力不足,可能导致关系抽取的效果不尽人意的问题,文中提出一种融合MacBERT和Talking⁃Heads Attention的实体关系联合抽取模型。该模型首先利用MacBERT语言模型来获取动态字向量表达,MacBERT作为改进的BERT模型,能够减少预训练和微调阶段之间的差异,从而提高模型的泛化能力;然后,将这些动态字向量表达输入到双向门控循环单元(BiGRU)中,以便提取文本的上下文特征。BiGRU是一种改进的循环神经网络(RNN),具有更好的长期依赖捕获能力。在获取文本上下文特征之后,使用Talking⁃Heads Attention来获取全局特征。Talking⁃Heads Attention是一种自注意力机制,可以捕获文本中不同位置之间的关系,从而提高关系抽取的准确性。实验结果表明,与实体关系联合抽取模型GRTE相比,该模型F1值提升1%,precision值提升0.4%,recall值提升1.5%。

基于多门混合专家网络的情感分析与文本摘要多任务模型

在目前机器学习应用场景中,大多数方法仍然专注于孤立地学习单个任务,即为每个任务建立一个单独的模型。然而许多现实问题需要多模态的方法来解决,因此需要采用多任务模型。目前多门混合专家网络MMoE在多任务领域取得了不错的效果,然而在针对特定领域的学习仍然存在没有专注于独立任务的信息学习、学习任务之间联系能力不足的问题。为此,文中在多门混合网络专家模型上针对情感分析和文本摘要这一特定领域进行了优化,采用基于解码器的架构针对MMoE的架构进行重构;为解决重新设计架构带来的数据格式和流向变化的问题,同时增加针对任务独有信息的学习,设计了新的门控制网络架构;基于情感分析与文本摘要互助理论,提出两种门控制网络权值修改机制,并通过实验选择性能最佳的机制和参数。最后通过改进前后的性能对比和消融实验,证明了在情感分析和文本摘要领域,所提模型有着更优于MMoE的性能,并且每个优化都对模型性能提升有所贡献。

基于PSO-SA算法的源项反演方法研究

针对大气污染事故突发时,事故发生点无法确定或人员不能接近的情况,研究了基于环境监测数据源项反演以获取事故源项数据的技术,设计实现了一种基于粒子群-模拟退火源项反演方法。采用自适应方法调整惯性权重系数,与高斯烟羽扩散模型结合,对事故源项数据进行反演。实验结果显示:在所选监测点监测数据的反演实验中,基于粒子群-模拟退火算法(PSO-SA)结合了两种算法的优势,能够获得与期望值较为符合的反演结果。进一步分析了监测点数据误差及监测点数量对反演结果的影响,并将文中方法与粒子群算法(PSO)进行对比,同等条件下,较粒子群算法精度提高了8%,能够快速实现对大气污染源强和位置的准确估计。

基于AHP与熵值法构建的火灾预测组合灰色模型

火灾预测可以帮助消防部门更好地采取预防措施和制定灭火方案,减轻火灾损失。如何通过人工智能方法预测火灾数量、判断火灾发展趋势成为一项重要的研究课题。对城市消防火灾数量进行预测时,文中首先对原始数据序列进行加权滑动均值处理;其次建立了基于背景值优化的灰色模型和无偏优化灰色模型;而后引入了结合等维新息理论的马尔可夫模型,对经过改进的灰色模型进行预测值的残差修正;最后建立了基于层次分析法(AHP)与熵值法的主客观赋权组合模型。针对北京市2012—2019年火灾事故数据进行建模,并对后续两年的火灾发生数量进行数据预测与模型对比验证分析,根据预测结果判断未来火灾数据的变化趋势。实验结果显示,优化模型可以提高预测精度,其中结合AHP与熵值法的组合模型预测精度达到了相对残差最小为0.6105%,后验方差比为0.323%。实验结果证明,优化后的模型可以更好地应用于对火灾事故的预测。

基于用户兴趣模型的大学生就业信息推荐方法

为提高推荐就业信息与大学生偏好就业信息的匹配程度,文章将个体就业需求作为前提条件,设计一种基于用户兴趣模型的大学生就业信息推荐方法。首先,利用兴趣模型中的关联规则,对高校提供的就业信息中兴趣特征点进行匹配;其次,在既定的分类规则下,根据就业文本信息的内容对其进行类别划分;最后,根据用户浏览高校就业信息、在就业招聘界面的停留时间等,针对大学生偏好进行计算。对比实验结果表明:本文中设计的推荐方法应用效果良好,按照规范使用该方法进行大学生就业信息推荐,能够增加推荐就业信息与大学生偏好就业信息的匹配程度,为大学生提供更加优质的就业服务,提高大学生就业质量。

基于层次分析法的J大学就业质量评价体系研究

针对J大学2021届毕业生就业数据和由第三方机构对J大学2021届毕业生进行的调研数据及毕业生就业情况的多个指标,使用模糊判别法和层次分析法,建立了一个综合衡量毕业生就业质量的评价体系,并验证该体系适用于J大学毕业生的就业。

基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

决策树优化选择下城市交通出行特征研究

文中对基于决策树优化选择下城市交通出行特征进行研究,通过研究城市交通出行方式,缓解城市交通出行压力。基于决策树算法基本理论,构建决策树模型,选取城市交通出行特征作为分类依据,运用C4.5决策树算法对城市交通出行数据进行分类,根据分类后各个不同特征叶子节点对上层子节点的总占比进行城市交通出行特征优化选择分析,并在“Occam's razor”的基础上,利用重新引入法提出优化方法,解决C4.5决策树算法存在的过度拟合问题,提升城市交通出行方式分析效果。实验结果表明,该方法可有效分析城市交通现有出行特征,指导城市交通规划,依据该方法的分析结果对早高峰线路进行优化后,有效减少了长距离拥堵路段,同时避免了严重阻塞路段的产生。

改进萤火虫算法的武器目标分配问题研究

武器目标分配(WTA)是指挥控制和任务规划领域的关键问题之一,萤火虫算法求解武器目标分配问题具有参数设置简单、执行效率高等优点。针对传统萤火虫算法易陷入局部极值,收敛速度和精度不高的弊端,从以下三个方面进行改进:初始化萤火虫序列编码时融入PWLCM混沌优化以提高全局搜索能力;设置受迭代次数控制的服从半高斯分布的非均匀步长因子以兼顾算法的搜索能力和收敛性;设计基于排序的萤火虫更新策略同时融入交叉变异操作以提高算法的效率和准确性。为验证改进算法的先进性,先利用其求解4种典型测试函数的最优解,再求解WTA问题,并与传统萤火虫算法进行对比,仿真实验结果表明,改进后算法的评价函数值提高了2.1%,迭代次数减少了52.9%,改善了传统算法易陷入局部极值的缺点,提高了收敛速度和精度,提升了武器目标分配的效果。

多模态异构大数据混合属性特征匹配筛选算法

多模态异构大数据混合了多种属性数据,具有数据类型繁杂、数据维度较高的特点,在数据挖掘过程中容易降低多模态异构大数据利用率。为了提高特征匹配紧密度,提出多模态异构大数据混合属性特征匹配筛选算法。建立距离矩阵对多模态异构大数据实施混合属性降维;采用主成分分析法提取降维后的数据主成分,将提取到的主成分作为数据混合属性备选特征;计算主成分互信息,筛选互信息值大于1的数据特征,聚集同属性相似特征,实现特征匹配。在4个多模态异构大数据集中进行应用测试,测试结果表明所提算法匹配紧密度均高于0.8,由此证明,该算法具有较高的混合属性特征匹配质量。

基于改进支持向量机的致密砂岩储层参数预测研究

致密砂岩储层的评价技术既是油气勘探开发的重点,也是难点。目前对致密砂岩储层的储层参数的预测与评价,依然采用传统的储层参数预测方法,结合测井曲线进行建模,用以对渗透率、孔隙度等参数进行拟合,主要运用的方法有经验公式、回归分析等,其中大部分方法都是基于线性的,无法反映致密储层特有的沉积和成岩作用所导致的非均质性强的特点,无法揭示致密储层中测井曲线与储层参数之间的复杂非线性关系。针对此问题,提出在传统储层参数预测模型的基础上,对测井曲线与储层参数的非线性关系进行分析,挖掘更多现有测井信息,进行支持向量机储层参数预测模型的建构,并采用粒子群算法、头脑风暴算法、布谷鸟算法等三种支持向量机的改进优化算法对模型参数进行测试,筛选出最优的储层参数预测模型。将该模型应用于研究区储层参数预测评价中,有效提高了预测评价精度,为致密储层精细预测评价和非常规油气田的高效开发提供了有力的技术保障。

基于多目标优化的移动边缘计算任务卸载方法

为了缩短任务卸载时延和降低能耗,基于多目标优化设计一种移动边缘计算任务卸载方法。首先,建立一个多目标优化模型,以最小时延和最小能耗为目标函数,同时考虑任务卸载计算资源分配约束、总能耗低于设备剩余电量约束、任务卸载传输功率约束、任务卸载时延约束等约束条件;考虑了移动设备的移动性,构建节点切换约束条件;为了提高求解效率,改进了遗传算法中的选择、交叉和变异操作,并利用改进后的遗传算法求解了多目标优化模型,得到了最优的移动边缘计算任务卸载策略。实验结果表明,该方法能够有效地完成任务卸载,并且能够减少任务卸载时延和降低任务卸载能耗。此外,该方法在不同剩余电量下都能够获得较好的任务卸载效果,从而提高了用户的体验。

基于深度学习模型及组合模型的沙漠面积预测研究

沙漠化是全球性的环境问题,影响着许多国家和地区。准确地预测沙漠面积对于制定有效的沙漠化防治策略至关重要。文中使用不同的模型对沙漠面积进行预测,试图找到一种预测准确度高且性能优良的模型。以新疆若羌县东部地区沙漠为研究对象,分别采用ARIMA、RNN、LSTM、GRU、ARIMA-RNN、ARIMA-LSTM、ARIMA-GRU模型对沙漠面积进行预测,使用均方误差、均方根误差和平均绝对误差评估模型的性能。实验发现:ARIMA模型预测准确度最低且模型性能最差,深度学习模型的预测准确度最高可达约96.74%;组合模型的预测准确度最低可达约93.08%,其中ARIMA-GRU组合模型的预测准确度最高约为97.46%。实验表明,深度学习模型在沙漠面积预测中预测准确度高且性能良好,组合模型能够提高沙漠面积预测的准确性和稳定性,能避免单一模型预测的局限性和风险性。

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

智能反射面辅助的STBC-NOMA系统性能分析

智能反射面(Intelligent Reflecting Surface,IRS)技术以其低成本、灵活部署、易于融合其他关键技术的优势吸引了无线通信学术界和工业界的极大关注.传统的空时分组码(Space-Time Block Coding,STBC)与非正交多址接入(Non-Orthogonal Multiple Access,NOMA)方案的巧妙结合(STBC-NOMA)已被证明能够有效地提高系统的鲁棒性和吞吐量.鉴于此,本文提出一种新的IRS辅助的STBC-NOMA系统的传输框架(IRS-STBC-NOMA). IRS辅助系统给远近不同的两个用户传输信号.采用两个分割的IRS实现STBC传输并利用IRS的相移设计实现发射信号控制,分别推导了所提出传输框架下每个用户的中断概率和遍历速率的闭合表达式;基于所得的分析表达式,给出了渐近或单调的理论分析,之后通过蒙特卡洛仿真进行了对比验证.与现有的STBC-NOMA方案相比,所提IRS-STBC-NOMA方案的中断性能和遍历速率均获得显著提升.