基于区域的上下文信息矩阵推理目标检测模型

目标的语义信息或目标之间的关系有助于目标识别。然而,目前最先进的目标检测器依赖于单独识别目标实例,缺乏充分的上下文信息。为了充分利用上下文信息,本文提出了一种特定的上下文矩阵,将上下文矩阵结合到目标检测中来增强检测模型的上下文信息推理能力。具体来说,该上下文矩阵有3种形式,分别来自不同数据集的标注。通过目标之间的关系、属性和共现概率来增强上下文信息,并将每个区域的上下文矩阵增强后的新特征与原始特征相连接,提高分类和定位的性能。此外,基于上下文矩阵推理的模型是轻量级的和灵活的,足以增强不同的目标检测基线并有助于少样本检测任务。大量实验表明,所提出的基于上下文矩阵推理的检测器可以在不同的基准上持续改进各种检测器。

面向可穿戴生理传感应用的氧化锌纳米棒阵列修饰蚕丝

蚕丝是天然蛋白质纤维,具有光滑、亲肤、机械强度高等优点,作为纺织纤维在我国已有数千年的使用历史。随着智能时代的到来,织物电子研究逐渐兴起,但是蚕丝纤维在智能可穿戴应用领域的研究还非常有限。该文提出了一种在单根蚕丝纤维表面原位修饰氧化锌(ZnO)纳米棒阵列的低成本方法,成功制备了基于单根蚕丝纤维的ZnO纳米棒阵列。研究表明,ZnO纳米棒致密且均匀地垂直排列于蚕丝表面,其直径为100~200 nm,长度约为2μm,其晶型为六方纤锌矿结构。结合ZnO纳米棒的压电性质,构建了基于ZnO纳米棒阵列修饰单根蚕丝的压电传感器。该传感器可有效地将机械能转换为电能,可对手指的敲击、按压、弯曲动作实时响应,将其固定于腹部或体表心脏部位可对人体呼吸、心跳等生理数据进行监测。此外,该传感器还可分辨木琴敲击过程中音调和音阶的变化。该文所构建的蚕丝基压电传感器在人体动作、生理参数实时监测方面展示了极大潜力,有望拓展蚕丝在可穿戴织物器件和智能传感领域的实际应用。

A^(2)former模型在时间序列预测中的应用研究

时间序列预测在金融、医疗、交通和气象等领域发挥着重要作用。在长时间序列预测中,迫切需要提高预测的精度,解决内存不足等问题。近年来,Transformer模型在自然语言处理领域得以成功应用的同时,在预测研究领域也引起了学者们的广泛关注,Transformer变体Informer模型的研究在时间序列预测中取得了较大进展。本研究以Informer框架为基础,与加性注意力机制相结合,提出了A^(2)former模型。利用A^(2)former模型在ETT,WTH,ECL和PM2.5数据集上进行了长时间序列预测的实验,实验结果表明所提模型在长时间序列预测中表现出比基线方法(如Informer模型和LSTMa模型)更好的性能。A^(2)former模型不仅将计算时间复杂度降低到线性,而且可以实现更有效的序列建模。本研究的工作为时间序列预测提供了有益参考。

一种基于联合预测的简历实体识别方法

目前个人简历实体类型繁多,大量平面实体和嵌套实体交错在简历中,对实体识别产生了不小的负面影响。为此,设计了一种联合预测的命名实体识别框架。首先,利用预训练模型Mengzi-BERT进行上下文的词嵌入表示。为了充分利用预训练模型提取的特征,先对网络深度进行压缩,放大卷积层感受野,并且融合了自注意力机制,然后设计了一个新的命名实体识别模型TPDCA(triple layers progressive dilated convolutional neural network-attention)。其次,为防止实体之间跨度过大、简历实体嵌套等问题,设计了全新的基于Biaffine双仿射注意力机制的局部关系实体识别模型BCN(biaffine-based local relationship capture network)。最后,通过分别调整TPDCA模型和BCN局部关系识别模型的预测权重进行联合预测,构成Mengzi-TPDCA-CRF-BCN联合预测框架,获得了综合表现最佳的实体识别结果。这样设计避免了模型丢失实体间长距离依赖关系,降低了平面实体和嵌套实体相互交错对预测的负面影响,解决了实体类型间的高耦合度影响识别任务的问题。该模型与现行主流方法相比各评价指标提升了3%,有效地解决了简历实体类型间耦合度高,实体间跨度大的实际问题。

基于深度学习的风格迁移方法综述

随着深度学习的迅猛发展,风格迁移技术在算法和应用上取得了重大突破,为内容与风格的创新交互提供了强大支持。该文综述了风格迁移的基本概念、分类及其在神经网络中的应用,特别是神经网络风格迁移的原理、变体与合成算法。文章还对基于文本的图像风格迁移与基于图像的方法进行了比较,分析了各自的优缺点,突显了智能化风格迁移技术的发展。此外,探讨了风格迁移技术与其他领域结合的情况,如与超分辨方法和对比学习方法等的结合,以及在大型工艺品设计中的应用实例,展示了其广泛的应用潜力。该文的目的是为研究者提供清晰的视角,推动风格迁移领域的技术进步。

面向APP应用的隐私合规的检测方法

面对严峻的个人信息保护监管态势,针对如何科学评估APP应用的隐私合规问题,提出了一种基于BERT-TextCNN分类模型的隐私合规检测方法。该方法充分考虑国内现有的法律法规,构建了一套完整的隐私合规测评指标体系,通过人工标注,建立了专业的隐私合规语料库,并通过该语料库训练BERT-TextCNN分类模型,以精准提取出APP应用隐私政策的合规要点。最终,采用该模型的预测结果进行隐私合规得分计算,以全面检测该APP应用可能存在的隐私合规风险点,保障其隐私政策的完整性。实验结果表明,该模型在高效、准确地提取隐私合规要点和检测APP应用的合规风险点方面表现卓越。这一创新性方法有望为企业和开发者防范监管通报的风险提供指导,同时为监管部门提供有益的参考,对于保障个人隐私权益具有积极的意义。

期刊简介

《人工智能科学与工程》(CN50-1228/TP)是教育部主管、西南大学主办的公开发行的学术期刊(季刊),系由《西南师范大学学报(自然科学版)》(2023年版《中文核心期刊要目总览》人编期刊)更名而成。由黄廷文教授担任主编,由段书凯、李传东、王建军、肖国强4位教授担任执行主编,编委会由来自国内外知名院校、科研院所和企业的专家、学者组成。

深度残差网络下的电缆隧道低压故障检测

针对数据梯度消失导致电缆隧道低压故障检测结果精度不高的问题,提出了一种基于深度残差网络的电缆隧道低压故障检测方法。该方法对电缆隧道低压回路电流进行分析,建立深度残差网络,通过初始化学习得到线路电流故障特征值,并在权重层中引入激活函数,结合传递梯度进行特征重构,有效避免了梯度消失问题,输出信号特征,通过过零率判别得出故障检测结果。实验结果表明:应用所提方法得出的故障检测结果表现出的高频系数衰减比值图像呈现均值变化且较为密集,检测结果精度较高,满足了电缆隧道低压回路的现实运维需求。

基于物联网技术的水电站智能安防系统设计

水电站智能安防系统数据传输速度较慢,导致系统反应时间较长。因此,设计基于物联网技术的水电站智能安防系统。使用5800 bit/s的单片机为系统硬件中间控制器,通过活动数据对象(ADO)接口采集与写入数据,完成安防系统硬件设计;设置数据库的对应关系,采集并处理水电站状态数据,将处理后的数据存储至数据库,基于物联网技术,使用网状结构的拓扑结构,传输存储的数据,设定智能安防子系统的联动关系,按照联动关系检测现场入侵,设计按需求执行的特定代码,当判定为入侵时系统发出报警,完成安防系统软件设计。实验结果表明,在水电站两个区域测试该系统,其反应时间较短,在2 s内快速反映出水电站各个点位出现的异常,应用效果较好。

基于自适应滤波器的皮带机动态称重信号处理方法

针对目前皮带机动态称重系统的称重信号存在噪声或干扰的问题,提出了一种改进自适应噪声消除(IANC)的称重信号处理方法。建立了皮带机动态称重系统动态响应过程的数学模型。设计了结合卡尔曼和最小均方的算法(KF-LMS),提升了ANC噪声消除的性能。实验阶段,通过模拟和搭建实验平台对所提方法进行测试。结果表明,与LMS,NLMS,SLMS等算法相比,所提的KF-LMS算法在皮带机动态称重信号处理中具有良好性能,具备较高的可靠性和称重精度。实验结果验证了所提方法的有效性和实用性,该模型具有广阔的应用前景。

基于差分进化算法和交叉算子的电力企业应急物资多目标分层调度方法

为实现电力系统应急故障的高效抢修,降低故障风险,提出基于差分进化算法和交叉算子的电力企业应急物资多目标分层调度方法。该方法结合电力企业全局调度需求,确定电力企业应急物资多目标上层调度目标函数和下层调度目标函数,同时设计对应的约束条件;采用差分进化算法求解双层调度目标函数,并且为保证解的多样性和算法收敛性,引入进化过程信息优化算法变异算子的变异概率,以此保证目标函数的求解效果。测试结果显示:反世代距离和散布性分别在0.034和0.28以下;结合应急物资供应点位置进行应急物资调配路径规划;应急物资调度的公平性、资源覆盖满意度均在0.92以上;调度后,电力系统的风险固结函数结果均在0.14以下。

一种混合LSTM-SAM的居民电力负荷预测模型

针对目前居民电力负荷预测存在可预测性较差的问题,提出了一种混合LSTM-SAM的居民电力负荷预测模型。首先,使用两阶段特征提取方法来处理每个用户的数据,提高了输入数据特征提取的质量;然后,使用基于池化的数据组合方法,将来自互连用户的数据与来自目标用户的数据合并,增加了数据多样性和数据量,减少了数据和模型之间复杂度的相对差异,缓解过拟合问题;最后,将LSTM和SAM相结合,提出了一个具有两个输入通道的混合LSTM-SAM模型,提高了复杂输入下负荷预测的准确性。实验阶段,与ARIMA,SVR,ANN和LSTM进行比较,所提模型的总体性最优。实验结果证明了所提出的负荷预测方法的有效性及实用性,该模型可为居民电力负荷预测的发展提供一定借鉴作用。

220~750kV变电站二次系统故障诊断方法

针对目前智能变电站二次系统故障诊断存在训练效率低、检测结果不准确的问题,提出了一种基于梯度提升决策树(gradient boosting decision tree,GBDT)多分类器的智能变电站二次系统故障诊断方法。通过分析保护系统装置的报警信息、自检信息、采样值信息和故障维护记录数据,建立了智能变电站二次系统故障分类和故障特征信息,提高响应速度和收敛速度。将历史故障数据输入到GBDT多分类器中,通过训练实现故障的有效分类。实验阶段,GBDT多分类器训练对于保护系统故障诊断的准确度为99.05%。与RNN和RF相比,GBDT多分类器具有较高的准确率和高效的训练效果,且在故障特征信息误报的情况下具有较高的准确度。

分布式能源接入交流微网的单相逆变器功率智能分配策略设计

逆变器并联并网系统往往通过两个逆变器通信分别控制进行并联并网,存在通信延迟、不稳定、传输效率低等问题,为此提出了一种分布式能源接入交流微网的单相逆变器功率智能分配策略设计。首先,建立了单相逆变器及并联系统的数学模型,并推导了其相关参数之间的函数关系,分析了并联系统中的环流现象,提出采用电势差均流方法来减小环流影响,在并联设计中,采用电压电流环循环控制实现逆变器组按任意比例分配电流;其次,采用SOGI-PLL进行锁相,使用电流环开闭环交替控制方式实现全桥逆变器组在无通信条件下功率智能分配;再次,设计仿真电路初步验证了所提出的SOGI控制实现锁相的正确性和快速性;最后,搭建了实验样机以验证方案可行性,实验结果表明,在输入50 V直流电压时,该系统可实现输出50 Hz、24 V交流电压,且输出交流电压总谐波畸变率(THD)不大于2%,逆变器1的效率η高达92%,I_(o)在0~2 A变化时,负载调整率S_(I1)≤0.2%,在并网状态下可实现逆变器之间功率按任意比例智能分配。

基于混合模型的电力客户异常用电行为检测方法

针对目前用电异常行为数据样本不均、特征复杂导致检测精度低等问题,提出了一种基于混合模型的电力客户异常用电行为检测模型。利用最小-最大归一化映射对原始数据进行预处理,从而统一数据维度。基于KFCM-PSO对归一化后的历史数据进行聚类,从而对典型电力特征进行选择,改善冗余电力特征带来的干扰问题;基于1D-WGAN生成异常用电数据,增强样本多样性;基于相似性测度确定可疑用户,并基于SVM-CNN-LSTM对可疑用户进行精确分类。实验结果表明,该方法检测精度为94.29%。与SVM,CNN,LSTM等方法相比,其检测精度分别提升9.81%,3.77%和2.27%。综合分析,该方法可高精度监测电力系统异常用电事件,预测结果可为电力系统安全管理提供一定的指导,具有较好的应用前景。

VR环境下认知追踪关键技术综述

深入探讨了虚拟现实(Virtual Reality,VR)环境中的认知评估关键技术,综合分析了现有的认知追踪技术如何提升认知评估的精确度和效率。首先,审视了当前VR环境中进行认知评估的效果与局限性,讨论了运用VR技术进行认知评估的理论支撑和潜在应用价值。随后,详细剖析了若干核心技术点,包括:VR环境下的认知评估数据采集技术(特别是多模态数据的捕获与同步),包括VR系统自身数据、生理信号监测、行为表现以及心理反应等;VR环境下的认知评估数据分析技术,涵盖统计分析方法和机器学习算法;认知追踪的关键技术,包括传统方法、基于深度学习的技术,以及强调可解释性的认知追踪手段。最后,探讨了在VR环境中实施认知追踪时所面临的技术挑战和未来的发展趋势,如增强系统的用户体验、确保数据的安全性及隐私保护等。本研究展示了VR技术在认知评估领域的广阔应用前景,并且为该领域的技术进步提供了理论基础和实践指南。

一种基于自适应RNN的居民异常用电行为智能检测方法

居民用电异常行为检测问题存在严重的样本类别失衡的特点,导致现有方法检测效率低、性能差。为提升异常行为识别精度,加快异常检测训练效率,提出了一种基于自适应循环神经网络(RNN)的异常用电行为识别模型。设计一种SMOTE-ENN重采样方法,增加不平衡数据集的分类性能。建立了自适应RNN检测模型,使用批量归一化RNN作为基础学习器,并结合超参数优化和缓冲区来动态调整BNRNN模型。实验阶段,经过改进的SMOTE-ENN重采样后,模型分类效果大幅度提升。试验结果验证了模型的实用性及优异性能,该模型可为异常用电行为检测的发展提供一定借鉴作用。

可调节多粒度粗糙集的细化与粗化

在经典的多粒度粗糙集模型中,属性值细化和粗化后的下近似、上近似变化并不明显,因此在处理实际问题时存在一定局限性。该文首先构造了属性值细化和粗化时的可调节多粒度粗糙集,讨论了可调节多粒度粗糙集下、上近似的一些性质,并设计了相应的增量算法。最后在实验部分中,通过调节数据集、属性集的大小对增量算法和原有的静态算法的计算时间进行比较。实验结果表明提出的可调节多粒度粗糙集在细化和粗化时的增量算法可以更加准确、高效地处理大型数据。

随机森林与自编码器相结合的自适应特征选择算法

特征选择在信用评估中是一种常用的数据降维技术。然而,传统的特征选择方法主要基于特征之间的线性相关性,无法有效处理非线性数据关系,导致无法准确估计变量之间的相关性程度。为了克服这个问题,该文提出了一种改进的特征选择算法,结合了随机森林和自编码器的优点。首先,利用随机森林去除与目标变量不相关的特征。然后,计算剩余特征的综合重要度,并使用这些保留的特征来训练自编码器神经网络。最后,使用自编码器的学习参数初始化一个三层神经网络,用于重构特征。在公开的信用评估数据集上进行了实验,结果表明,所提出的算法相对于其他方法表现更出色。