基于GRA-GRU的淮河流域水质预测研究

水质指标具有多元相关性、时序性和非线性的特点,为有效预测河流水质变化,针对水质数据存在缺失和异常的问题,提出基于灰色关联分析-门控循环单元(Grey Relational Analysis-Gated Recurrent Unit, GRA-GRU)的水质预测模型。以淮河流域水质数据为样本,使用线性插值修补缺失数据和剔除的异常数据。使用灰色关联分析计算不同水质指标间的相关性,选择高相关性的水质指标以确定输入变量,并使用门控循环单元(Gated Recurrent Unit, GRU)预测不同的水质指标。将GRA-GRU的预测结果与反向传播神经网络(Back Propagation Neural Network, BPNN)、循环神经网络(Recurrent Neural Network, RNN)、长短期记忆神经网络(Long Short Term Memory, LSTM)、GRU及灰色关联分析-长短期记忆神经网络(Grey Relational Analysis-Long Short Term Memory, GRA-LSTM)进行对比分析,结果显示GRA-GRU在不同水质指标预测上具有较好的适应性,可以有效降低预测误差。其中,与其他模型相比,GRA-GRU预测的化学需氧量在均方根误差上分别降低了3.617%、0.681%、0.478%、1.505%和0.471%。

融合双图卷积与门控线性单元的方面级情感分析模型

方面级情感分析旨在确定句子中给定方面的情感极性。现有的基于图神经网络的方面级情感分析存在以下2个方面的不足:忽略了不同类型的句法依存关系和语料库中的词共现信息,以及不能准确地控制情感信息流向给定方面。针对以上问题,提出融合双图卷积与门控线性单元(GLU)的方面级情感分析模型。该模型首先采用全局词汇图来编码语料库中的词共现信息,在词汇图和句法图上利用分类概括结构来区分各种词共现频率和不同类型的句法依存关系。然后分别在2个图上进行双层卷积,继而使用Bi Affine变换模块作为桥梁,在2个图卷积网络模块之间有效地交换相关特征,从而有效地融合句法信息和词汇信息。最后利用GLU控制情感信息流向给定方面,使模型可以更专注地分析与该方面相关的情感信息,避免不相关的情感信息影响对给定方面的情感分析结果,从而提高分析的准确性。实验结果表明,在Twitter、Laptop14、Restaurant15和Restaurant16数据集上,该模型的准确率分别达到74.82%、77.61%、82.29%和89.81%,F1值分别达到72.97%、73.52%、67.72%和73.37%,方面级情感分类效果明显优于其他基线模型。

基于对抗训练与Transformer的风力发电机故障分类方法

风力发电机故障分类的复杂性和多样性严重影响风能发电效率,传统的人工方法效率低下,准确率较低,已有的深度学习模型在真实环境中易受数据噪声干扰而表现不佳。为提升风力发电机故障分类模型在真实环境下的分类性能与鲁棒性,提出一种基于对抗训练与Transformer的故障分类方法。首先通过引入一维卷积与门控线性单元(GLU)增强注意力机制对局部特征的学习,保留易被忽略的局部信息,提升模型对于局部特征的敏感度。其次结合限制因子约束对抗样本,提高对抗样本产生的准确性。最后在消除错误样本的同时反馈生成过程,使其具备更好的抗干扰能力。实验结果表明,与5种常用的分类模型相比,所提模型分类性能平均提升7.76%,与真实结果之间的误差最小。局部增强的注意力机制和所提的对抗训练方法分别使模型的分类性能平均提升4.51%、4.95%。所提模型在10%~20%噪声环境中仍保持较好性能,增强了其在真实环境中的稳定性。该方法在提高分类准确率的同时使模型具备更强的泛化能力,对于提升风力发电机故障分类性能与鲁棒性具有重要意义。

双关系预测与特征融合的实体关系抽取模型

现有分阶段解码的实体关系抽取模型仍存在着阶段间特征融合不充分的问题,会增大曝光偏差对抽取性能的影响。为此,提出一种双关系预测和特征融合的实体关系抽取模型(entity relation extraction model with dual relation prediction and feature fusion,DRPFF),该模型使用预训练的基于Transformer的双向编码表示模型(bidirectional encoder representation from transformers,BERT)对文本进行编码,并设计两阶段的双关系预测结构来减少抽取过程中错误三元组的生成。在阶段间通过门控线性单元(gated linear unit,GLU)和条件层规范化(conditional layer normalization,CLN)组合的结构来更好地融合实体之间的特征。在NYT和WebNLG这2个公开数据集上的试验结果表明,该模型相较于基线方法取得了更好的效果。

具有低噪声及高线性度的高性能MOCVD-SiN_(x)/AlN/GaN毫米波MIS-HEMTs

文章在超薄势垒AlN/GaN异质结构上采用金属有机化学气相沉积(MOCVD)原位生长SiN_(x)栅介质,成功制备了高性能的SiN_(x)/AlN/GaN金属-绝缘体-半导体高电子迁移率晶体管(MIS-HEMTs)。深能级瞬态谱(DLTS)技术测试SiN_(x)/AlN的界面信息,显示其缺陷能级深度为0.236 eV,俘获截面为3.06×10^(-19)cm^(-2),提取的界面态密度为10^(10)~10^(12)cm^(-2)eV^(-1),表明MOCVD原位生长的SiN_(x)可以有效降低界面态。同时器件表现出优越的直流、小信号和噪声性能。栅长为0.15μm的器件在2 V的栅极电压(Vgs)下具有2.2 A/mm的最大饱和输出电流,峰值跨导为506 mS/mm,最大电流截止频率(fT)和最大功率截止频率(fMAX)分别达到了65 GHz和123 GHz,40 GHz下的最小噪声系数(NFmin)为1.07 dB,增益为9.93 dB。Vds=6 V时对器件进行双音测试,器件的三阶交调输出功率(OIP3)为32.6 dBm,OIP3/Pdc达到11.2 dB。得益于高质量的SiN_(x)/AlN界面,SiN_(x)/AlN/GaN MISHEMT显示出了卓越的低噪声及高线性度,在毫米波领域具有一定的应用潜力。

无源多动子永磁同步直线电机定位方法研究

为实现永磁同步直线电机系统中对多个无源动子的绝对定位,设计了基于双磁道的短磁栅、长传感器定位方案。双磁道包括增量式磁道和绝对式磁道,每个磁道中的短磁栅为永磁体阵列,长传感器内霍尔阵列由线性霍尔芯片组成,且长传感器包含多个线性霍尔阵列。其中,增量式磁道采用区间查表方式计算位移增量,绝对式磁道采用连续位移编码方式识别绝对偏移量。定子传感器数字信号输出的霍尔芯片阵列与主控MCU之间通过总线方式连接,且信号处理和传输均在MCU中进行,简化了硬件电路。结果表明,无源多动子绝对位置传感器具有不同应用场景便于移植的特点,使无源动子的定位更灵活。

基于动态卷积的混合模型性能评估方法

围绕大型复杂设备的安全、准确的性能评估急需,针对现有基于机器学习的性能评估方法难以捕捉时序数据的动态特性,且难以同时处理非线性和线性数据问题,提出了一种基于动态卷积的混合模型性能评估方法。该方法首先将动态数据输入动态卷积模块,从而更有效地进行特征提取,并保留数据的动态特性。然后,利用门控Transformer能够捕捉更复杂的长期依赖关系,而自回归模型能够更好地捕捉数据线性特征的特点,采用门控Transformer和自回归模型自适应加权的方法,以更好地适应不同使用场景和领域的数据。在C-MAPSS数据集的验证结果表明:预测误差与模型效率均有一定改进,尤其在FD002数据集中,对于均方根误差和Score评分函数,该方法比其他效果最好的方法分别提升了5.92、116。

基于时空图卷积神经网络的离港航班延误预测

对于日益频发的机场航班延误,精准的航班延误预测是最重要的防范措施之一。通过谱图卷积将机场网络从不规则的图结构转换为规则的网络结构,利用图卷积神经网络(GCN)和门控线性单元(GLU)捕获网络中的时空相关性并组成时空卷积块,提出可以预测离港航班延误状况的时空图卷积神经网络(STGCN)。遴选美国51座枢纽机场构建机场网络,并预测未来一段时间内的机场离港准点率以检验STGCN用于预测航班延误的可行性。结果表明:当预测窗口为1天时,STGCN预测结果的平均绝对误差(MAE)相对于历史平均(HA)法、长短期记忆循环神经网络(LSTM)、堆栈自编码器(SAEs)分别下降了18.19%、10.45%、6.24%;当预测窗口为2天时,MAE分别下降了9.93%、3.96%、4.37%;当预测窗口为3天时,MAE分别下降了7.02%、2.47%、9.20%。实例证明STGCN相比传统模型能够显著提升航班延误预测的精度,并为机场制定延误决策提供参考指导。

基于组合测量方式的新型磁场式时栅位移传感器

针对数字化精密机械加工装备和测量仪器中的关键功能部件——位移传感器测量精度过分依赖高精度加工的难题,提出基于组合测量方式的新型位移传感新方法。利用在平面上均匀分布的激励绕组产生交变磁场,构建运动参考系,建立位移和时间基准之间的映射关系。通过控制感应绕组的形状实现磁场精确约束,从原理上抑制谐波误差。采用差分排布的感应绕组式及组合测量方式增强抗干扰性,提高位移测量精度。通过电磁仿真验证,进行测量误差分析,优化结构参数。研制了传感器样机并进行实验验证,结果表明在144 mm测量范围内,测量误差为±2.25μm,分辨力为0.15μm。不同于传统高精度位移传感器严重依赖高精度光刻制造加工,此方法通过对磁场的精确约束和传感原理创新实现精密位移测量,具有结构简单,成本低等优势具有重要学术和工程应用价值。

基于CNN-GRU-MLR的多频组合短期电力负荷预测

负荷预测对于电力企业制定未来调度计划十分重要。为了进一步提高预测精度,充分挖掘负荷数据中时序特征的联系,提出一种卷积神经网络(Convolutional Neural Networks,CNN)、门控循环单元(Gate Recurrent Unit,GRU)和多元线性回归(Multiple Linear Regression,MLR)混合的多频组合电力负荷预测模型。该模型先对时间序列的负荷数据进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),并将其重构为高低两种频率;同时在高频中引入影响因子较大的气象因素,使用CNN-GRU模型预测,低频部分使用多元线性回归进行预测;最后将各个模型得出的预测结果叠加,得到最终预测结果。仿真结果表明,相对于其它网络模型,提出的混合模型具有更高的预测精度,是一种有效的短期负荷预测方法。

基于压缩激励残差分组扩张卷积和密集线性门控Unet歌声分离方法

针对Unet频域歌声分离网络模型对语音时序信息的捕获困难以及底层特征利用率不高的问题,设计了一种相比于基线Unet网络参数量更小且歌声分离效果更好的卷积神经网络。首先设计了一种残差分组扩张卷积结合压缩激励模块,并将其引入到编码和解码阶段,该模块在参数量减少和增大网络感受野的同时自适应学习不同通道的重要特征,不但增强了有用特征,而且还抑制了无用特征。其次在传输层将线性门控单元采用密集相加连接来增强网络在特征传递过程中对时序特征的获取,并且使用扩张卷积来代替普通卷积以扩大网络的感受野。最后使用注意力门控机制来代替基线Unet中的跳跃连接以加强网络对底层特征的利用。在Ccmixter和MUSDB18数据集中进行实验,与基线网络相比,歌声分离的性能指标都有提升,并且其参数量大约只有基线网络的1/5。

基于离散绕组的磁场式时栅位移传感器及误差特性

针对高精度位移传感器难以加工的难题,提出一种基于离散绕组的磁场式时栅位移传感器。通过设计离散激励绕组排布方式与感应绕组的形状控制感应位移信号的变化规律,通过组合测量方式实现精密位移测量。通过理论建模、仿真分析与实验验证揭示了激励信号误差和安装偏差对传感器测量精度的影响规律。实验结果表明:两路激励信号的幅值不等和安装偏差都会在对极内测量精度中直接引入直流分量误差和2次谐波误差,其中2次谐波误差是误差的主要成分。安装偏差越大,2次谐波误差越大,动尺沿Z轴偏摆姿态对测量精度的影响最大,沿Y轴翻转姿态引入的误差次之,沿X轴俯仰姿态引入的误差最小。误差修正后传感器在144 mm的测量范围内,测量误差峰峰值为4.5μm,分辨力为0.15μm。通过毫米级尺寸的激励和感应绕组实现微米级精度测量,可显著降低传感器的制造难度,具有重要的工程应用价值。

多尺度分解下GRU-MLR组合的锂电池剩余使用寿命预测方法

准确预测锂电池的剩余使用寿命(remaining useful life,RUL)可以及时了解电池内部的性能退化情况,降低电池的使用风险并为日常维护提供可靠的理论依据。为了提高预测结果的准确性和稳定性,提出了一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、门控循环单元网络(gated recurrent unit,GRU)和多元线性回归(multiple linear regression,MLR)相结合的锂电池RUL预测模型。该模型首先采用EEMD算法将锂电池容量数据分解为若干个高频分量和低频分量,以此减少容量数据中的噪声干扰,然后针对各个分量的特点,分别利用GRU和MLR网络基于获得的高频和低频序列建立预测子模型,最后叠加融合各个子模型的预测值得到锂电池的RUL结果,通过使用NASA和Oxford提供的锂电池公开数据,并采用不同的预测起点与其他单一模型和组合模型进行对比。实验结果表明,EEMD-GRU-MLR预测模型能够提供准确的RUL结果,相比于LSTM、GRU和EEMD-GRU预测模型,最大平均绝对误差分别降低了0.0311、0.0234、0.0182,最大均方根误差分别降低了0.0235、0.0153、0.0098,证明了本模型具有较好的锂电池RUL预测能力。

基于FPGA的九点插值自适应图像缩放算法设计

为了能够在现场可编程门阵列(Field Programmable Gate Array,FPGA)硬件平台上实现速度快、质量高的图像缩放,提出一种九点插值自适应缩放算法。首先提出九点插值基本算法以减少逻辑资源用量,达到的图像缩放效果明显优于最近邻域插值算法,但略差于双线性插值算法,且图像边缘不够清晰。为了优化九点插值基本算法对图像边缘的缩放效果,提出了九点插值与最近邻域插值算法相结合的自适应缩放算法,通过MATLAB和FPGA对以上算法分别进行软件、硬件的对比分析和实验验证。实验结果表明,自适应九点插值算法比最近邻域、双线性插值图像缩放算法的峰值信噪比提高0.3~2.5 dB,并且硬件资源消耗量比双线性插值减少了约20%。该算法减轻了传统算法的图像边缘模糊与图像严重失真问题,且占用FPGA资源少,有更高的应用价值。

基于DCNN和GLU的武器领域实体关系抽取方法

武器领域的非结构化文本数据通常十分复杂,单句内可能存在“一武器与多个武器相关联”或“两武器之间存在多种关系”等情况,为此提出基于膨胀卷积神经网络和门控线性单元的实体关系抽取方法以处理该类型数据中存在的关系重叠问题。该方法将拼接了词向量和位置向量的句子编码向量传入带有门控机制的膨胀卷积神经网络模型,引入可以快速抽取句内命名实体特征信息的自注意力机制,通过分层次的序列标注方式识别出句中全部实体以及每个主实体对应的所有关系和客实体,进而生成武器领域实体关系三元组。实验结果显示,该方法在自行标注的武器领域数据集上的F1值达81.1%,具备一定的实体关系抽取能力,在不同重叠类型下的F1值均高于78%,能够解决非结构化数据的关系重叠问题,同时在公开数据集NYT上也有良好的表现。

基于并行卷积循环网络的单通道语音增强系统

为提升语音增强系统的收敛速度和泛化性,降低对训练数据的要求,提出一种基于并行卷积循环网络的语音增强系统。在卷积循环网络的基础上,使用归一化门控线性单元提升性能和收敛速度;使用并行循环层结构同时处理原始语音特征和经过编码器处理后的语音特征,通过后处理模块处理并行结构的输出。在THCHS30和LibriSpeech语音库及NOISEX92和PNL100 NS噪声库上的实验结果表明,与多个目前最先进的语音增强系统相比,该方法获得了最高36.92%的性能提升和62.36%的收敛速度提升。

基于FPGA的PMLSM预测电流控制系统设计及在环验证

为提高永磁同步直线电机(PMLSM)电流环的控制性能与电流控制算法的执行速度,利用现场可编程门阵列(FPGA)设计了一个可编程逻辑(PL)+处理器系统(PS)结构的预测电流控制(PCC)系统,并基于PYNQ架构提出了一种新的FPGA在环方法用于复杂控制系统的硬件可视化验证。首先对PCC算法进行了分析与仿真,并建立了变增益干扰观测器以提高鲁棒性;接着使用硬件结构优化技术设计了一个PCC IP核,并对其进行了功能仿真;最后在Zynq 7020芯片上实现了PMLSM PCC系统,并使用提出的FPGA在环验证方法更方便有效地对控制系统进行了板级验证。结果表明,预测电流算法控制带宽大、稳态性能好;在Zynq 7020芯片上使用PYNQ框架、PL端时钟频率为200 MHz时,用PCC IP核硬件实现与双核ARM Cortex A9软件实现一次算法所需的时间分别为1.989 6 ms和4.487 5 ms,加速比为2.255,FPGA硬件加速明显。

平面钢闸门三维有限元线性分析的若干问题

为提高平面钢闸门三维有限元线性分析的科学性和规范性,以某水电站机组进水口快速平面钢闸门为研究对象,采用ANSYS有限元分析软件,从有限元网格划分和漏水孔结构简化两个方面出发,讨论研究了此类平面钢闸门三维有限元线性分析的若干问题。研究表明:采用shell281单元对平面钢闸门这样的典型空间薄壁结构进行有限元计算时,应力计算结果精度更高;在划分网格建立有限元模型时,网格尺寸的大小对挠度影响较小,合理的网格尺寸可以使应力的有限元计算结果与网格尺寸之间具有无关性,并减少计算量;相对于自由划分方式得到的网格质量,映射划分方法得到的网格质量更高,但对平面钢闸门结构应力和挠度的计算精度的提高甚微,且映射划分方法工作量较大,效率较低;当平面钢闸门主梁漏水孔直径与梁高之比(径高比)小于或等于0.15时,在建立平面钢闸门模型时可简化忽略漏水孔,反之则不能简化。

感潮闸控口门引排水量计算研究

针对上海市平原感潮河网地区闸控河流复杂的水流过程,为获得完整、准确、可靠的引排水量数据,通过对大治河东闸站和三甲港闸站现有监测分析获得的水位、水量、闸门运行工况等数据进行多元相关分析,得到引排水量与水位、引排时间、水闸过水断面面积的相关关系,并进行回归计算。回归计算结果与实测结果的误差分析结果表明:这种相关关系是比较可靠的,相对误差和标准偏差等均在可接受的范围内。说明用这种方法插补计算缺测期间的引排水量具有一定的可行性,可弥补因各种原因导致缺测带来的水量成果缺失的不足。该方法具有一定的普适性,可用于其他闸控河流水量计算分析,也可避免水位流量关系不显著、不稳定带来的困扰。

基于图神经网络的交通流量预测方法研究

随着城市化进程的加速,智能交通系统的需求也日益增长,其中预测交通流量尤为关键。为了更准确地预测交通流量,文章提出一种新的方法。该方法首先利用图生成模块来生成一个图结构,然后结合时间卷积、图卷积和门控线性单元构建的时空块,深入捕获了交通流的时空特征。为了评估文章所提方法的准确性和实用性,文章选择PEMS数据集进行实验。实验结果证明了文章所提模型在性能上优于对比方法。