基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。

加快发展新质生产力的主要措施与产业政策转型

发展以智能技术为代表的新质生产力,在时间分布上要动态合理地配置传统产业改造、新兴产业壮大、未来产业培育三大任务,尤其要高度重视用智能化新技术对传统产业进行改造升级;在具体策略上要积极推进针对现有产业的“智改数转网联”三大行动,尤其要注重“网联”行动;在治理结构上要大力培育“链主”企业、“专精特新”企业、中小企业三类主体,尤其要聚焦上下游互动与市场化治理,以突破各种创新的瓶颈;在动力机制上要努力增强创新、改革、开放三大引擎的动能,尤其要加大对内开放的力度;在要素结构上要充分展现知识、技术、人才三大要素的市场价值,畅通教育、科技、人才的良性循环。同时,不仅要在理论上澄清一些认识误区,也要对现有产业政策的实施方式进行改革,如从注重产能扩张转向创新支持、从地方主导型转向中央主导型、从挑选“输家赢家”转向创造竞争环境、从补贴生产者转向补贴用户,以防止在实践中出现产能严重过剩等泡沫化现象与问题,最大限度地支持新质生产力发展。

基于GAN和MS-ResNet的房颤自动检测模型

房颤是一种常见的心律失常疾病,针对现有研究工作大多依赖于单尺度信号段而忽略了不同尺度下潜在的互补信息和数据不平衡问题导致诊断性能下降的问题,提出了一种新颖的基于生成对抗网络(generative adversarial network, GAN)和多尺度残差网络(multiscale residual net, MS-ResNet)的房颤自动检测模型,该网络使用GAN合成具有高形态相似性的单导联心电数据来解决数据的隐私和不平衡问题。同时,设计了MS-ResNet特征提取策略,从不同尺度提取不同大小信号段的特征,从而有效地捕捉P波消失和RR间期不规则特征。该模型联合这两种策略不仅为房颤自动检测生成高质量心电图(electrocardiogram,ECG)数据,还可以利用多尺度网格提取不同波之间的时序特征。在PhysioNet Challenge2017公开ECG数据集上以及平衡后的数据集上评估了MS-ResNet的性能,并将其与现有的房颤分类模型进行了比较。实验结果表明,MS-ResNet在平衡后的数据集上平均F1值和精确率分别达到0.914 1和91.56%,与不平衡数据集相比,F1提高了4.5%,精确率提高了3.5%。

面向用户多样化业务需求的多波束卫星系统动态资源分配算法

多波束卫星通信系统由于其高吞吐量和高资源利用率而受到广泛关注.已有研究主要考虑多波束卫星通信系统的信道或功率分配问题,但较少考虑用户分组和动态资源分配策略的联合优化设计,导致系统性能受限.此外,现有研究往往假设固定的波束覆盖半径,忽略了波束覆盖半径可变性对波束覆盖性能提升的影响.本文研究了多波束卫星通信系统中的用户分组和资源分配问题,提出了一种两阶段资源管理方案.针对动态和多样化的用户服务需求,首先设计一种基于Voronoi图的迭代用户分组算法以实现分组之间的负载均衡,然后将子信道和功率分配问题建模为系统平均效用函数最大化问题.为解决该问题,将每个波束视为一个智能体,采用一种基于多智能体深度Q网络(Deep Q Network,DQN)的算法来确定子信道和功率分配策略.仿真结果表明,与K-均值用户分组方案相比,本文所提出的基于Voronoi图的迭代用户分组算法对应的用户组负载差异值可降低49.2%,体现了本文所提算法在实现用户组间负载均衡方面的优势.此外,本文所提两阶段资源管理方案与现有文献中所提算法相比,系统所提供容量与用户需求差值可降低83.43%,体现了本文所提算法在实现系统资源高效利用及用户服务需求保障方面的性能优势.

基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估

与从现实场景中拍摄的自然图像不同,屏幕内容图像是一种合成图像,通常由计算机生成的文本、图形和动画等各种多媒体形式组合而成.现有评估方法通常未能充分考虑图像边缘结构信息和全局上下文信息对屏幕内容图像质量感知的影响.为解决上述问题,本文提出一种基于边缘辅助和多尺度Transformer的无参考屏幕内容图像质量评估模型.首先,使用高斯拉普拉斯算子构造由失真屏幕内容图像高频信息组成的边缘结构图,然后通过卷积神经网络(Convolutional Neural Network,CNN)对输入的失真屏幕内容图像和相应的边缘结构图进行多尺度的特征提取与融合,以图像的边缘结构信息为模型训练提供额外的信息增益.此外,本文进一步构建了基于Transformer的多尺度特征编码模块,从而在CNN获得的局部特征基础上更好地建模不同尺度图像和边缘特征的全局上下文信息.实验结果表明,本文提出的方法在指标上优于其他现有的无参考和全参考屏幕内容图像质量评估方法,能够取得更高的主客观视觉感知一致性.

联合图像层级特征的压缩感知迭代重构

基于卷积神经网络(Convolutional Neural Networks,CNN)的图像压缩感知重构算法难以捕捉高分辨率图像的长距离依赖关系,采用Transformer虽能解决该问题,但网络参数量和图像重构时间成倍增长。基于此,本文提出了一种联合图像层级特征的压缩感知迭代重构网络(Combining Image Hierarchical-Feature Network,CHFNet),在提高图像重构质量的同时减少重构时间。CHFNet由采样和重构两个子网络组成,采样子网络通过可学习的采样矩阵为重构过程提供更有效的测量值。在重构子网络中,设计了一种使用梯度下降操作和特征优化操作的迭代策略,同时提出一种轻量级CNN-Transformer混合架构,能够建模并优化高细粒度的图像层级特征,在增强网络感知能力的同时降低计算复杂度。此外,CHFNet通过联合优化学习采样重构,实现了完整的端到端训练。实验结果表明,所提算法在多个公共基准数据集上取得了良好的重构效果。在Urban100数据集上,相较于现有最优算法CSformer,平均PSNR,SSIM分别提升0.63 dB和0.0076;在0.10采样率下,相较CSformer在Set11,BSD68和Urban100数据集上的平均重构时间分别减少了2.7447 s,3.5510 s和4.7750 s。

经济不确定性、关联网络与风险溢出--来自我国上市银行的证据

基于2013-2022年中国16家上市银行的样本数据,采用CoVaR分位数回归方法度量银行的风险溢出。同时,结合社会网络分析法计算关联网络的数值,以揭示银行间的关联程度。在此基础上,实证检验经济不确定性对银行风险溢出的影响,并探讨关联网络与货币政策在其中的作用机制。研究表明,经济不确定性与银行风险溢出之间存在倒U型关系;关联网络对经济不确定性与银行风险溢出的倒U型关系具有调节效应,能有效弱化经济不确定性对银行风险溢出的倒U型影响;货币政策在经济不确定性与银行风险溢出关系中具有中介效应。基于此,提出相应的对策和建议,旨在降低经济不确定性对银行风险溢出的影响,维护金融体系的稳定。

基于混合神经网络的多维视觉传感信号模式分类

传感器采集的数字信号分类精度差,导致关键信息的丢失。为了提高传感数据的可靠性和有效性,提出基于混合神经网络的多维视觉传感信号模式分类方法。结合卷积神经网络(CNN)、循环神经网络(RNN)构建混合神经网络,以更有效地表示多维视觉数据中的特征;其中,卷积神经网络负责对多维的空间信号进行去噪处理并提取特征;循环神经网络负责对时域和频域信号进行特征提取;混合神经网络通过联合训练CNN和RNN各自的参数,以调整其权重,并且结合两者从不同层级提取的特征来实现多维视觉传感信号模式的分类。仿真结果表明,使用所提方法进行分类时,信号光滑度保持在0.9以上,传感信号分类结果与实际结果拟合度较高,有效实现多维视觉传感信号模式分类。

融合信息瓶颈与图卷积的跨域推荐算法

基于迁移学习的跨域推荐可以有效地学习连接源域和目标域的映射函数,但其性能仍然受到表征质量不高和负迁移问题的影响,不能有效地为冷启动用户进行推荐,为此提出了一种融合信息瓶颈与图卷积网络的跨域推荐模型(IBGC)。利用图卷积神经网络聚合有关联的用户-用户和项目-项目信息;利用注意力机制学习用户和项目偏好,以提高节点特征表示质量;考虑到两个领域的信息交互,将重叠用户进行嵌入表示的同时限制特定信息的编码,利用信息瓶颈理论设计了三种正则化器,以捕获域内和跨域用户-项目的相关性,并将不同领域的重叠用户表征对齐以解决负迁移问题。在Amazon数据集中的四对公开数据集上进行实验,实验结果表明该模型在MRR、HR@K和NDCG@K三个推荐性能指标上的表现均优于基线模型,在四对数据集上与最优对比基线模型相比,MRR平均提升34.36%,HR@10平均提升34.94%,NDCG@10平均提升36.83%,证明了IBGC模型的有效性。

系统构建和推进北京生态产品价值实现和增值

采用CiteSpace方法,全面总结了生态产品价值研究的发展趋势。在此基础上,针对北京地区生态产品价值实现过程中面临的主要问题,运用社会网络分析方法,深入探讨了北京生态产品价值实现推进中的关键问题和影响因素,并提出系统性地构建和推进生态产品价值实现的地域化、社会网络化和普惠化,做好推进生态产品价值实现的规划,促进北京生态产品的价值实现和增值,促进高质量和绿色低碳发展,发挥生态网络在生态产品价值实现中的增值作用等对策建议,旨在为北京地区生态产品可持续发展提供理论支持,为其他地区的生态产品价值实现提供宝贵的经验和启示。

基于改进YOLOv8s的鼓形滚子表面缺陷检测算法

为了提高鼓形滚子表面微小瑕疵缺陷检测的精确率和召回率,增强模型对小目标缺陷的检测能力,针对YOLOv8s网络,提出细粒化卷积模块SPD-Conv来代替卷积下采样,细粒化地提取小缺陷的特征.在特征融合模块,引入GFPN特征融合模块,增强相邻层级间的跨尺度连接和同尺度下的跨层连接,有助于小目标特征信息在卷积网络的传递.在头部增加小目标检测层,提高模型对小缺陷的检测能力.在损失函数方面,利用动态非单调聚焦的Wise-IOU的边界框损失函数替换CIOU,在加快网络收敛的同时,提高网络检测的精度.在自制的鼓形滚子缺陷数据集上进行测试,结果表明,改进的YOLOv8s在倒角数据集、侧面数据集、端面数据集的mAP@0.5分别达到0.911、0.983、0.935,相比于YOLOv8s,m AP@0.5分别提高了6.4%、3.3%、4%,精确度和召回率也有一定的提升,平均每张图片的检测时间为23 ms.与原模型相比,改进的YOLOv8s对小目标缺陷有更好的定位能力和检测精度,检测速度能够满足工业大批量检测的要求.

基于多神经网络的可展开网状天线型面调整方法

为在提高可展开网状天线型面精度的同时减少型面调整的工作量,提出了一种基于多神经网络的型面调整方法。通过分析新型张拉网状天线型面与调整索相关性与耦合机制,首次提出了型面调整策略。以10m口径的新型张拉网状天线为例进行了数值仿真研究,调整后型面的均方根值从5.4×10^(-3)m降低到1.1×10^(-3)m,从而验证了方法的有效性。

社区慢性病共病老年人述情障碍与认知情绪调节策略关系的网络分析

目的:探讨社区慢性病共病老年人述情障碍与认知情绪调节策略网络中的核心节点和桥梁节点。方法:选取社区慢性病共病老年人436名,采用多伦多述情障碍量表(TAS)和认知情绪调节问卷(CERQ)进行调查。基于R语言进行网络估计、中心性及可预测性测量、准确性及稳定性验证和网络比较,以识别网络中的核心节点和桥梁节点,比较不同性别和居住地的网络结构差异。结果:CERQ灾难化维度是网络中强度最高的节点(strength=1.28),被确定为核心节点。TAS情感识别障碍维度(bridge strength=0.52)的桥梁强度最高,然后是TAS外向型思维维度(bridge strength=0.48)、CERQ自我责难维度(bridge strength=0.41),被确定为桥梁节点。网络比较测试结果显示,不同性别及居住地的慢性病共病老年人述情障碍与认知情绪调节策略网络结构差异无统计学意义(P>0.05),但网络内各节点均紧密连接。结论:慢性病共病老年人以灾难化作为主要的认知情绪调节策略,情感识别障碍、外向型思维和自我责难是其述情障碍与认知情绪调节策略连接的主要途径。

基于贝叶斯神经网络的相位梯度计算方法

应变重构是相衬光学相干层析力学性能表征中的关键步骤,其需要准确计算出差分包裹相位的梯度分布。为了能够解决强噪声干扰下的相位梯度重构信噪比低的难题,提出了一种基于贝叶斯神经网络的相位梯度计算方法。首先,通过计算机模拟不同散斑噪声等级下的包裹相位图,并生成相应的理想相位梯度,以构建网络的训练集。其次,基于网络训练集采用贝叶斯推断理论学习强噪声环境下的包裹相位与相位梯度的“端到端”映射关系。最后,将相衬光学相干层析测量的差分包裹相位结果送入贝叶斯神经网络进行处理,实现高信噪比相位梯度预测。此外,通过借助贝叶斯神经网络的统计特性,以模型不确定度来定量评估相位梯度预测结果的可靠性。通过数值实验和三点弯曲力学加载实验对比分析了本文方法和主流矢量方法的性能。实验结果表明:在噪声较小的条件下,本文方法重构的相位梯度信噪比可提升8%;在噪声较强条件下,本文方法能成功恢复因相位条纹难以分辨而无法计算的相位梯度。此外,模型不确定度能够定量分析网络的相位梯度预测误差。可以预见,在样品形变复杂且先验信息未知的条件下,本工作为相衬光学相干层析提供了一种有效的应变重构方法,从而能实现高质量和高可靠的内部力学性能表征。

联合注意力和条件GAN的被遮挡人体姿态和体形估计方法

基于图像的人体姿态和体形估计常常因人体被遮挡而充满挑战.为此,提出一种基于单幅图像的姿态和体形估计方法.首先提出多尺度的注意力模块策略,输出具有丰富上下文信息的多尺度注意力特征,以有效地获得不受遮挡影响的全局的姿态和体形分布;然后提出基于热图的条件生成对抗网络策略,将由关节热图得到的姿态估计作为约束,实现网格精细调整;最后借助这2个策略得到的姿态和体形估计方法实现全局预测和局部细节求精的结合.在Ubuntu环境下,在3DPW,3DOH50K和Human3.6M公开数据集上的实验结果表明,与SMPLify,GraphCMR和SPIN等方法相比,所提方法在身体部分被遮挡时重建效果更好,并在ACK,AVE和PA-MPJPE等定量评价指标上取得了更好的结果.

基于改进LeNet-5网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。

基于超球面对偶学习的双通道图异常检测方法

图异常检测作为一项重要的数据挖掘任务,专注于识别与大多数节点显著偏离的异常节点.随着无监督图神经网络技术的进步,现已开发出了基于密度估计、对抗生成网络等多种高效识别图数据中潜在异常的方法 .然而,这些方法更注重无监督图异常检测生成高质量的表征,而往往忽略了图异常的特性.因此,本文提出了一个双通道异构图异常检测模型(Dual-channel Heterogeneous Graph Anomaly Detection,HD-GAD).其模型基础架构包括双通道的图神经网络:全局子结构感知的图神经网络和局部子结构感知的图神经网络,用于图异常检测捕获全局和局部子结构属性.同时,基于对偶推断引入了多超球体学习目标(Multi-Hypersphere Learning,MHL),从宏观和介观超球体角度,分别测量在整个图/社区结构中偏离的异常节点. HD-GAD模型利用相似度函数EmbSim优化训练目标,以缓解多超球面学习中的模型坍问题.最后,在五种不同的数据集上进行了全面的实验.其AUC(Area Under Curve)值在大多数情况下均超过了0.9,达到了行业领先水平,进一步证明了HD-GAD模型在图异常检测任务上的高效性与性能优势.

基于误差补偿的多模态协同交通流预测模型

交通流量因受周期性特征、突发状况等多重因素影响,现有模型的预测精度无法满足实际要求.对此,本文提出了基于误差补偿的多模态协同交通流预测模型(Multimodal Collaborative traffic flow prediction model based on Error Compensation,MCEC).针对传统预测模型不能兼顾时间序列和协变量的问题,提出基于小波分析的特征拓展方法,该方法引入聚类算法得到节假日标签特征,将拥堵指数、交通事故图、天气信息作为拓展特征,对特征进行多尺度分解.在训练阶段,为达到充分学习各部分数据、最优匹配模型的效果,采用差分整合移动平均自回归模型(Autoreg Ressive Integrated Moving Average Model,ARIMA)、长短期记忆神经网络(Long Short-Term Memory network,LSTM)、限制动态时间规整技术(Dynamic Time Warping,DTW)以及自注意力机制(Self-Attention),设计了多模态协同模型训练.在误差补偿阶段,将得到的相应过程值输入基于支持向量机回归(Support Vector Regression,SVR)的误差补偿模块,对各分量的误差进行学习、补偿,并重构得到预测结果.使用公开的高速公路数据集对MCEC进行验证,在多个时间间隔下对比实验结果表明,MCEC在交通流量预测中的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)达到17.02%,比LSTM-SVR、ConvLSTM(Convolutional Long Short-Term Memory network)、ST-GCN(Spatial Temporal Graph Convolutional Networks)、MFFB(Multi-stream Feature Fusion Block)、Transformer等预测模型具有更高的预测精度,MCEC模型具有较好的有效性与合理性.

基于GA-BP神经网络的月生活需水预测——以黄河流域为例

在水利高质量发展的背景下,为了更精准地反映未来需水情势,探索月尺度需水的预测方法十分必要,有利于有效规划和管理供水系统以解决水资源短缺问题。以黄河流域9个省区为例,对月生活用水规律进行分析,通过奇异谱分析(singular spectrum analysis,SSA)法对用水规律进行验证,引入遗传算法对BP神经网络预测模型进行改进,分别建立基于时间序列的单变量模型和基于影响因子的多变量模型,并将预测结果与BP神经网络模型预测结果进行比较。结果表明:改进预测模型对各省区2020年月生活需水量预测的平均相对误差基本在5%以内,精度优于BP神经网络模型,对水资源精细化管理具有一定的参考价值。