基于全注意力机制的多步网络流量预测

预测资源分配能有效利用无线网络的剩余资源服务非实时业务,其中的关键问题之一是剩余资源的预测,可转化为实时业务流量预测问题。本文把面向自然语言处理提出的全注意力机制引入到时间序列预测问题中,预测未来分钟级时间窗内秒级的流量,通过在每秒记录的实测流量数据集上进行训练和测试,与其他基于循环神经网络和线性、非线性预测模型的方法在复杂度(由训练和测试时间衡量)、预测精度(由平均相对百分比误差衡量)和预测误差统计特性(由预测误差的均值和标准差衡量)等方面进行比较。研究结果表明,与无注意力机制的循环神经网络相比,所设计的基于全注意力机制的方法计算复杂度低,由于多步预测的累积误差,在预测精度方面增益不明显。

改进PSPNet的炮弹火焰分割算法及应用

针对目前靶场炮弹火焰图像分割算法对火焰边界分割效果差而导致定位精度下降的问题,基于PSPNet算法,结合双向特征融合模块以及全注意力机制网络的特征金字塔转换模块,提出改进PSPNet的炮弹火焰分割PSP_FPT(pyramid scene parsing_feature pyramid with Transformer)算法,实现对炮弹火焰目标的高精度分割。利用双向特征融合模块对金字塔池化后的特征进行双向融合,增强各子区域以及全局目标空间和语义特征的相关性,提升炮弹火焰分割的准确性。为了避免火焰周围烟雾、扬尘对分割效果的影响,将特征金字塔转换模块与全注意力机制网络相结合,优化双向特征融合模块输出后的特征映射,提升区域内目标之间的空间结构关系;提高算法对炮弹火焰目标与背景干扰之间的辨别力,进一步提高算法的识别能力。将全局池化后的特征作为全注意力机制网络的输入,解决了由于图像输入序列过长导致全注意力机制网络参数量过大的问题,进而降低工程应用的实现难度。实验结果表明,该算法在炮弹火焰数据集上分割的平均交并比达98.01%,平均准确率达98.97%,对炮弹火焰分割有较强的鲁棒性和较高的准确率。