基于时间卷积神经网络和双尺度特征选择的混合碳价预测模型

针对传统碳价格预测模型存在的过拟合和无法有效提取相关特征的问题,提出了一种混合预测模型。首先,通过改进的完全自适应噪声集成经验模态分解算法对原始序列进行分解,以降低数据的波动性和复杂性;然后,用模糊熵对剩余子序列进行重构;此后,利用偏自相关函数和随机森林对子序列进行双尺度特征选择,确定最佳输入维度,以减少不相关特征的输入;最后,通过时间卷积网络进行预测。实验结果表明,与对比模型相比,所提出的模型具有优越性和鲁棒性。该研究结果可为碳市场发展和减排路径相关研究提供有意义的参考。

中国城市“双碳”网络关注度的时空差异及影响因素

基于百度指数平台采集2012—2021年中国287个地级市的“双碳”相关网络搜索指数,运用赫芬达尔指数、多尺度地理加权回归等方法分析“双碳”网络关注度的时空差异和影响因素。结果表明:(1)时间上,中国城市“双碳”网络关注度在波动中呈上升态势,区域关注差异先增大后减小至最低水平;空间上,各城市之间网络关注度分布的不均衡性较强,总体呈现出“东—中—西”依次降低态势。(2)省域网络关注度差异程度呈现波动中不断扩大的趋势,空间集聚性不显著;六大区域关注度差异始终处于高位且呈波动上升态势,空间集聚程度呈现出平稳波动态势。(3)影响网络关注度的因素存在空间异质性。人均GDP和常住人口的正向影响效应显著,规模以上工业企业数量的负向影响呈现出南北差异格局,工业氮氧化物排放量的空间作用效应相对均衡,政策因子得分的作用效应呈现显著的东西差异。

基于多尺度特征融合的双分支手部姿态估计算法

由于RGB图像的深度歧义性,关节点的深度坐标相对于关节点的二维图像坐标来说更难预测。提出一种基于手部多尺度特征融合的双分支手部姿态估计算法,将手部关节点的二维图像坐标和深度坐标进行分组预测。采用FPN提取手部多尺度特征,提出特征融合模块,对手部多尺度特征进行融合增强,得到手部高层特征和低层特征;提出双分支网络结构,利用融合之后的手部高层特征和低层特征分别预测手部关节点的深度坐标和二维图像坐标。在两个公开的手势数据集上进行了充分实验,与当前最好方法相比,所提方法在平均关节误差指标上取得了当前最好结果。

基于局部-全局特征交互的双分支结肠息肉分割网络

大小、形状、颜色、纹理的多变性以及肠壁分界模糊给结肠息肉的分割带来巨大挑战.针对单分支网络连续采样操作造成部分细节信息丢失以及不同层次特征信息无法交互进而导致分割效果不佳的问题,提出一种基于局部-全局特征交互的双分支结肠息肉分割网络.网络采用CNN与Transformer双分支结构,逐层捕获息肉局部细节特征与全局语义特征;为充分利用不同层级、不同尺度特征信息的互补性,利用深层语义特征对浅层细节特征的引导与增强,设计特征协同交互模块,动态感知并聚合跨层次特征交互信息;为强化病变区域特征,抑制背景噪声,设计特征增强模块,应用空间与通道注意力机制强化息肉病变区域特征,同时采用结合注意力门的跳跃连接机制进一步突出边界信息,提高边缘区域的分割精度.实验表明,所提出网络在多个息肉分割数据集上取得的mDice与mIoU分数均优于基线网络,具有更高的分割准确率和稳定性.

基于双分支多尺度融合网络的毫米波SAR图像多目标语义分割方法

在毫米波合成孔径雷达(SAR)安检成像违禁品的检测与识别中,存在着目标尺寸过小、目标被部分遮挡和多目标之间重叠等复杂情况,不利于违禁品的准确识别。针对这些问题,提出了一种基于双分支多尺度融合网络(DBMFnet)的违禁品检测方法。该网络使用Encoder-Decoder的结构,在Encoder阶段,提出一种双分支并行特征提取网络(DBPFEN)来增强特征提取;在Decoder阶段,提出一种多尺度融合模块(MSFM)来提高对目标的检测能力。实验结果表明,该方法的均交并比(mIoU)均优于现有的语义分割方法,降低了漏检与错检率。

基于多尺度特征融合和双注意力网络的遥感影像地物提取

遥感影像的地物信息提取,对导弹部队完成远程精确打击任务具有重要意义。目前,卷积神经网络为代表的语义分割网络能较好实现日常图像的语义分割,但难以捕捉遥感图像的全局信息和长距离依赖关系。提出了一种于多尺度特征融合和双注意力网络的遥感影像地物提取方法。该方法在编解码网络的基础上,引入多尺度特征融合模块和双注意力网络。多尺度融合模块能够提取图像的多尺度特征,捕获图像的全局信息。注意力模块能够捕获图像远程上下文关系和通道间的相互依赖。在GID数据集上的实验结果表明,与现有方法相比,该方法能够获得更好的地物提取效果,其分割的总体精度为84.1%,mIoU为62.3%。

基于双分支多尺度残差融合嵌套的SAR和多光谱图像融合架构与实验

基于深度学习融合合成孔径雷达(SAR)和多光谱(MS)图像的方法主要通过增加卷积层数量描述网络模型尺度,但未能提高算法对不同尺度空间细节特征的提取能力。该文设计双分支的多尺度残差融合嵌套连接网络架构(Double-branch Multiscale Residual-fusion Nested-connections Net,DMRN-Net),将融合任务划分为细节提升和光谱保持两部分:在细节提升分路中,将SAR和MS图像中的高频信息分别经过多深度特征提取层、多尺度残差融合网络层及嵌套连接解码器得到重建图像;在光谱保持分路中,通过融合上采样后的MS图像和细节提升分路结果,将光谱信息注入融合图像中,从而得出融合结果。通过DMRN-Net和传统算法以及普通双分支网络的对比实验表明,DMRN-Net在主观判断和客观评价上均取得较好的融合结果,能在保持光谱信息的基础上,进一步增加图像的空间细节信息,验证了DMRN-Net在图像融合领域的重要价值。

基于多尺度残差网络的MRI脑肿瘤分类

目的研究和搭建人工智能深度学习网络,在两个公开的大脑MRI图像数据集上实现高准确率的MRI脑肿瘤的四分类。材料与方法提出一种多尺度残差网络的MRI脑肿瘤分类模型,实现脑肿瘤的四分类任务。模型包括多尺度输入、改进残差、下采样和双通道池化共四个模块。将Kaggle中正常人和Figshare中肿瘤患者的脑部MRI图像进行数据集组合,对提出的模型进行训练和性能评估,优化网络超参数,提高分类准确率。结果在352张MRI图像上测试模型,仅使用多尺度输入模块时,得到平均分类准确率为96.59%。添加下采样模块后,准确率达到98.58%。对比最大池化、均值池化和双通道池化,准确率分别为96.02%、97.16%、98.58%。多尺度残差网络对脑肿瘤具有很好的分类效果,对胶质瘤、脑膜瘤、垂体瘤和正常无肿瘤图像的分类准确率分别为99.14%、99.14%、99.42%和99.42%。结论MRI是一种典型的检查脑肿瘤的医学成像方法,但放射科专家手工对脑肿瘤进行准确分类极具主观性和不确定性。提出的多尺度残差网络能为脑肿瘤自动分类提供有效的方法,且该网络提高了MRI脑肿瘤分类的准确率,很好地解决了梯度消失问题,提升了模型的泛化能力。

基于双尺度长短期记忆网络的交通事故量预测模型

为了降低交通事故的发生、减少财产损失,建立新型交通事故量预测模型.该模型利用双尺度分解方程将原始交通事故时间序列分解为多个子层,并利用长短期记忆(LSTM)网络对得到的低频子层进行预测;利用双尺度重构方程将低频子层的预测结果进行重构.分别构建LSTM预测模型、门控循环单元(GRU)预测模型、自编码(SAEs)预测模型和双尺度长短期记忆网络(DS-LSTM)预测模型,利用这4个预测模型对2个数据集进行预测.结果表明,本研究模型相较其他模型能够有效预测交通事故时间序列,且具有较强的鲁棒性.对于2个数据集,相较于原始的LSTM模型,DS_LSTM预测模型预测准确度分别提高6%、28%;对2个不同数据库(利兹和UK)的测试表明本研究模型具有较好的泛化性能.

基于双尺度动态贝叶斯网络及多信息融合的步态识别

步态识别在生物识别中研究日益增多。目前对步态的识别研究大都是考虑单一条件下步态的识别率,但在穿外套、背包等混合条件下识别率较低,该文分析了人体行走时步态的时序特征,提出一种4层的双尺度多信息融合的动态贝叶斯网络。模型中每个时间片都为整体信息即大尺度信息和局部细节信息即小尺度信息的融合。此模型能很好地表达步态的时序特性,即步态行走时人体姿态,运动幅度等特征的节奏性变化。实验结果表明该方法有较高的识别率,能有机地融合步态的整体信息及局部细节信息,并且在有轮廓噪声及信息缺失的情况下有较好的鲁棒性,大大降低了外套及背包对步态识别的影响。

基于双通道多尺度注意力机制的光伏板裂缝检测方法

针对目前传统边缘检测方法提取出的图像边缘轮廓模糊、不连续等问题,提出一种基于双通道多尺度注意力机制的光伏板裂缝检测方法,实现对图像低级边缘、边界、目标轮廓的检测;首先构建了双通道主干网络,包含语义分支通道和空间细节分支通道;其次,基于多尺度原则构建了多尺度及注意力机制模块,对特征图像的高、宽、通道的维度变换,分配特征权重,在捕捉跨通道信息的同时,还能够捕捉方向感知和位置感知的信息;最后将空洞融合模块融合到语义分支通道中,提升网络提取特征信息的能力。实验结果表明,所提出的算法对光伏板图像边缘检测性能有提升,相较HED、RCF与FCN算法,F_(1)值提升了2.83%、0.37%与1.54%,获得了较为清晰的裂缝图像。

基于ARIMA-BP模型的北京市平谷区地下水水质双尺度预测

选取区域尺度监测井PG-32和场地尺度监测井PG-45、PG-56中的水质指标为研究对象,采用差分自回归移动平均(ARIMA)模型对Cl-、SO42-和总溶解性固体物质(TDS)浓度进行线性预测,利用反向传播(BP)神经网络模型和等权重法组合ARIMA-BP模型对监测井PG-32中的Cl-、SO42-和TDS指标浓度进行非线性预测.结果表明,线性预测方法更适用于区域尺度下的水质预测;ARIMA模型、BP神经网络模型和ARIMA-BP组合模型对PG-32中水质指标预测的平均相对误差分别为6.11%、6.17%和2.94%,验证了组合模型的优越性;ARIMA-BP模型的预测显示未来区域地下水中Cl-、SO42-浓度变化相对平稳,TDS浓度呈现上升趋势,需引起地下水预警的重视.

一种改进的双通道多尺度医学图像分割网络模型

近年来,深度学习在医学图像处理中的应用越来越广泛。UNet作为医学图像分割的主要方法,虽然具备一定的优势,但在细节处理及精确度上仍不够理想。为了优化分割效果,本研究提出一种改进的UNet分割模型。该模型在UNet的网络架构基础上,使用残差连接代替编码器和解码器之间的跳跃连接;同时将编码器中卷积操作更改为双通道多尺度卷积,并在编码器中加入挤压激励块。在Kvasir-SEG、CVC-ClinicDB、ISIC2018三个数据集上的实验结果表明,该模型与其它几种UNet改进算法相比,分割精度有所提高。

双时间尺度下基于Transformer的锂电池剩余寿命预测

准确预测锂离子电池剩余使用寿命对于掌握其健康状况和管理备件资源具有重要作用.现有锂电池剩余寿命预测方法大多局限于以循环次数为主的预测结果,本质上属于面向单一时间尺度的方法,忽略了锂电池健康状态受循环次数与工作时长双重时间尺度下的退化综合影响的现实问题.提出一种双时间尺度下基于Transformer的锂电池RUL预测模型.该方法选取容量作为表征其性能退化的关键指标,通过Kalman滤波和滑动时间窗对电池容量数据进行处理获取训练集和测试集,有效提取双时间尺度中蕴含的寿命信息,并充分考虑不同时间尺度寿命信息间的相互关系,建立容量与双重时间尺度的映射关系,实现了锂电池在双时间尺度下的RUL准确预测.通过锂电池实例验证了所提方法的有效性和潜在应用价值.

双通道卷积神经网络在影像融合中的应用

利用Landsat8遥感卫星影像数据制作影像融合数据集,提出了一种双通道融合网络,并利用结果影像的质量指数对网络融合性能进行评估,分析与双三次卷积插值和GS影像融合方法的差异。结果表明,该网络加强了对高频空间信息的提取,在更高效提取空间特征的同时,减弱了融合过程中对多光谱影像光谱特征的影响,从而提高了融合影像的综合影像质量(QNR=0.8852)。

基于分组注意力和高斯多尺度的目标检测方法研究

针对现有目标检测网络在特征提取以及多尺度融合方面存在的局限,将分组卷积与高斯金字塔引入深层神经网络中,设计了一种基于分组注意力机制和高斯多尺度融合的目标检测方法。该方法利用图像灰度化、直方图均衡化丰富输入信息,降低光照影响;构建双阶段特征提取结构,采用深度可分离卷积初步提取目标特征后再利用分组注意力结构提升关键信息权重,进一步提炼目标特征;为充分捕获目标多尺度信息,设计了高斯多尺度结构,将不同维度的特征自适应融合后构建高斯金字塔特征,与对应尺度特征联合实现目标检测。通过在ImageNet、MS COCO、PASCAL VOC三个公开标准数据集上的实验结果表明,所提方法目标信息丰富,有效特征提取以及网络尺度不变性都有较大改善,在复杂场景下也具有较高的鲁棒性和泛化能力。

基于性能势的Markov控制过程双时间尺度仿真算法

在基于性能势的随机逼近方法中引入双时间尺度的概念,提出了离散时间Markov控制过程的基于性能势的双时间尺度仿真梯度算法,弥补了传统算法中每步更新算法更新频率过快和更新环更新算法更新频率过慢的不足,并利用三个数值例子来说明双时间尺度更新算法在计算复杂度、收敛速度和收敛精度上的优势。

面向B5G多业务场景基于D3QN的双时间尺度网络切片算法

为了有效满足不同切片的差异化服务质量需求,面向B5G多业务场景提出了一种基于竞争双深度Q网络(D3QN)的双时间尺度网络切片算法。研究了联合资源切片和调度问题,以归一化处理后的频谱效率和不同切片用户服务质量指数的加权和作为优化目标。在大时间尺度内,SDN控制器根据每种业务的资源需求利用D3QN算法预先分配给不同的切片,然后根据基站负载状态执行基站级资源更新。在小时间尺度内,基站通过轮询调度算法将资源调度到终端用户。仿真结果表明,所提算法在保证切片用户服务质量需求、频谱效率和系统效用方面具有优异的性能。与其他4种基准算法相比,所提算法的系统效用分别提升了3.22%、3.81%、7.48%和21.14%。

双路径多尺度混合感知语音分离模型

单通道语音分离主要采用循环神经网络或卷积神经网络对语音序列建模,但这些方法都存在对较长停顿的语音序列建模困难的问题。提出一种双路径多尺度多层感知混合分离网络(DPMNet)去解决这个问题。提出多尺度上下文感知建模方法,将三个不同时间尺度的输入通道特征融合。与传统的方法相比,加入全连接层以弱化噪音的干扰,卷积和全连接的交叉融合增加了模型的感受野,强化了长序列建模能力。实验表明,这种双路径多尺度混合感知的方案拥有更少的参数,在Libri2mix及其实验嘈杂的版本WHAM!,以及课堂真实数据的ICSSD都表明DPMNet始终优于其他先进的模型。

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题,提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成,其中,多尺度空洞卷积模块Inception用于图像的多尺度特征提取,在卷积模块中引入双注意力机制增强网络模型,显著表示图像中叶部病斑区域特征,降低非病斑区域与背景区域对识别结果的干扰,在原始残差模块上引入卷积层与非线性激活函数改进的残差模块,增加鲁棒性判别特征的跨层融合,在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明,所提出的方法具有参数量少、占用内存小以及性能好的优势,可进一步应用于田间苹果叶部病害智能识别系统。