基于耦合神经网络反应扩散模型的图像增强方法研究

随着人工智能技术的迅速发展,图像处理已经广泛应用于交通、医疗、农林、航空航天等领域,并且对图像质量要求也越来越高。针对图像增强问题,提出了一种利用神经网络模型,将FitzHugh-Nagumo反应扩散模型转变为微分动力系统的方法,来改进耦合神经网络,引入自适应的阈值,得到耦合神经元的非线性动力学模型,利用此模型可使图像对比度得到提升,起到增强图像的效果。该模型的适用面更广,图像对比度拉伸效果更好,视觉增强效果更为明显。

面向网络安全关系抽取的大语言模型数据增强方法

关系抽取技术可用于威胁情报挖掘与分析,为网络安全防御提供关键信息支持,但网络安全领域的关系抽取任务面临数据集匮乏的问题。近年来,大语言模型展现了优秀的文本生成能力,为数据增强任务提供了强大的技术支撑。为了弥补传统数据增强方式在准确性和多样性方面的不足,文章提出一种面向网络安全关系抽取的大语言模型数据增强方法MGDA,该方法从单词、短语、语法和语义4个粒度使用大语言模型增强原始数据,从而在确保准确性的同时提升多样性。实验结果表明,文章所提数据增强方法有效改善了网络安全关系抽取任务上的有效性以及生成数据的多样性。

三维网络结构增强金属基复合材料的抗压强度模型

利用混合定则和参照Zum-Gahr模型、Khruschov模型,建立了一种连续网络结构增强金属基复合材料的抗压强度模型,并进一步对模型进行了修正。通过压力和负压浸渗技术制备了不同增强相体积分数的复合材料,测试了其抗压强度值,将试验数据与模型进行了拟合,数据基本在模型限定范围内。形成的相互贯穿、相互缠绕的网络结构增强复合材料的抗压强度与增强相的体积分数在上限时呈线性关系,且随体积分数的增加而增加;在下限时呈非线性关系,当增强相体积分数超过80%以上时,抗压强度明显增加。与基体相比,复合材料的抗压强度有明显提高。

用于图象增强的侧抑制网络模型的仿真比较

侧抑制原理及侧抑制网络在工程上有着广泛的应用。在用于图像增强方面,需要从侧抑制网络模型、抑制系数分布、抑制野范围三方面考虑,选择合适的模型和参数,从而达到最佳的突出边框、加强反差的效果。根据侧抑制数学模型的分类规则,本文基于前人根据生理实验建立的数学模型综合出一种新的模型并选择双峰高斯曲线作为抑制系数分布函数。通过对这些模型及参数的计算机仿真实验,比较了它们在网络运行速度及边框突出程度方面的差异。

融合大模型与图神经网络的电力设备缺陷诊断

电力系统中不同装置设备的缺陷评级和分析处理常受运维人员主观性影响,导致同一缺陷文本描述出现不同的严重程度评级。专业知识的差异也导致诊断分析差异和诊断效率不同。为提升缺陷诊断的准确性和效率,提出一种基于图神经网络的缺陷文本评级分类方法和大模型智能诊断分析助手。构建专业词典,使用自然语言处理算法规范化文本描述。通过统计方法,优化缺陷文本的语义表示。集成图注意力神经网络和RoBERTa模型对缺陷文本进行精确评级分类。基于大语言模型Qwen1.5-14B-Chat进行低秩适配(LoRA)微调训练得到电力设备诊断大模型Qwen-ElecDiag,结合检索增强生成技术开发设备缺陷诊断助手。此外,整理提供微调电力设备诊断大模型的指令数据集。对比实验结果表明,提出的基于图神经网络的缺陷评级分类方法在准确性上较最优基准模型BERT提升近8个百分点;诊断助手的电力知识以及缺陷诊断能力得到提升。通过提高缺陷评级的准确率并提供全面专业化诊断建议,不仅提高电力设备运维的智能化水平,也为其他垂直领域的智能运维提供新的解决方案。

三维网络结构增强复合材料磨损模型的研究

考虑网络结构增强体特殊的拓扑结构因素和弹性模量影响，利用复合材料磨损率最小化和最大化假设，建立了网络结构增强复合材料的磨损模型，同时制备了不同体积分数的Si3N4陶瓷增强Al-Mg合金复合材料，并将其磨损试验结果数据拟合到模型中．结果表明，所建立的模型可以反映复合材料增强相的体积分数、复合材料的弹性模量和磨损率之间的数学关系，证明复合材料的摩擦磨损率随增强相体积分数的增加而逐渐降低，当体积分数超过45％～50％时，磨损率随增强相体积分数的增加而逐渐增大．该模型不同于Khmschov模型和Zum—Gahr模型，其关系不遵循线性规则．与增强体复合材料的磨损试验数据拟合表明，该模型能够较好地反映网络结构增强复合材料的磨损性能，具有一定普遍性．

基于明亮通道先验和Retinex模型的弱光照图像增强网络

结合明亮通道先验和Retinex模型,提出一种弱光照图像增强网络。该网络由入射光分量多尺度估计模块、多尺度入射光分量融合模块和增强效果生成模块组成。入射光分量多尺度估计模块在不同邻域半径下基于明亮通道先验对弱光照图像进行多尺度入射光分量估计;多尺度入射光分量融合模块将输入的多层入射光分量融合为入射光分量图;增强效果生成模块依据入射光分量图对弱光照图像进行像素强度调节并直接生成增强效果图。主观及客观对比实验结果证明了本算法具有良好的鲁棒性,及在视觉效果增强、有效信息增益方面的优势。

基于卷积网络模型的低照度激光图像特征增强方法

针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理,造成激光图像特征增强后损失值较大的问题,提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器,完成低照度激光图像预处理。使用分段性变换方法设计激光图像映射关系函数,得到低照度激光图像增强目标函数。构建卷积神经网络模型以及模型对应损失函数,完成低照度激光图像特征增强。至此,基于卷积网络模型的低照度激光图像特征增强方法设计完成。实验结果表明:此方法增强真实与合成图像特征后的损失值较低,分别为0.245和0.361,其峰值信噪比较高,分别为45.52和48.54,极大地提高了图像的应用价值,且文中方法对图像增强处理的时长最短,在13 s到16 s之间,其应用性能较高。

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件(天然地震80个、非天然地震50个),对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。

基于AlexNet模型和自适应对比度增强的乳腺结节超声图像分类

乳腺癌是女性是最常见的恶性肿瘤之一,其发病率有逐年增高的趋势,严重威胁着患者健康。如何取代传统活体穿刺,快速准确地对乳腺结节进行良恶性判断,近年越来越受到关注。医学研究表明,良恶性结节在边缘处呈现较为显著的差异,因此对边界加强处理的算法为判断乳腺结节良恶性的深度学习提供了新思路。文中实验数据库的构建基础得到首都医科大学附属北京友谊医院的支持。在比较5种边界增强算法后对图像进行扩增,并采用在图像分类方面十分出色的AlexNet网络模型。将分别经过线性、非线性对比度拉伸、直方图均衡化、直方图阈值化以及自适应对比度增强算法处理后的数据用于AlexNet模型,比较5种算法对AlexNet模型准确度的影响,得出更适用于乳腺结节超声图像的预处理算法。扩增后的数据集图像总数量超过一万张,其中训练集占80%,验证集与测试集各占10%。最终,通过绘制ROC曲线计算敏感度、特异度、精确度参数,对测试结果进行评估,并得到了较好的测试结果。

基于增强优化预训练语言模型的电力数据实体识别方法

知识图谱可有效整合电力系统中的多源数据,提升电网的知识管理水平。针对电力文本数据集稀缺、实体类型多样、专业性强的特点,提出1种基于增强优化预训练语言模型的电力数据实体识别方法。该方法使用实体词袋替换的数据增强技术扩大原始数据集,采用增强优化预训练语言模型(RoBERTa)进行动态语义编码,利用双向长短期记忆网络(BiLSTM)和条件随机场(CRF)提取特征并优化标签。实验结果表明,该实体识别方法比传统基于深度学习的实体识别方法的平均数指标F1分数高2.17%,证实其对构建电力数据知识图谱的识别效果。

面向图神经网络模型提取攻击的图数据生成方法

无数据模型提取攻击是基于攻击者在进行攻击时所需的训练数据信息未知的情况下提出的一类机器学习安全问题。针对无数据模型提取攻击在图神经网络(GNN)领域的研究缺乏,提出分别用GNN可解释性方法GNNExplainer和图数据增强方法GAUG-M优化图节点特征信息和边信息生成所需图数据,最终提取GNN模型的方法。首先,利用GNNExplainer方法对目标模型的响应结果进行可解释性分析得到重要的图节点特征信息;其次,通过对重要的图节点特征加权,对非重要图节点特征降权,实现图节点特征信息的整体优化;然后,使用图形自动编码器作为边信息预测模块,根据优化后的图节点特征得到节点与节点之间的连接概率;最后,根据概率增加或者删减相应边优化边信息。实验采用5个图数据集训练的3种GNN模型架构作为目标模型提取攻击,得到的替代模型达到了73%~87%的节点分类任务准确性和76%~89%的与目标模型性能的一致性,验证了所提方法的有效性。

基于BERT语义增强的因果关系抽取模型

在金融领域,由于专业术语的复杂性,以及句子之间的依赖性,导致因果关系抽取的准确率较低。针对这一问题,提出一种基于BERT语义增强的因果抽取模型,建立基本模型和增强模型,以获取丰富的文本特征实现语义深度提取。使用BERT预训练模型得到上下文特征,通过对抗神经网络的对抗学习进一步学习高区分度特征,以此提高因果关系抽取的准确性。实验结果表明,该模型能够提高因果关系抽取的准确性。

基于对比学习的延长增强推荐模型

针对现有模型因数据稀疏而导致推荐效果不佳的问题,提出了一种基于对比学习的延长增强推荐模型。首先,通过对交互序列反向延长以获得具有丰富上下文信息的增广序列;其次,为避免现有对比学习正样本生成方式可能会破坏序列语义的问题,将增广序列与原序列进行对比学习以提取两者之间的相似语义;最后,联合训练生成对抗学习任务和对比学习任务以充分挖掘增广序列中丰富的语义特征,从而进行更好推荐。在3个真实数据集上的实验结果表明,所提算法相较于生成对抗网络基线ELECRec和对比学习基线EMKD,评价指标命中率、归一化折损累计增益分别提升了44.3%、43.0%和31.8%、38.7%,验证了所提算法对缓解数据稀疏问题的有效性。

基于迭代传播网络的快速鲁棒的微光图像增强

微光图像存在低对比度与低信噪比等问题,低质量的采集图像严重影响了后续的观察与测量。为了提升复杂应用场景下的微光图像质量,本工作设计了迭代传播网络以快速、鲁棒地完成微光图像增强任务。首先,本工作设计了多段式预测模型,以渐进的方式建模照度预测任务,增强模型的非线性拟合能力以适应未知的现实情况。考虑多段式级联网络带来的推理负担,本工作还基于Retinex前向传播模型构建迭代循环,使多阶段模型的每个阶段都收敛于类似甚至同一状态以优化推理过程,并在增强模型性能的同时大幅提高了推理速度。本工作基于公开数据集进行了对比实验,其中峰值信噪比及结构相似度的均值分别高出以往最优秀对比算法11.8%与3.5%。在此基础上,本工作还将迭代传播网络用于增强实际采集的低曝光摄影图像与低激发荧光显微图像,实验结果证明其具有优异的图像增强性能与泛化性。

文本特征和图结点混合增强的图卷积网络文本分类

在BertGCN模型的基础上改进其结构,同时结合文本特征和图结点混合增强的方法,使用新的边权重计算算法BM25+构造图的边.使用R8、R52、Ohsumed和MR这4个常用的公开数据集来验证所提方法的有效性.结果表明:与BertGCN模型及其它基线模型相比,该方法在4个文本分类数据集上的准确率评价指标均有不同程度的提升.

基于生成对抗网络数据增强的抗噪语音识别系统

语音识别的研究始终存在数据集具有局限性的问题.通过数据增强可以提升训练数据的规模以及多样性,从而提升识别的准确率.提出了一种基于生成对抗网络(generative adversarial network,GAN)的语音数据生成方法,以改善噪声条件下的语音识别.首先,使用基础的GAN结构,逐帧生成基于光谱特征水平的语音样本;之后,针对缺乏真实标签用于训练的问题,又提出了一种利用非转录数据进行声学建模的无监督学习框架,并利用条件GAN结构探讨2种条件:每个语音帧的声学状态和与数据集中语音对应的原始干净语音.整合了条件信息的条件GAN可以直接提供真实标签用于声学建模.该方法在2个噪声任务(Aurora-4和AMI会议转录任务)上进行了评估.研究结果表明,在各种噪声条件(加性噪声、信道失真和混响)下,该方法都能显著提升性能.GAN生成的增强数据在先进的非常深度卷积神经网络(very deep convolutional network,VDCNN)声学模型上,可以降低6%14%的字错误率(worderrorrate,WER).

考虑混沌特征的增强型大脑情绪神经网络光伏发电功率超短期预测模型

为进一步提高光伏发电功率超短期预测的准确度,根据光伏功率时间序列固有的非线性混沌特征,提出一种基于改进粒子群优化(improved particle swarm optimization,IPSO)算法和增强型大脑情绪神经网络(enhanced brain emotional neural network, EENN)的光伏发电功率超短期预测模型。首先,利用非线性变换将光伏功率序列的隐含信息特征投射至高维相空间,获得反映吸引子轨迹的新数据空间;随后,为提高模型的超短期预测能力,通过考虑系统在空间中连续吸引子轨迹的非线性几何特征,利用EENN模型建立高维空间中的数据映射关系,并采用IPSO算法实现对EENN模型中所有权值和阈值的迭代优化,以提高EENN模型的数据挖掘和预测能力;最后,基于实测光伏发电功率数据进行单步预测以实现对所提模型的有效验证。算例分析表明,所提预测模型具有比传统模型更好的预测效果,有效提高了光伏功率超短期预测的准确度。

网络威胁技战术情报识别提取生成式技术研究

MITREATT&CK定义了网络攻击全过程14类战术625类技术,逐步成为网络威胁技战术情报(TTP)的事实标准,现有研究基于此分类将TTP识别提取问题转化为句子级别的战、技术类别多分类任务,利用深度学习、基于提示工程的大语言模型进行问题研究。但限于数据集小样本类别占比大、多分类模型性能瓶颈问题,类别识别覆盖率与精度较低。提出结合ChatGPT数据增强和指令监督微调大语言模型的方法,较好地解决了句子级别技术类别多分类问题。ChatGPT数据增强方法在保留原始样本语义基础上更好地丰富了样本多样性,为小样本学习高性能识别提供了高质量训练数据支撑,实验结果也证明了本数据增强方法的优越性;指令监督微调大语言模型,突破了深度学习多分类模型的性能瓶颈,实现625类技术类别识别全覆盖,Precision、Recall和F1值分别达到了86.2%、89.9%和88.0%,优于已有研究。

基于脉冲耦合神经网络分解模型的夜间图像增强研究

脉冲耦合神经网络分解模型对于夜间光线复杂情况下的图像增强,容易出现严重的振铃现象。针对这一问题,文章对夜间图像增强进行了研究,通过指数变换对夜间图像进行预处理,结合脉冲耦合神经网络分解模型进行图像增强。实验结果表明,该方法可以实现对夜间图像的增强,增强后的图像细节清晰,整体光线较为柔和,图像对比度适中,降低了振铃现象造成的影响。