基于遗传-模式搜索算法的微尺度管控区域大气污染物PM2.5溯源

针对微尺度管控区域可能发生的大气污染提出有效的靶向诊断方法-结合高斯烟羽模型和遗传-模式搜索算法的大气污染物分布式溯源方法.将污染源反算模型得到的污染物理论质量浓度与传感器网络观测值的数据对应关系作为目标函数,使用模式搜索算法嵌入遗传算法加快反算模型的搜索过程,反算得到污染源强度和位置.依托杭州市亚运板球场馆大气感知器网络进行实验验证,监测2021年10月PM2.5质量浓度、气象数据,对所提出的混合式大气污染溯源方法进行实验验证.实验结果表明:改进遗传-模式搜索算法对于多维变量的搜索效果较好,能快速精准地反算污染源的位置和强度,可以为微尺度管控区域突发性气体污染防治提供应急决策参考.

基于多感受野与多尺度融合的草莓病害分割算法

针对草莓病害在区域分割时存在背景复杂、目标较小导致难以被有效分割等问题,提出一种基于多感受野与多尺度融合的草莓病害分割算法。首先搭建了U-Net基础模型,使用结合注意力机制与残差网络的主干特征提取网络(CBAM-ResNet50)替代U-Net中的主干特征提取网络VGG16,一方面来加强目标区域的表征能力,抑制背景区域,以此实现复杂背景下的病害区域分割问题;另一方面通过残差减少梯度消失,提升模型的收敛速度;接着在特征融合层,设计基于3D无参注意力机制(SimAM)的多尺度自适应特征融合模块,通过邻近特征信息弥补当前层特征的信息丢失,以此提升小目标的检测能力;最后在网络底层设计基于膨胀卷积的多感受野模块,通过不同膨胀率的膨胀卷积来增加特征的全局感受野以实现整体分割区域的感知。结果表明,本研究提出的方法mPA达90.30%,相比于标准U-Net模型提高了7.13百分点,本研究提出的方法能更好地对复杂背景下及小目标病害进行精准分割。

光钟与氢钟联合的时间尺度算法研究

光钟的频率稳定度和不确定度达到了10-18量级,使其有望成为下一代的时间频率标准,并可能用来重新定义国际单位“秒”.时间尺度作为准确、连续标记时间流逝过程的基准,是高精度时间产生的基础.时间尺度的产生需要依赖连续稳定运行的原子钟,而光钟作为实验室原型设备,一般不能连续运行,因此光钟参与时间尺度计算是个难点问题.提出将Vondrak-Cepek组合滤波算法应用在光钟与氢钟联合计算的时间尺度,以解决间歇运行的光钟参与时间尺度计算的难点问题.首先利用氢钟的时差数据,采用ALGOS算法计算获得连续稳定的氢钟时间尺度.其次利用Vondrak-Cepek组合滤波算法将氢钟时间尺度与光钟的数据综合,获得光钟参与计算的联合时间尺度.最终试验结果证明, Vondrak-Cepek组合滤波算法有效提升光钟与氢钟联合时间尺度的性能,该时间尺度与协调世界时(Coordinated Universal Time, UTC)的时间偏差达到亚纳秒量级.

铁路周界入侵目标多尺度特征感知算法

准确识别侵入周界范围内的人和大型牲畜是铁路周界入侵视频智能分析技术的重点内容,对保障铁路安全运营具有重要意义。基于现有目标检测算法难以处理铁路监控场景中入侵目标呈现显著尺度变化的状况,提出一种多输入双输出神经网络(Multiple Input Double Output Network,MIDO-Net)和基于自适应特征加权融合的目标多尺度特征感知算法。首先,通过MIDO-Net多层级联的多输入和双输出网络结构,提取图像目标更丰富的多尺度特征信息;其次,依据骨干网络多阶段的特点,先将多级特征上采样至统一分辨率,再利用注意力模块和自适应参数对多级特征进行加权;然后,将特征输入到检测头中完成铁路周界入侵的识别;最后,通过视觉目标类别(Visual Object Classes,VOC)公共数据集和制作的多场景、多尺度铁路异物侵限数据集,对算法进行验证。结果表明:提出的多尺度特征感知算法在VOC公共数据集中的检测精确率达83.3%,在多场景、多尺度铁路异物侵限数据集中的检测精确率达91.1%,平均召回率达56.2%,均优于当前广泛使用的各种特征提取骨干网络;算法检测速率为45帧·s^(-1),优于同类型的骨干网络,且能满足铁路场景的行人实时监测需求。

基于社团结构的网络空间复杂网络多尺度构建算法

网络空间要素及要素间关系构成的复杂网络进行可视化对感知网络结构和发现网络空间规律具有重要意义。针对网络空间复杂网络可视化时出现的大量节点和连边相互压盖造成的视觉混乱问题和基于层次聚类思想的社团划分算法构建的多尺度网络只能得到有限的尺度问题,提出一种基于社团结构的网络空间复杂网络多尺度构建方法。该方法基于改进的LFM社团发现算法,结合节点综合重要性进行社团核心节点的选取和依据社团间连边数量设定阈值建立重要节点不同层次连边,通过调整参数实现网络空间复杂网络多尺度构建。实验结果表明,该方法在构建多尺度网络过程中能够保留网络空间中的重要节点,相较于基于层次聚类思想的Louvain社团发现算法能够发现更多尺度的网络结构,且具有较好的连续性。

多尺度数据条件下基于优化RF算法的工程机械可靠性仿真

工程机械是建筑工程的关键设备,其可靠性的高低直接影响到工程的生产效率,为了给项目工程提供可靠性较高的机械设备,提出多尺度数据条件下基于优化RF算法的工程机械可靠性分析方法。构建工程机械设备等效模型,确定工程机械设备的组成结构与材料,模拟工程机械设备工作流程,确定可靠性影响因素。采集工程机械设备多尺度数据,利用优化RF算法,通过决策树构建、特征提取等步骤,识别工程机械设备工作状态。计算工程机械可靠性指标的具体取值,实现工程机械的可靠性分析。通过仿真测试实验得出结论:与传统分析方法相比,优化设计方法的机械可靠性分析误差降低了0.033,通过可靠性分析方法的应用能够有效提升工程产品的生产合格率,由此证明优化设计方法在分析精度和应用性能方面具有明显优势。

基于YOLOv5算法的多尺度小目标船舶识别方法

为提高海面多尺度小目标船舶的识别性能,提出一种数据集划分方法,并在YOLOv5算法中改进数据增强方法,融合注意力机制,改进损失函数。实验结果表明,该方法能更好地识别海面上的多尺度小目标船舶,平均精度(mAP)、精确率(P)、召回率(R)分别为99.1%,98.5%,97.5%,识别性能比经典深度学习算法和近几年的方法都高。

基于多时间尺度协同的大规模原油调度进化算法

针对原油调度过程存在的资源规模庞大、约束条件复杂、多时间尺度决策衔接困难等问题,提出一种基于多时间尺度协同的进化算法(MTCEA)。首先,根据炼油企业的规模结构和实际需求,建立了一种大规模多时间尺度原油调度优化模型,该模型由面向资源的中长期调度模型和面向操作的短期调度模型构成,通过引入原油资源动态分组策略,实现原油资源的合理配置,以满足不同的调度规模、多时间尺度的特征和精细化生产的要求;其次,为促进不同时间尺度调度决策的融合衔接,设计基于多时间尺度协同的进化算法,并针对不同时间尺度调度模型中的连续决策变量构造子问题进行求解,以实现不同时间尺度调度决策之间的协同优化;最后,在3个实际工业案例进行了算法性能验证。结果表明,与3种具有代表性的大规模进化优化算法(即竞争性粒子群优化算法(CSO)、基于多轨迹搜索的自适应差分进化算法(SaDE-MMTS)和基于混合模型的进化策略(MMES))以及3种高性能混合整数非线性规划(MINLP)数学求解器(即ANTIGONE(Algorithms for coNTinuous/Integer Global Optimization of Nonlinear Equations)、SCIP(Solving Constraint Integer Programs)和SHOT(Supporting Hyperplane Optimization Toolkit))相比,MTCEA的求解最优性指标和稳定性指标分别提高了30%和25%以上。这些显著的性能提升验证了MTCEA在大规模多时间尺度原油调度决策中的实际应用价值和优势。

基于改进多尺度Retinex理论的海上图像去雾算法

针对传统去雾算法在海雾环境下处理得到的图像细节丢失、亮度偏暗及色彩失真等问题,提出了一种基于Retinex理论的海上图像去雾算法。首先,将图像转换到HSV空间,通过改进的多尺度Retinex增强算法对V通道单独处理获得照射分量。其次,将照射分量经过对数运算获得反射分量,与归一化处理后的H和S通道合并获得图像基础层。最后,通过引导滤波获得图像细节层,并与基础层合并进行自动白平衡处理,得到最终结果图像。试验证明,与暗通道先验算法及传统多尺度视网膜增强算法相比,提出的算法在标准差、平均梯度、峰值信噪比及结构相似性等评价指标方面均有所提升,海雾图像去雾质量得到有效增强,对提高海雾环境下船舶通航效率具有重要意义。

基于Retinex增强的多尺度分解的红外与可见光图像融合算法

针对传统红外与可见光图像融合算法在低照度条件下融合结果对比度差、目标边际模糊、背景细节信息丢失等问题,提出一种基于Retinex增强的多尺度分解的红外与可见光图像融合算法。首先,利用Retinex对弱可见光图像进行单尺度Retinex(SSR)算法信息增强处理;其次,利用交叉双边滤波对源图像进行多尺度分解,先后得到图像的基层图像信息和细节层图像信息,对基础层图像采用绝对值取大策略和引导滤波相结合的融合方法,对细节层图像采用构建权重图和显著图的融合方法;最后,将处理后的基础层图像和细节层图像加权得到融合图像。从主观分析来看,本文方法可以有效提取和融合源图像中的重要信息,得到融合质量高、视觉效果自然清晰的图像。从客观评价来看,多组图像融合结果表明,本文所提方法的AG、SF、CE和FMI指标均较好。

结合Otsu阈值优化和多尺度融合的海上图像去雾算法

针对在处理海上图像时暗通道先验去雾算法对天空区域不适用以及复原图像易出现色偏的问题,提出一种结合天空区域分割与多尺度透射率融合的海上图像暗通道去雾算法。采用灰度和双边滤波预处理图像,基于大津算法(Otsu)阈值优化对预处理后的图像进行天空区域初分割,再进行基于梯度域导向滤波的天空区域细分割,并去除细分割图像中的阴影;基于天空区域分割改进大气光值估计方法,通过多尺度透射率融合获得初始透射率图,以及采用梯度域导向滤波细化透射率图;通过大气散射模型完成对海上图像的去雾处理。结果表明,与原始暗通道去雾算法相比,利用所提算法去雾后的图像在信息熵、结构相似度、峰值信噪比指标上分别提升了3.5%、9.89%、27.42%。该算法能够有效避免原始算法产生的光晕和色偏现象,且具有更好的视觉效果,能还原真实的海上场景船舶图像。

基于多尺度特征提取-改进天鹰算法-长短时神经网络的有载分接开关故障诊断方法

为实现有载分接开关(on-load tap changer)在复合故障下的精准故障诊断,提出一种基于多尺度特征提取与改进天鹰算法(improved aquila optimizer,IAO)和长短时记忆神经网络(long short-term memory networks,LSTM)的变压器OLTC故障诊断方法。首先提取OLTC振动信号时域尺度、频域尺度和能量熵尺度特征组成特征向量;通过混合初始化策略和精英解保留策略对天鹰优化算法(aquila optimizer,AO)进行改进,以提高收敛性;利用改进天鹰算法对LSTM的隐含层节点数和学习率进行优化,得到最优LSTM模型;以单一故障和复合故障融合特征向量为输入,以故障状态作为输出,在最优网络模型中训练,完成后进行故障诊断。结果表明,文中所述方法平均准确率达97.2%,适用于OLTC的故障诊断。

小样本机器学习下数据多尺度挖掘算法设计

数据多尺度挖掘是指在数据挖掘过程中考虑不同尺度的数据信息,由于数据中存在大量特征,为了提高信息处理效率,且更精准地划分数据类型,提出一种小样本机器学习算法下数据多尺度挖掘方法。将使用者的部分动作抽象,建立网站页面会话用于学习不同的事件内容,获得小样本数据信息。通过复值函数构建Hibert空间,计算出样本元素再生核,提取小样本数据特征;利用特征向量构造特征矩阵调节数据间平衡性,得到数据相对熵。建立多尺度信息数据库,使用机器学习下逻辑回归离散化数据特征值,挖掘复杂项集指标的支持度,实现精准的数据多尺度挖掘。通过实验证明,所提方法数据分类效果好,挖掘准确率高,耗费时间少。

面向离散粒子多尺度分析CPU/GPU架构的并行近邻搜索算法

离散粒子法在解决前沿科学和工程领域中的复杂多尺度问题中具有广泛的应用。针对离散粒子大规模多尺度计算中相邻粒子对搜索过程计算复杂度显著增加和并发度下降的问题,提出了一种适用于众核架构(CPU/GPU)的高并发、低内存占用并行近邻搜索算法。通过提出一种基于多层嵌套网格概念的层间相互作用方法,解决了不同层级间粒子对相互搜索时的数据竞争问题;通过引入非对称映射方法,避免了粒子在多级链表上的全映射,降低了内存消耗。一系列数值实验表明,该算法可有效处理108量级粒子体积跨度变化的多尺度问题,相较于传统算法可取得2~8倍的加速效果和更低的内存消耗特性,基于GPU的算法实现可达到当前领先的计算效率。

基于多尺度线性全局注意力的运动员检测算法

运动员在比赛过程中的快速移动且频繁遮挡,使得对视频中运动员检测容易出现漏检、多检、检测精度下降等问题。现有的主流方法对于移动和遮挡情况下的运动员检测表现不佳。当运动员受到遮挡后,检测目标框的尺度变化增大。引入cutout作为数据增强的方法来模拟遮挡情况,提出基于多尺度线性全局注意力Efficient ViT模块的运动员检测算法。使用线性全局注意力模块减少计算量,并辅以卷积模块来增强其局部的特征提取能力,通过轻量级小卷积聚合不同注意力头部的token获得多尺度信息,增强其全局特征提取能力。针对损失函数部分,选择EIo U作为边界框损失,加入检测框与目标框的宽高距离,使得检测框和真实目标框在尺度上更为贴近。在Sports MOT数据集中4个公开的篮球比赛视频数据集上的实验结果表明,该算法取得了98.0%准确率和98.2%的平均精度均值,相较于YOLOv5算法,其精度提升了4%,高置信度的平均精度均值提升了8.7%。

基于多尺度特征融合的YOLOv3行人检测算法

随着深度学习技术在计算机领域的普及与推广,行人检测技术得到进一步的提升,但在一些场合仍然存在较大的问题,例如行人大小尺度不一、密集行人的检测,在以上两种情况下,行人检测性能剧烈下降,存在较多的漏检、错检的情况。针对行人大小尺度问题,论文提出在YOLOv3算法的特征提取网络中引入多尺度特征融合模块,改变原来多个卷积层堆叠的残差单元,增加特征提取网络深度,提升网络对不同尺度的行人特征提取能力,从而提升行人检测算法的检测精度和鲁棒性。实验表明,在Caltech、On_merge数据集进行训练,改进算法的平均精准率比基准算法分别高出其5.49%,2.26%。

基于多尺度Retinex的低照度公路交通图像增强算法

针对公路场景下的视频监控系统与其他图像采集设备常常受到环境因素的影响,使得采集到的图像呈现出低照度、低对比度、不清晰等缺点,不利于后期对交通运行状态的识别等。因此,本文提出一种基于二维gamma函数改进的多尺度Retinex的低照度公路交通图像增强算法。首先,采用引导滤波将原始低照度公路交通图像分为基础图像与细节图像后加权融合,获得对比度增强图像;然后在HSV颜色空间下,采用本文改进的算法校正亮度分量,获得亮度增强图像;最后多尺度融合对比度增强图像与亮度增强图像,得到最终增强图像。实验结果表明,本文算法能够有效提升公路交通图像的亮度、对比度与清晰度,适用于公路场景的视频监控系统与图像采集设备。

基于星地数据与GA-DNN算法河北省径流格点数据降尺度研究

为了克服现存径流量格点数据低分辨率问题,搜集基于多种遥感数据的环境变量集,运用遗传算法(GA),筛选出最优变量做为输入因子,运用随机森林(RF)算法,建立河北省2018年的径流量降尺度模型。结果显示,GA算法能排除冗余变量,筛选易于模型增益的协变量,进而优化模型性能。同时,地面水文站资料验证显示,降尺度后径流量格点数据的NSE为0.76,MAE和RMSE分别为28.39、37.97mm。相较于原始径流量格点产品,降尺度后的NSE增加8.57%,MAE和RMSE减小21.44%、23.92%。研究表明,GA-RF降尺度模型可为重构精细化地表径流量栅格数据集提供潜在途径。

基于RRF算法临沂市GPM卫星降水量降尺度研究

本文针对现存开源降水量产品存在的低空间分辨率问题,基于多源环境数据提取地形、经纬度等5个环境变量集,运用正则化随机森林(RRF)算法建立2019年临沂市GPM产品的降尺度模型,并利用12个地面观测站资料进行验证。结果表明,RRF模型的验证精度R 2达0.73,MAE为42.09,RMSE为51.60 mm;比区域原始GPM产品精度R^(2)提升了65.91%,MAE和RMSE依次降低了32.15%、28.64%。降尺度后的降水栅格面精细刻画了降水量地带性渐变规律,因此更符合区域实际,且降尺度过程中的误差呈随机性。

融合多尺度数据的机器学习算法在预测模型中的应用

随着数据收集和处理技术的飞速发展,多尺度数据在各领域的应用越来越广泛。文章探讨了融合多尺度数据的机器学习算法在预测模型中的应用,并分析了其在提高预测精度和模型鲁棒性方面的优势。通过对不同尺度数据的融合,可以捕获数据的全局和局部特征,为预测模型提供更全面的信息。