融合小波变换和编解码注意力的异常检测

针对视频异常检测中对正常视频预测不准确、学习正常特征的能力欠佳的问题,提出融合小波变换和编解码注意力的异常检测模型。模型中引入多级离散小波变换,设计了一种离散小波变换融合模块,将由视频帧分解得到的多个子带图拼接,传入深度可分离卷积,再与编码器特征融合,以弥补下采样过程中丢失的高频细节信息;构建了一种编解码注意力模块,通过对编码器特征图进行高斯差分操作,然后分别沿水平和垂直方向获取注意力权重,再根据权重聚合编码器特征,最后关联解码器特征,增强网络对正常事件的学习。在Ped1、Ped2、Avenue数据集上的实验表明,所提模型的AUC分别提升了3.2%、3.1%、2.0%,能有效提高检测异常的能力。

多级二维整数小波变换的FPGA实现研究

为了满足整数小波变换实时应用的需要,研究了整数小波变换的FPGA实现问题。相对于DSP等传统实现方式,用FPGA实现整数小波变换具有处理速度快,可重新配置硬件,易于修改移植等优点。论文首先描述了二维(5,3)整数小波变换的算法,接着阐述了一种多级二维(5,3)整数小波变换的FPGA实现结构,最后给出了硬件资源消耗、最大时钟频率和功能测试结果等FPGA实现结果。为了提高系统的处理速度,降低系统的资源消耗,本设计采用了参数可配置、共享一维小波变换单元等方法进行结构优化。实验结果证明了本设计结构的有效性,逻辑功能的正确性,修改移植方便,具有良好的应用价值。

基于多级Haar小波变换与KS统计的突变点快速探测方法

结合多级Haar小波变换与KS统计理论,提出一种对时序数据突变点的快速探测方法(HWKS),对标准参考序列以及待检测序列分别构建均值二叉搜索树和差值二叉搜索树。基于改进的KS检验方法给出二叉树搜索的2种策略,进而构建实现时序数据突变点快速检测的HWKS理论框架。运用HWKS对模拟的时序数据进行检测,与HW方法、T方法和KS方法的比较结果表明,该方法在对时序数据的突变点进行检测时的误差较小、用时最短、准确度较高。

基于多级离散小波变换和LSTM模型的充电负荷短期预测方法

电动汽车作为一种清洁环保的出行方式受到了越来越多地欢迎,但电动汽车充电负荷日益增长将会对现有电网造成一定的冲击与影响。与常规负荷不同,电动汽车的充电负荷存在较大的随机性,准确地预测电动汽车充电负荷的变化,有助于电网稳定运行。首先,本文针对各站电动汽车充电负荷曲线采用K-means算法进行聚类,减小充电负荷的波动性,同时,充电负荷时间序列是典型的非线性、非平稳时间序列,因此本文引入多级小波变化将充电负荷时间序列分解为多个复杂度较低的分量,帮助预测模型,挖掘其变化特征;然后,本文提出以历史充电负荷功率各级分量、天气数据、日期类型为输入的长短期记忆神经网络预测模型,并使用遗传算法来选择长短期记忆神经网络的最优超参数;最后,本文用实际数据验证了本文所提方法能够有效预测电动汽车的短期负荷。

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络(GAN)和改进卷积神经网络(CNN)的水下图像增强算法.利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充.利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应.利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题.实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.

融合双通路注意力与VT-LSTM的金融时序预测

针对现有研究对金融时序数据短期变化规律捕捉能力不足和预测精度不佳的问题,提出一种基于双通路注意力机制和改进转换门控LSTM(variant transformation-gated LSTM,VT-LSTM)的金融时序预测模型(dual-attention MDWT-CVT-LSTM)。使用多级离散小波变换(MDWT)分解股指序列得到高频和低频数据,并在融合门控单元的LSTM中加入转换门控机制,构造VT-LSTM,其能有效把控短期突变信息。在双通路注意力网络中结合VT-LSTM与一维时序卷积(Conv1D),分别提取不同频度数据的空间局部特征和时序特征,对各子序列进行预测,实现多层级多通路的预测研究。在金融股指数据集和个股数据集上对不同模型进行实验比较,结果表明提出模型预测精度优于其他方法,有良好的可行性。