基于LSTM深度学习网络的分布动载荷识别

提出一种基于LSTM深度学习网络的分布动载荷识别新方法。首先,建立结构有限元模型并对载荷作用区域进行平面化和子区域网格划分,构建子区域上以形函数形式分布的动载荷和有限元模型节点动响应之间的传递关系,建立节点处应变动响应与对应子区域上分布动载荷的样本库;其次,利用Meyer小波对样本库中的时域样本进行特征提取,并基于LSTM深度学习网络训练子区域上分布动载荷与有限元模型节点应变动响应的传递关系;最后,开展了数值仿真研究,利用有限元模型仿真应变动响应识别了三维壁板结构表面的分布动载荷,验证了所提出方法的有效性。研究旨在为服役状态下壁板结构上动载荷环境预示提供技术支撑。

基于特征线性调制深度学习网络的馈线负荷构成特征识别

随着电网规模越来越大,结构越来越复杂,供电可靠性的要求越来越高,通过现场试验的方式获取电力负荷的动态特性变得十分困难。提出了基于统计综合法的思想,运用电力系统仿真软件,通过仿真计算的方式得出对应电力负荷的动态特性。为了获得馈线负荷构成比例识别所需的负荷数据库,建立了包含变频空调负荷、分布式光伏负荷、感应电机负荷以及静态负荷的电网模型,通过设置电压跌落,得到不同负荷情况馈线功率数据,建立馈线负荷数据库,运用基于特征线性调制的改进深度学习网络的方法挖掘负荷节点或馈线功率变化的特征,并对负荷构成进行识别。结果经过训练后,与传统BP神经网络进行对比,识别准确率达到99%以上,部分负荷可以达到99.6%以上,有着较高的识别准确度。

基于深度学习网络的近红外人脸表情识别

近红外人脸表情识别主要依赖图像局部特征,提取特征受到干扰时,人脸表情识别准确率低。因此,设计深度学习网络的新型近红外人脸表情识别方法。依托于图像局部优化保留法重建图像结构信息,得到降维后的近红外人脸图像。应用点分布模型检测出人脸上所有关键点,抽取出人脸表情识别的感兴趣区域,运用深度学习网络架构搭建人脸表情分类识别模型,通过调整识别模型的参数得到人脸表情的识别结果。实验结果表明:所提方法识别结果的Acc平均值达到了0.95,很大程度提升了近红外人脸表情识别准确性。

基于两步噪声学习网络的波束域毫米波大规模MIMO信道估计

针对波束域毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统,构建了一种新型两步噪声学习网络(Two-step Noise Learning Network,TNLNet)。基本原理是在接收信号反复经过卷积层和池化层提取噪声特征的基础上,利用波束域毫米波大规模MIMO信道矩阵稀疏性所引起的相邻元素相近的特点,采用下采样将信道矩阵重构成4个子矩阵,提高训练测试效率。该算法具有以比全卷积去噪近似消息传递(Fully Convolutional Denoising Approximate Message Passing,FCDAMP)算法和学习去噪的近似消息传递(Learned Denoising-based Approximate Message Passing,LDAMP)算法更低的复杂度,取得了比最小二乘算法、最小均方误差算法、FCDAMP和LDAMP更优的归一化均方误差(Normalized Mean Squared Error,NMSE)性能;与快速灵活去噪卷积神经网络(Fast and Flexible Denoising convolutional neural Network,FFDNet)相比虽然复杂度略高,但具有更优的NMSE性能,且在单一训练模型中获得了比FFDNet更宽的信噪比适用范围,增强了实用性。

基于改进深度学习网络的音乐风格分类模型优化方法

采用目前方法对音乐风格进行分类时,没有对提取的特征和进行融合处理,导致分类有效性差、时间复杂度高。对此基于改进深度学习网络提出一种音乐风格分类模型优化方法。在音高、节奏和音色三个方面对音乐进行特征提取,并在D-S证据理论的基础上对提取的特征进行融合处理,将融合后的音乐特征输入改进深度学习网络,构建音乐风格分类模型,实现音乐风格的分类。实验结果表明,所提方法的分类F1值高、时间复杂度低、ROC曲线趋近于1。

基于深度学习网络的光通信系统非法入侵行为识别研究

为了检测多种光通信系统非法入侵行为,保障光通信系统运行安全,提出了基于深度学习网络的光通信系统非法入侵行为识别方法。采用光栅传感技术检测光栅传感器反射波长偏移量,感知光通信系统非法入侵行为频率特征信号。利用小波包分解方法将频率特征信号分解成多个频带后,提取各频带小波包能量,将其作为卷积神经网络输入。经小波包能量特征提取、处理、融合操作后,通过Softmax分类器完成光通信系统非法入侵行为数据特征的分类,实现光通信系统非法入侵行为识别。实验证明:该方法可迅速挖掘出光通信系统中非法入侵行为的时域、频域特征信号。所提取小波包能量可准确反映光通信系统中非法入侵行为特点。该方法可实现多种光通信系统非法入侵行为精准识别,助力管理人员针对入侵行为做出对应防御措施。

基于深度学习网络的机器人定位误差估计与补偿研究

为了合理补偿机器人定位误差,提升作业能力,该文提出基于深度学习网络的机器人定位误差估计与补偿方法。确定机器人定位采样点,获取机器人末端定位理论位姿,以机器人末端理论位姿作为深度神经网络输入量,机器人末端定位误差作为输出量,利用遗传粒子群算法优化权值与阈值,得到机器人定位误差估计值,并对理论位姿坐标反向迭加该误差估计值,完成定位误差补偿。实验证明,该方法能够有效补偿机器人的位移偏差和关节角度偏差,精准抓取目标物体,并在不同数量采样点条件下,可使不同类型的机器人保持较高的定位精度。

数字孪生赋能的图书馆智慧学习网络空间构建研究

数字孪生技术赋予了图书馆智慧化服务新的思路与途径,使图书馆智慧学习网络空间构建趋于全面、多元与智能。文章阐述了数字孪生赋能下图书馆智慧化服务的特点,分析了数字孪生技术赋能图书馆智慧学习网络空间的应用场景,并从物理空间、虚拟空间和数字孪生技术三个层面构建了数字孪生赋能的图书馆智慧学习网络空间,最后提出几点优化路径。

基于双深度Q学习网络的面向设备负荷稳定的智能车间调度方法

在车间管理中,设备负荷是一个关键性能指标,负荷稳定直接影响了生产效率与生产成本,但目前鲜有研究关注如何实现设备负荷稳定的问题。为此,提出一种面向设备负荷稳定的智能车间调度方法。该方法通过一个含有深度神经网络调度模型的调度智能体,分析车间生产状态与设备负荷间的相关性,及时输出满足期望目标的调度方案。针对深度神经网络调度模型,设计了一个基于双深度Q学习网络(DDQN)的深度神经网络调度模型训练器,其利用奖惩学习免监督地形成调度样本,借此对深度神经网络调度模型进行网络参数更新,实现模型自学习。所提方法在MiniFab半导体生产车间模型中进行了验证,证明了所提调度方法能实现对智能车间设备负荷的控制,从而保证车间整体设备负荷的稳定性。

专业学习网络:拓展教师学习边界的新模式

教师如何实现持续有效的学习是当前教师专业发展的重要议题。专业学习网络(PLNs)作为一种非正式的教师网络学习模式,可以通过在线交流和跨界协作,拓展教师学习边界,打破学校组织限制,成为继学校教师学习共同体之后的又一教师学习革新模式。PLNs并不是突现的一个全新概念,而是作为一种拓展型专业学习共同体的特殊形式,随着互联网和信息技术的更新演变而成。在PLNs中,教师通过跨越边界进行拓展性学习,故教师跨界者、连接的边界对象和边界活动是专业学习网络的三大构成要素。要保证PLNs有效支持教师专业学习,需具备共享目标、成员协作、反思性专业探究、网络领导力和跨界学习5项关键条件。理论层面,PLNs作为支持学习和专业发展的交互系统,集聚作为专业人士的教师、资源和数字工具,是促进系统变革的催化剂,具有整合专业资本要素的潜能;实践层面,PLNs有助于在一定程度上解决目前校内和校外教师专业学习“失联”的问题,可帮助教师跨越学校组织界限,改进学校效能,最终提升学生学习成果。

基于攻击图和深度Q学习网络的自动化安全分析与渗透测试模型

随着网络技术的快速发展和广泛应用,网络安全问题日益突出,渗透测试成为评估和提升网络安全性的重要手段。然而,传统的人工渗透测试方法效率较低,且易受到人为错误和测试人员技能水平的影响,造成测试结果不确定性大、评估效果不理想等问题。针对以上人工渗透测试中存在的问题,提出了基于攻击图和深度Q学习网络(DQN,deepQ-learningnetwork)的自动化安全分析与渗透测试(ASAPT,autonomous security analysis and penetration testing)模型。该模型由训练数据构建和模型训练两部分构成。在训练数据构建阶段,采用攻击图对目标网络进行威胁建模,将网络中存在的漏洞和攻击者可能的攻击路径转化为节点、边,随后结合CVSS(commonvulnerabilityscoringsystem)漏洞信息库构建对应的“状态-动作”转移矩阵,用以描述攻击者在不同状态下的攻击行为和转移概率,并全面反映攻击者的攻击能力和网络的安全状况。为进一步降低计算复杂度,创新性地使用深度优先搜索算法对转移矩阵进行简化,查找并保留所有能达到最终目标的攻击路径,以便于后续模型训练。在模型训练阶段,使用基于DQN的深度强化学习算法对渗透测试中的最优攻击路径进行确定,该算法通过不断与环境交互、更新Q值函数,从而逐步优化攻击路径选择。仿真结果表明,ASAPT模型在最优路径寻找方面准确率可达84%,收敛速度快,并且在面对大规模网络环境时,相较于传统Q学习具有更好的适应性,能够为实际的渗透测试提供指导。

基于深度学习网络的三维激光雷达弱小目标分割研究

为了提升三维激光雷达弱小目标分割的抗干扰性与实时性,有效提取三维激光雷达图像有用信息,设计了基于深度学习网络的三维激光雷达弱小目标分割方法。采集目标三维激光雷达图像,应用小波方法去除三维激光雷达图像噪声;从去噪后的图像中提取三维激光雷达图像多尺度特征,并将特征输入到深度学习网络中训练,建立三维激光雷达弱小目标分割模型,实现弱小目标分割。测试结果表明:该方法能够高精度分割三维激光雷达目标,且分割速度较快,具有较高的实际应用价值。

基于卷积字典学习网络的地震数据重建

地震数据重建是地震资料处理的重要步骤。经典的字典学习方法将地震数据分解为重叠的数据块,并独立地计算所有块的稀疏表示,忽略了块之间的相关性。基于卷积字典学习的方法使用线性滤波器替代字典,具有更好的自适应稀疏表示能力。但相应算法的优化涉及卷积运算,求解复杂度较高。另外,重建性能也依赖手动参数的选择。深度学习方法在大量缺失/完整的训练数据驱动下,可以智能、高效地实现缺失地震数据重建。本文结合卷积字典学习和深度学习的优点,提出基于卷积字典学习网络(Convolutional Dictionary Learning Network,CDLNet)的地震数据重建方法,将卷积字典学习方法嵌入到深度神经网络框架中。该方法不仅可以取得更准确、高效的重建结果,而且在卷积字典学习模型和迭代收缩阈值算法(Iterative Shrinkage Thresholding Algorithm,ISTA)的指导下,训练的网络也具有一定的意义。通过仿真和真实数据实验显示,和Unet深度学习方法相比,重建数据的信噪比提高了2~3 dB;和DDTF(Data-Driven Tight Frame,DDTF)字典学习方法相比,信噪比提高了2~4 dB。

超像素级宽度学习网络的高光谱图像分类方法

本文提出了一种基于超像素宽度学习网络的高光谱图像分类方法。该方法首先采用简单线性迭代聚类方法对原始图像进行超像素分割,并以超像素而不是像素作为宽度学习网络(Broad Learning System,BLS)的输入节点,极大地减小了图的规模,从而提高了分类效率,空谱特征融合加强了可分性,并在融合过程中设定了融合规则,避免了过融合导致的边界模糊问题。

基于分段序列联合学习网络的光收发机IQ损伤监测

光收发机同相/正交损伤监测是光通信系统实现可靠传输不可或缺的技术。提出了分段序列联合学习网络来监测相干光收发机中的IQ损伤。SSLN通过处理分析经DSP处理后的接收信号,找到数据中隐含的发射机(Tx)IQ损伤特征和接收机(Rx)的IQ损伤特征,建立映射关系。对100 km标准单模光纤上的100-Gbaud QPSK/64QAM信号传输进行了数值模拟,以评估SSLN的性能。数值模拟结果表明,当多个损伤同时存在时,所提出的SSLN能够准确有效地监测Tx和Rx的IQ损伤。

基于深度学习网络的光纤通信网络信道均衡方法

为克服由传输信道的非线性以及多径效应引起的符号间干扰,利用深度学习网络优化设计光纤通信网络信道均衡方法。在光纤通信原理的支持下,构建光纤通信网络信道模型。利用深度学习网络估计通信网络信道负载与运行状态,在信道容量的约束下,利用装设的通信网络信道均衡器实现信道均衡处理功能。通过性能测试得出结论:综合考虑四种不同的干扰环境,通过优化设计信道均衡方法的应用,光纤通信网络信道的最大传输误码率和最大信道间传输能耗偏度分别为1.2%和0.61,均低于预设值。

基于投影寻踪子波学习网络的图像无监督恢复

针对现有模糊图像的复原方法 ,提出了一类新型人工神经网络——投影寻踪子波学习网络 ,并将其用来处理图像的去模糊问题。这类新型网络具有投影寻踪学习网络优点 ,在先验条件知道甚少的情况下 ,不用求点扩展函数 ,直接通过网络的学习 ,提取参数 ,以达到自适应剔除图像的模糊信息 ,恢复原图像 ;且具有小波函数的时域局部性 ,可以对多种噪声源的模糊图像进行恢复。模拟结果表明 。

基于深度学习网络的智能养殖AI算法服务平台构建方法

为将传统农业与现代科技实现有效结合,实现养殖过程的智能化,构建一种基于深度学习网络的智能养殖AI算法服务平台。该平台包括基于Yolox模型目标检测算法、基于Mask R-CNN模型的目标分割算法和虚拟化资源池,前两者分别实现牲畜点数和测长估重,后者实现完善硬件的调度支撑方法。这样的处理方式可以加快算法收敛速度、降低参数计算量、提升系统性能,适用于畜牧业中的图像处理任务,实现对牲畜的全面管理和监测。

基于深度支撑值学习网络的遥感图像融合

该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.

基于投影寻踪学习网络模型的光纤陀螺漂移估计器设计(英文)

环境温度变化造成的复杂漂移(温度漂移)始终是制约光纤陀螺(FOG)性能提高的重要因素。FOG温度漂移本质上是一组与温度有关的多变量非线性时间序列。在这一领域首次采用投影寻踪学习网络(PPLN)方法设计FOG温度漂移在线估计器。相对于传统的神经网络技术,PPLN采用批量学习和参数交替优化的训练算法,可以自适应确定神经网络的规模、参数和神经元函数,不仅具有简捷的网络结构和较强的鲁棒性和模型辨识能力,还可以有效克服学习过程局部极限问题。基于该方法设计PPLN漂移估计器对某型FOG温度漂移进行估计。采用试验实测数据对所提方法进行验证,并采用传统反向传播神经网络(BPNN)的方法进行比较,计算分析结果表明,PPLN漂移估计器具有更好的估计精度和鲁棒性,尤其在陀螺温度不正常变化时对当前漂移的估计精度可以提高至少2倍。