蓝印花布数字纹样归一化编码的构建与研究

灵活与生动自然的非物质文化遗产是承载当地文化最好的载体,其传承与保护也越来越受到社会各方面的重视。作为最早列入非物质文化遗产目录之一的南通蓝印花布,其传承与保护也同样面临巨大的挑战,而人工智能是解决该问题的重要途径之一。然而,缺少对蓝印花布数字化纹样的归一化编码,一直是该技术得以应用的重要制约因素。文章利用人工智能技术与南通蓝印花布纹样艺术特征相结合,将人工智能技术与传统手工艺相结合,对其纹样进行分类与总结,最终构建出蓝印花布数字化纹样的归一化编码,为南通蓝印花布纹样的继承和创新研究提供了新思路。

基于归一化实数编码遗传算法的圆锥度误差计算

提出了归一化实数值编码的遗传算法 ,建立了圆锥度误差的数学模型 ,并运用归一化实数值编码的遗传算法进行求解。仿真实验证明 ,其计算精确度非常高 ,可以达到任意给定的精度 。

归一化实数编码的多维并行遗传算法

给出了归一化多维实数编码的基本定义,并在此基础上提出了基于归一化实数编码的多维并行遗传算法;对归一化实数编码多维并行交叉算子、多维并行变异算子进行了详细的研究;提出了多维优化问题归一化实数编码长度计算公式;对遗传算法的控制参数确定进行了阐述;对归一化实数编码的多维并行遗传算法适应度函数的确定方法进行了研究。实验表明,归一化实数编码多维并行遗传算法可以大大提高多维优化问题的收敛速度,从而进一步提高算法的性能,这些特点对于计算复杂的非线性多维优化问题具有重要的意义。

大规模MU-MIMO系统归一化预编码算法

针对大规模MU-MIMO系统中预编码技术性能不佳的问题,在不完善信道状态信息(CSI)的情况下,对迫零(ZF)和最大比发射(MRT)预编码技术提出了两种归一化算法:向量归一化与矩阵归一化。首先基站通过上行导频序列估计CSI,并在下行链路中用所提的算法对预编码矩阵进行归一化处理,然后将其与发送信号以及信道进行匹配。仿真结果表明,在高信噪比时,ZF预编码使用向量归一化算法实现了更好的系统性能;而在低信噪比时,MRT预编码使用矩阵归一化算法使系统性能得到了良好改善。

混沌免疫克隆选择规划的网络入侵检测

针对目前随机产生候选检测器的方式存在亲和度较低的问题。根据克隆选择的原理,对获取的入侵检测数据包进行预处理,对提取的属性采用归一化实数编码,应用混沌原理和抗原的先验知识产生亲和度高的候选检测器集合。根据检测器亲和度的不同,采用了不同的变异算子与进化策略,使算法不仅在保持高检测率下,降低了漏报率,且有效地提高了检测器进化速度。

基于Transformer神经网络的滚动轴承故障类型识别

工程应用中的滚动轴承故障类型识别要求同时具有较高的识别准确度和时间效率,基于上述需求提出基于Transformer神经网络的滚动轴承故障类型识别方法。所提方法结合小波包变换时频域能量特征和快速傅里叶变换频域特征生成满足Transformer神经网络的输入样本矩阵,解决Transformer神经网络的输入问题。同时,提出应用于滚动轴承故障类型识别的归一化位置编码方法,解决Transformer神经网络在滚动轴承故障分析领域的位置编码问题。在此基础上,提出Transformer神经网络双向输入样本矩阵处理机制和算法训练过程中错误样本权重增强机制,提升所提方法的鲁棒性。使用KAt数据中心的滚动轴承数据集验证所提方法的识别性能,与现有常用深度学习方法相比,所提方法在时间效率和准确度性能上均有一定的优势,其中,准确度能够提升11%以上,单个样本的平均处理时间小于1 ms。