分段时间注意力时空图卷积网络的动作识别

得益于图卷积网络(GCN)对于处理非欧几里得数据有着非常好的效果,同时人体的骨骼点数据相对于RGB视频数据具有更好的环境适应性和动作表达能力.因此,基于骨骼点的人体动作识别方法得到了越来越多的关注和研究.将人体骨骼建模为时空图形的数据进行基于GCN模型的动作识别取得了显著的性能提升,但是现有的基于GCN的动作识别模型往往无法捕获动作视频流中的细节特征.针对此问题,本文提出了一种基于分段时间注意力时空图卷积骨骼点动作识别方法.通过将数据的时间帧进行分段处理,提取注意力,来提高模型对细节特征的提取能力.同时引入协调注意力模块,将位置信息嵌入注意力图中,这种方法增强了模型的泛化能力.在NTU-RGBD数据集和Kinetics-Skeleton数据集上的大量实验表明,本文所提模型可以获得比目前多数文献更高的动作识别精度,有更好的识别效果.

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测(long sequence time-series forecasting,LSTF)存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型.该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测.在电力变压器油温(electricity transformer temperature,ETT)数据集、用电负荷(electricity consumption load,ECL)数据集和天气(Weather)数据集中,分别采用传统Transfomer、Informer、门控循环单元(gated recurrent unit,GRU)、时序卷积网络(temporal convolutional network,TCN)和长短期记忆(long short-term memory,LSTM)5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测.结果表明,采用基于多尺度分段的Transformer模型在Weather数据集上对预测长度为192的时间序列预测的均方误差和平均绝对误差分别为0.367和0.407,均优于其他模型.基于多尺度分段的Transformer模型可以综合Transformer模型的优点,且计算速度更快,预测性能更高.

时间敏感网络在煤矿的应用

时间敏感网络(TSN)技术引入了多点接入、多路径传输和冗余配置等功能,极大地提高了煤矿通信网络的可靠性,能够满足智能矿山多元化应用的差异化网络需求。介绍了TSN技术原理,详细分析了时间同步技术和数据调度技术,提出了基于TSN+5G的PLC远程实时控制方案,并结合已有矿用工业环网技术,构建了矿用TSN系统架构。TSN在以太网的基础上引入了时钟同步、流量调度和网络配置等关键特性,可为时间确定性数据提供低时延、低抖动和低丢包率的传输服务,为无人矿卡、远程控制、高清视频传输、定位等场景提供可靠的数据传输网络。

求解时间分数阶相场微分方程的自适应分数阶物理信息网络

本文提出具有自适应权重的分数阶物理信息神经网络(adaptive-fPINN-PQI)求解时间分数阶偏微分方程。首先,利用Hadamard有限部分积分意义上的分段二次插值(PQI)对时间分数阶导数进行离散。其次,为降低自动微分引入的误差,本文采用中心差分法代替自动微分求导,计算空间各阶偏导数,提高了预测解精度。此外,本文构建的自适应权重残差网络,基于残差网络架构有效防止梯度消失。并通过建立自适应权重来自动调整不同损失项的权重,显著平衡其梯度,进一步提升预测解精度。最后,将adaptive-fPINN-PQI用于求解时间分数阶相场偏微分方程,证明了该网络的高精度和高效率。

时间敏感网络(TSN)及无线TSN技术

时间敏感网络(TSN)在以太网的基础上提供端到端极低时延和高可靠性的数据传输,适用于时延敏感型应用,广泛应用于自动驾驶、工业互联网等场景。首先总结了TSN的特点,并详细阐述了TSN标准的工作原理和特性,重点介绍了在无线网络中提供确定性时延和可靠数据传输的网络技术,即无线TSN技术。此外,通过TSN的应用场景简要分析了TSN的应用案例。最后探讨了TSN和无线TSN技术及其在工业场景中应用存在的挑战和问题,并展望了未来的研究方向。

时间敏感网络流量调度算法研究综述

时间敏感网络(Time-sensitive Networking,TSN)是一种新型确定性网络,具有低时延、低抖动等特点,能够满足现代网络传输控制的要求。流量调度是TSN标准中关键技术之一,用于确保流量传输的服务质量。首先对时间敏感网络的发展背景、重要机制、应用场景进行阐述,着重研究5种时间敏感网络流量调度机制,包括基于时间的整形机制、基于信用值的整形机制、循环队列转发机制、帧抢占机制以及异步流量整形机制;然后,分析了流量调度算法的研究现状,归纳和总结了时间触发(Time-triggered,TT)流和事件触发(Event-triggered,ET)流的调度算法,分析了目前流量调度算法存在的问题;最后,指出了TSN流量调度算法的发展方向和趋势。

基于改进型时间分段网络的视频异常检测

视频异常检测是计算机视觉领域的一个重要研究课题,广泛应用于道路监控、异常事件监测等方面。考虑到异常行为的外观、运动特征与正常行为存在明显差异,提出一种改进型时间分段网络,利用该网络学习视频中的外观和运动信息,从而对视频异常行为进行预测。为了提取更多的视频信息,将RGB图和RGB帧差图相融合作为输入,以提取RGB图中的外观信息并通过RGB帧差图获得更有效的运动特征。将卷积注意力机制模块加入到时间分段网络模型中,从空间和通道2个不同的维度学习注意力图,利用学习到的注意力权重区分异常和正常的视频片段,同时运用焦点损失函数降低大量简单负样本在训练过程中所占的权重,使得模型更专注于难分类的样本,从而解决视频异常检测中正负样本比例不平衡的问题。实验结果表明,改进型时间分段网络在UCF-Crime和CUHK Avenue数据集上的AUC值分别达到77.6%和83.3%,检测性能优于基准方法 TSN(RGB流)以及ISTL、3D-ConvAE等方法。

无线传感器网络中基于时间分段拟合的高效查询处理算法

以数据为中心的分布式传感器网络,用户经常对感兴趣的传感区域提交查询命令,如获取区域F在某个给定时间段内的感知数据;由于传感器网络依赖高密度部署节点以及高采样频率提高监测精确度,存在大量冗余数据,因此,有效地保证查询数据准确性,减少大量冗余数据传输能量消耗,是目前亟需解决的问题;文中提出一种单个节点传感数据时间分段拟合算法,对给定查询时间进行分段拟合,寻找满足误差阀值的拟合模型集合;理论分析和实验结果表明,文章提出的基于时间分段拟合的高效查询处理算法能节省大量数据传输能耗,返回满足用户精度要求的查询结果.

时间敏感网络(TSN)及无线TSN技术研究

随着信息技术的不断发展,各行各业的信息技术水平都得到了显著的提高。对于时间敏感网络,也就是TSN技术的研发,提供了更加高效的信息数据传输方式,并且在多个技术领域得到运用。对于网络技术的研发,逐渐的改变了人们的生活方式,影响着整个社会的发展方向,文章通过对时间敏感网络及无线技术进行研究,对于实际开发过程中遇到的问题进行分析,提出针对性的建议,促进我国的网络信息技术的发展。

一种无线传感器网络中基于时间分段拟合的高效查询处理算法

以数据为中心的分布式传感器网络,用户经常对感兴趣的传感区域提交查询命令,如获取区域F在某个给定时间段内的感知数据。由于传感器网络依赖高密度部署节点以及高采样频率提高了监测精确度,存在大量冗余数据,因此,有效地保证查询数据准确性,减少大量冗余数据传输能量消耗,是目前亟需解决的问题。本文提出一种单个节点传感数据时间分段拟合算法,对给定查询时间进行分段拟合,寻找满足误差阈值的拟合模型集合。理论分析和实验结果表明,本文提出的基于时间分段拟合的高效查询处理算法能节省大量数据传输能耗,返回满足用户精度要求的查询结果。

基于时间分段的配电网络重构

在分析了只针对单个时间断面研究配电网络重构算法的不足的基础上,提出了基于时间分段的配电网络重构方法。利用负荷变化幅度对重构时间进行初步分段,并考虑重构中开关动作对配电网络造成的不利影响对其进行修正。同时,在比较目前研究的各种主流重构算法的基础上,根据配电网的运行特征对网络重构的遗传算法进行了改进。仿真算例表明,提出的这种基于时间分段的配电网络重构方法可以明显地减少重构后的网损,又不致增加操作费用,适于工程实际应用。

确定性网络的5G%TSN技术演进探讨

介绍确定性网络技术中的5G%TSN(时间敏感网络)技术,从5G与TSN网络的融合架构开始,重点分析5G%TSN的演进方向,包括内生确定性UE(终端)-UE组网、TSN的灵活授时机制、时钟源的可靠性增强、高可靠传输能力开放、与DetNet互通的L3确定性能力支持、分布式TSN网络管理模型。通过技术演进的展现,明晰相关行业业务应用的具体形态,针对特定的需求,构建更高效的确定性网络。最后,结合当前的技术应用场景,总结5G%TSN的现实意义,为相关的技术选型提供一些参考。

下一代车载时间敏感网络架构设计与调度评估

智能网联汽车(Intelligent Connected Vehicle,ICV)是未来汽车行业发展的主要方向之一,其对车载网络通信的带宽、延迟出了较高的要求。针对该要求,提出了基于以太网的电子电气架构(Electronic/Electrical Architecture,EEA);在分析基于IEEE802.1Qbv的时间敏感网络(Time-sensitive Networking,TSN)传输调度机制的基础上,实现了控制数据流和传感器数据流的增量式调度。通过评估和对比,TSN拥有更高的带宽、更低的传输时延,有望成为下一代车载网络。

基于光流场的时间分段网络行为识别

针对在双流时间分段网络上进行行为识别在预处理阶段耗时长、精细度有待提高这一问题,在现有的时间分段网络的基础上,将深度学习求解光流场的算法引入到行为识别这一应用中.用原始RGB帧图像作为空间卷积网络的输入提取外观信息,深度学习算法从相邻帧提取的光流场特征图像作为时间卷积网络的输入提取运动信息,两者互为补充,最后将空间卷积网络和时间卷积网络的输出加权融合得到最终识别结果.实验结果表明:用深度学习求解光流场的算法可有效提高识别算法的运算速度,同时也取得了较好的识别效果.

基于变电站业务流的时间敏感网络调度研究

随着新型电力系统的发展,对电力系统提出了更高的要求。时间敏感网络(TSN)具有确定性、高实时性和高带宽的特点。结合TSN协议中带宽预留技术相关方面内容,提出一种针对变电站业务流的时间敏感网络调度方法。该方法从路径和调度两个方面入手规划整个拓扑的路径方案和预留计划,从而提升对时间敏感流量进行确定性时延调度的效果,为智能变电站的以太网网络提供具有低时延抖动的传输服务,为电力系统服务质量的提升提出了一个新思路。

基于时间分段网络并融合上下文信息的视频情感识别

提出一种基于时间分段网络并融合上下文信息的视频情感识别模型.该模型由2个并行的时间分段网络组成,分别用于提取视频中的脸部信息和上下文信息的时空特征并计算情感类别分数.将2个网络的计算结果进行决策融合,得到整个视频的情感类别.在2个视频情感数据库CHEAVD和AFEW上训练并测试了该模型,同时与其他现有方法进行比较.所提模型在CHEAVD上获得了54.2%的ACC和45.6%的MAP,在AFEW上获得了53.8%的ACC,识别性能显著高于数据库的基线,并且优于其他现有方法.

微控制器与TSN芯片的网关板TSN功能设计

针对目前铁路终端设备无法接入TSN网络的问题,提出了一种基于单片机及TSN芯片的TSN网关设备设计方案,使得该设备具备TSN的能力,因而在列车多网融合大数据量的情况下,保证了列控数据确定性的传输,提高了列车运行的安全性。

防空导弹IMU状态的时间序列预测方法

惯性测量单元(IMU)是防空导弹的重要部分,其状态数据主要从定期人工测试中获取,效率较低。为了降低对定期测试的依赖,本文通过时间序列预测方法,从已有数据中预测其未来一段时间内的状态。出于小样本考虑,本文使用重叠分段平均进行数据处理,降低数据维度与训练难度,并用长短时记忆网络(LSTM)进行时间维度的预测。本文提出模型在实测数据上进行了验证,在获得最高预测精度的同时保持较低开销。

智能工厂场景下的5G与TSN技术融合应用

5G和时间敏感网络(Time-Sensitive Networking,TSN)技术融合能够实现高效、可靠的生产过程。深入探讨5G和TSN技术在智能工厂中的融合应用,考虑智能工厂对高带宽、低延迟和高可靠性通信的需求。研究内容涵盖5G与TSN的融合架构设计,以及智能工厂中自动化生产线和物流监控的具体应用场景,旨在展示5G与TSN技术融合在智能工厂中的可行性和优势,推动智能工厂可持续发展。

基于时间敏感网络的风电场通信网时延特性分析

风电场通信系统由于数据采集范围广、数据类型较多等复杂因素,在依靠传统以太网通信时存在多信息流相互影响、数据传输实时性差等弊端,无法满足实时通信需求。提出了基于时间敏感网络(time-sensitive networking,TSN)的通信网络部署方案。首先,结合风电系统通信网络及数据分析了TSN技术的工作原理;然后根据TSN原理,推导出基于网络演算的端到端传输时延改进计算模型;其次,通过算例分析了门开时长和调度周期等参数对时延指标的影响;最后,对比分析了TSN与传统以太网时延差别。研究结果表明,通过合理配置参数,TSN具有可预测、低时延的特性,可为风电场高效通信网部署及网络资源优化分配提供了理论依据。