基于准深度算法的多值测试诊断策略优化方法

针对复杂系统中多值测试的诊断策略优化问题,根据准深度算法可改善信息熵算法的特点,用准深度算法对基于信息熵的多值测试诊断策略进行优化,提出一种新的多值测试诊断策略优化方法。案例仿真结果表明,基于准深度算法设计的诊断树优于信息熵算法,可用于复杂多值测试的最优诊断策略设计。

基于改进准深度算法的诊断策略优化方法

针对现有诊断策略优化方法中对多值系统不可靠测试的研究较少,且难以充分考虑多值测试和不可靠测试对诊断策略优化的双重影响的问题,提出了一种基于禁忌搜索的准深度算法。首先对故障与多值测试不确定相关性矩阵和多值不可靠诊断策略问题进行了描述;然后针对该问题,阐述禁忌搜索改进的准深度算法步骤;最后通过案例对所提算法进行了仿真验证。实验结果表明,所提算法能在保证故障检测和隔离效果的基础上降低算法复杂度,使得诊断策略优化过程更加准确高效。

基于数据存储及深度算法的斗轮机无人值守系统

介绍了斗轮机无人值守的设计方案,消除了斗轮机在对料场定位过程中因传感器测量和计算造成的误差,而且大幅降低了斗轮机无人值守系统的成本。本系统由斗轮机历史数据存储系统、集控系统、视频监控系统和上位机操作监控系统四部分组成,利用分段式数据存储、智能算法控制、视频监控和上位机等技术,实现斗轮机系统的"一键启动"和无人值守功能。基于数据存储及深度算法的斗轮机无人值守系统以一种全新的方式实现了斗轮机无人值守功能。

著作权视域下深度合成算法技术的法律规制

深度合成算法技术由于其趣味性与便捷性,满足了民众的多元化需求,集中应用于社交媒体、影视娱乐等领域。然而,深度合成算法技术激发用户创新内容的同时,在著作权领域也引发了一系列困境与挑战。通过梳理分析现行著作权法难以将深度合成物纳入“作品”的范畴、现行合理使用制度难以判定对原作品的“深度合成行为”以及现行著作权法难以协调深度合成“作品”与原作品的保护边界这三大亟待解决的困境,并提出相应的著作权法规制路径,从而实现著作权保护与深度合成算法技术应用的平衡发展。

基于深度学习算法的胰腺癌CT自动分期系统的构建与应用

目的:构建基于深度学习算法的胰腺癌计算机断层扫描(CT)自动分期系统,并探讨其应用价值。方法:回顾性分析我院2014年01月至2021年12月收治的286例胰腺癌患者的临床资料,均经CT检查且明确TNM分期,利用CT检查信息基于深度学习算法的胰腺癌CT自动分期系统。另选取2022年01月至2023年02月胰腺癌患者92例,均经CT检查,并利用上述系统进行TNM分期,分析该系统的准确性。结果:基于深度学习算法的胰腺癌CT自动分期系统共包括7个模块,可以实现胰腺癌TNM自动分期;92例患者中共有Ⅰ期12例、Ⅱ期31例、Ⅲ期36例、Ⅳ期13例,经基于深度学习算法的胰腺癌CT自动分期系统诊断共有Ⅰ期10例、Ⅱ期31例、Ⅲ期38例、Ⅳ期13例;该系统诊断胰腺癌TNM分期的灵敏度、特异度和准确度高,且与金标准高度一致(Kappa值=0.912,P<0.001)。结论:本研究构建了基于深度学习算法的胰腺癌CT自动分期系统,诊断价值高。

基于Spark和NRSCA策略的并行深度森林算法

针对并行深度森林在大数据环境下存在冗余及无关特征过多、两端特征利用率过低、模型收敛速度慢以及级联森林并行效率低等问题,提出了基于Spark和NRSCA策略的并行深度森林算法——PDF-SNRSCA。首先,该算法提出了基于邻域粗糙集和Fisher score的特征选择策略(FS-NRS),通过衡量特征的相关性和冗余度,对特征进行过滤,有效减少了冗余及无关特征的数量;其次,提出了一种随机选择和等距提取的扫描策略(S-RSEE),保证了所有特征能够同概率被利用,解决了多粒度扫描两端特征利用率低的问题;最后,结合Spark框架,实现级联森林并行化训练,提出了基于重要性指数的特征筛选机制(FFM-II),筛选出非关键性特征,平衡增强类向量与原始类向量维度,从而加快模型收敛速度,同时设计了基于SCA的任务调度机制(TSM-SCA),将任务重新分配,保证集群负载均衡,解决了级联森林并行效率低的问题。实验表明,PDF-SNRSCA算法能有效提高深度森林的分类效果,且对深度森林并行化训练的效率也有大幅提升。

DDPG深度强化学习算法在无人船目标追踪与救援中的应用

为保证海上救援活动的高效性,研究结合深度确定性策略梯度算法(Deep Deterministic Policy Gradient,DDPG)从状态空间、动作空间、奖励函数方面对船只追踪救援目标算法进行设计,并实际应用到无人船追踪救援之中。结果显示DDPG算法的稳定成功率接近100%,性能优异。该设计的算法最终回合累积奖励值能够稳定在10左右,而平均时长则能稳定在80 s左右,能够根据周边环境的状态调整自己的运动策略,满足海上救援活动中的紧迫性要求,能为相关领域的研究提供一条新的思路。

基于深度强化学习算法的储能系统盈利策略研究

在高比例新能源接入下,配置储能可以辅助电力系统削峰填谷,平抑波动。然而目前储能系统成本较高,需要政府进行支持。为此,提出了一种储能盈利策略,以在电网、储能运营商和用户组成的电力市场中实现运营利润最大化。结合智能算法提出了一种考虑激励的盈利策略,为每个峰值时段的储能系统运营商提供不同权重的奖励分配。该算法一方面基于最小二乘支持向量机的深度学习,来建立价格和负荷预测模型;另一方面基于深度强化学习,考虑电网的峰值状态、用户负荷需求和储能系统运营商利润,确定最优充放电策略。最后通过案例分析,验证该策略可以显著提高储能系统运营商利润并减轻电网压力。

深度学习重建算法联合低剂量增强CT对肝脏低对比度病灶显示的影响

目的:通过门静脉期肝脏图像质量评价,探究不同级别深度学习(DL)重建算法在低剂量CT增强对肝脏低对比度病变显示的影响。方法:前瞻性收集2022年4月—2022年8月行全腹部增强扫描的患者62例,随机分为A组和B组:A组(n=27)为常规辐射剂量组,管电压120 kV,自动管电流(剂量调制3级),重建Karl 5级图像;B组(n=35)为低辐射剂量组:管电压120 kV,自动管电流(剂量调制2级),重建DL(1~4)4个等级图像,记为B1~B4。记录A、B组剂量长度乘积(DLP),并计算有效辐射剂量(ED)。在轴位图像上测量肝实质、门静脉、病灶以及同层面竖脊肌的CT值和SD值,计算信噪比(SNR)和对比度噪声比(CNR);统计A、B组病灶检出数量并测量病灶的最大直径。2名观察者采用5分法评估A、B组图像质量以及病灶的显示情况。结果:A、B组患者性别、年龄及身高、体重及体重指数(BMI)差异均无统计学意义;B组ED相较于A组降低了33.96%(P<0.05);A、B各组CT值均无统计学差异(P>0.05)。B组组内肝实质、门静脉SNR、CNR随着DL等级升高逐渐升高(P<0.05);A、B两组比较,仅B3组肝实质、门静脉的SD值、SNR及CNR与A组无统计学差异,仅B4组病灶CNR与A组有统计学差异(P<0.05)。2名观察者对图像主观评分一致性较好(Kappa值为0.824~0.878,P<0.05),B3组与A组主观评分无统计学差异(P>0.05),其余各组均低于A组(P<0.05)。结论:DL算法可显著减少低剂量图像噪声,保证肝脏低对比度病灶的清晰显示,DL 3为推荐的最佳重建等级。

煤矿采空区智能充填深度神经网络算法

【目的】采空区智能充填是煤炭资源绿色安全智能高效开采的重要方向,其关键在于对井下采空区矸石充填过程进行智能决策与控制。【方法】为实现该目标,以采空区充填后围岩应力及变形作为监测指标,建立了一种采空区智能充填深度神经网络算法,该算法可以通过输入煤层埋深、厚度、工作面长度、直接顶厚度等关键基本参数,进行相应条件下不同充填方案的采场应力及围岩变形计算分析。将FLAC3D模拟400种不同条件下的充填开采结果作为数据集,对建立的智能充填深度神经网络算法进行训练测试,并和其余3种不同算法进行对比分析。【结果】结果表明:建立的智能充填深度神经网络算法总体优于随机森林、决策树和多元线性回归算法,每组数据运算平均速度仅为0.013 s;智能充填深度神经网络算法计算的顶板最大变形、工作面煤壁压力峰值、巷道超前支护距离等关键参数误差均值介于2%~8%之间;应用该算法针对现场实际条件进行测试,结果与现场实际结果基本吻合,表明该算法科学可行。【结论】本研究对煤矿绿色智能开采具有重要意义与价值。

一种基于预训练模型的语音深度伪造算法识别方法

为提高语音深度伪造算法识别模型的准确性和对未知伪造算法识别的泛化性,文章提出一种基于预训练模型的识别方法。基于真伪语音数据集,微调训练HuBERT预训练模型,并基于模型输出的深层嵌入特征构建流形空间,通过度量不同伪造算法下语音数据流形空间的测地线距离进行伪造算法的判定。实验表明,所提方法可以较为有效地实现对已知和未知伪造算法的识别。

基于主成分分析和深度森林算法的S700K转辙机故障诊断

针对目前转辙机故障诊断准确性不高、效率低等问题,提出了一种基于主成分分析(PCA)和深度森林(gcForest)算法的故障诊断方法。对于S700K转辙机11种故障模式下的电流、功率曲线,采用主成分分析进行电流特征值特征简约,然后使用嵌入简约特征值的改进深度森林模型提高数据处理能力,增强模型内在特征代表性。结果表明,改进深度森林模型故障诊断准确率为97.62%,验证了该方法的有效性和优越性。

基于深度哈希算法的学生画像个性化推荐系统的设计与实现

为了提升学生画像个性化推荐的效果,研究设计了一种基于深度哈希算法的学生画像个性化推荐系统。通过使用深度哈希算法结合经过处理的学生信息,进行了学生信息特征标签的提取,并构建了学生画像标签维度模型,从而提升了学生画像的生动性。根据学生画像标注的学生特征,在学校课程资源特征数据集中进行搜索匹配,并根据排序后的检索结果生成推荐结果。实验结果表明,该系统能够有效地采集和预处理学生信息,并成功构建学生画像,完成学生画像的个性化推荐。

基于深度学习算法的电力运行数据隐私保护方法

目前电力系统的数据往往包含大量的隐私信息,一旦泄露或被滥用,将会对个人隐私和企业利益造成严重威胁,因此提出基于深度学习算法的电力运行数据隐私保护方法。首先,基于深度学习算法提取电力运行数据特征,有效地保护电力运行数据的隐私;其次,构建电力运行数据加密模型,在处理电力运行数据时,防止未经授权的用户获取敏感数据;最后,保护电力运行的隐私数据,实现平衡数据利用和隐私保护的需求。实验结果表明,传统加密方法在40 s内,对电力数据进行加密后的成功数量达到了4700条,而基于深度学习算法的电力运行数据隐私保护方法达到了5800条,可见其数据隐私保护的效率相较于传统加密方法的效率更佳。

无人机高光谱遥感和集成深度置信神经网络算法用于密云水库水质参数反演

随工业化及社会经济迅速发展,水源地面临的水体污染、恶化不断加剧,开展有效的水质监测是水源保护的重要前提。密云水库是北京重要的地表水源地,在保护首都水源安全方面发挥着重要作用。为更精准的监测密云水库水质参数及污染程度,采用4期无人机高光谱遥感数据,基于随机子空间的集成深度置信神经网络算法(EDBN),构建密云水库水质参数反演模型,对密云水库总氮(TN)、总磷(TP)两项水质参数进行反演。首先,采用基于递归特征消除法对高光谱影像降维处理,将光谱数据与地面水质监测数据进行叠加,通过最小化训练过程中误差来确定隐藏层数、神经节点数等网络结构参数;然后采用由知识源域向网络迁移方式逐步拓展网络,对密云水库总氮和总磷两个水质参数进行训练并对结果进行验证;最后,反演密云水库潮河大坝和白河大坝区域水质参数,揭示其主要水质参数时空演变规律。研究结果显示:(1)构建总氮、总磷反演模型R^(2)分别为0.8355、0.7703,MSE分别为0.0153、0.0008,这表明基于随机子空间的集成深度置信神经网络算法模型对密云水库水质参数反演效果较好;(2)密云水库总氮浓度变化随季节发生一定波动,在夏季浓度较低,秋季相对较高。总磷浓度变化相对平稳,表明密云水库周边区域对磷污染控制效果良好;(3)白河大坝区域水质优于潮河大坝区域,总氮浓度相对偏高,整体处于Ⅲ类水平。而总磷浓度较低,整体处于Ⅱ类水平,较好时可以达到Ⅰ类水平。整体水质可以满足饮用水源的标准,但仍需加强对氮、磷污染物有效监管。研究结果将为密云水库水质高效监测与水源保护提供重要科学依据。

基于局部线性嵌入和深度森林算法的电力客户投诉预测模型

由于电力市场竞争日益激烈,用户对服务质量的要求不断提高,用户投诉量持续上升。在基于大数据的电力客户投诉预测模型的体系结构基础上,提出一种基于局部线性嵌入和深度森林算法的电力客户投诉预测方法。采用局部线性嵌入算法对客户投诉预测模型的输入特征向量进行降维处理,减少计算量和避免陷入局部最优解;对降维后的投诉预测特征向量进行多粒度扫描,提高其表征学习能力;基于级联森林建立深度森林算法模型,实现客户投诉预测。实际数据的仿真结果表明,与不进行降维处理及其他预测模型相比,文中所提出的预测模型可以更准确地预测客户投诉趋势,为电力企业客户投诉分析和预测提供了参考依据。

基于预训练模型的深度学习算法及其在图书馆行人目标检测中的应用

图书馆行人目标检测能够实现对图书馆内行人目标情况的统计,观察读者的学习行为和时间倾向,对提高服务质量和改善图书馆设施构造具有重要作用。现有图书馆行人目标深度学习算法能够对行人目标进行自动识别和统计,但计算复杂度高,神经网络模型的训练效率低,难以适应图书馆不同场所的需求。对上述问题,文章提出一种基于预训练模型的深度学习算法。该算法基于迁移学习的思想,对模型进行预训练,从而避免模型从零开始训练,并且设计了一种广义损失函数,该函数不仅关注不同对象的重合区,还关注不重合区,从而能更好地体现出两个对象的重合性。实验结果表明,基于预训练模型的深度学习算法能够提高行人目标检测模型的训练效率以及检测的精确度和查全率,能够满足图书馆不同场景下行人目标检测的需求。

深度学习背景下计算机视觉算法应用探究——评《深度学习与计算机视觉:算法原理、框架应用与代码实现》

近年来,基于深度学习算法的人工智能技术得到了迅猛发展,并与社会各个领域深度融合,推动着人类社会的教育、娱乐、工业以及农业等多个方面发生了重大变革,可以说人工智能热潮已席卷全人类社会。在人工智能领域,语音识别、自然语言处理以及计算机视觉是最主要的三大技术领域,现今已基本实现落地产业化,尤其是计算机视觉技术,被广泛应用于农业智能机械、汽车交通、医疗诊断以及工业检测与安防监控等领域,为人类社会发展作出了重要贡献。笔者参考由叶韵编写、机械工业出版社出版的《深度学习与计算机视觉:算法原理、框架应用与代码实现》一书,探讨深度学习背景下计算机视觉算法的可行性应用场景。

基于深度学习的异常行为监测系统与算法设计

为了监控场所中人物的异常行为并能自动发出报警信息,设计基于深度学习的嵌入式实时异常行为监测系统。系统通过摄像头采集图像信息后,在嵌入式设备用姿态检测网络检测人体的关键点坐标,并用深度森林算法对关键点坐标进行异常行为分类。当监测出异常行为后,将信息发送到服务器端,再由服务器端通知用户端。相对于人工监控以及使用服务器端计算神经网络的智能监控系统,该系统的成本更低,对网络的传输速度和稳定性需求更小。实验结果表明,该系统可以有效实时检测暴力、倒地等异常行为,并自动发送报警信息。

基于DBN深度学习算法的一站式诉求响应预测方法

为了提高诉求响应的速度,提出了基于机器学习的一站式诉求响应技术。在物理架构中采用事故数据记录器(ADR)服务器和数字化X线摄影术(DR)运行管理,实现一站式诉求响应;利用建模工具来构建例图进行描述诉求响应的运行细节,通过逻辑架构的感知层、网络层和应用层,实现了对一站式诉求响应的逻辑分析;利用机器学习预测方式和深度置信网络(DBN),实现一站式诉求响应的预测。实验表明,在进行对响应的速度进行测试时,所提出的系统响应所需时间最少为1.1 s,在进行对响应预测的准确性测试时,响应预测的准确性最高为97%。