基于编码记忆网络的半监督视频目标分割方法

视频目标分割是计算机视觉中的一项关键任务,在自动驾驶、视频编码等领域具有重要意义。针对视频目标分割任务,提出使用一种高效的编码记忆网络(EMNet)实现半监督视频目标分割任务。该方法包含自适应参考帧选取模块、双路径匹配模块、特征处理模块以及特征聚合模块。自适应参考帧选取模块综合考虑掩码置信度和相似度,选择包含丰富信息的参考帧。双路径匹配模块实现查询帧和参考帧之间的双向和双尺度匹配,提高目标特征匹配准确率。特征处理模块分别包含语义强化模块和特征细化模块,通过低通和高通滤波增强目标的语义和细节信息。并由特征聚合模块对各特征进行融合利用。最后通过在DAVIS2017数据集上的评估,证明所提出模型的有效性。

基于方剂数据集的知识图谱构建研究

目的:构建基于方剂数据集的知识图谱,以系统性地展示方剂实体及其之间的关系。方法:首先建立方剂数据处理与知识图谱构建的规范化流程,获取方剂数据集,然后在4种常用命名实体识别模型中遴选最优模型进行实体抽取,最后利用Neo4j图数据库构建知识图谱。结果:最终遴选出基于Transformer的双向编码模型-双向长短期记忆网络-条件随机场(BERT-BiLSTM-CRF)模型,从数据集中抽取出症状、中西医病名、中医证候等医学实体,平均F1值达90.55%,形成了规范的方剂数据集并构建了方剂知识图谱。结论:利用本文方法抽取出的医学实体为中医药的临床实践和科学研究提供了系统性展示方剂实体及其之间关系的可靠数据基础。所建立的方剂知识图谱实现了中药方剂的知识检索,不仅有助于发现方剂数据中的潜在知识与内在关系,而且为中医药领域的信息整合和知识发现提供了坚实基础,推动中医药的现代化进程。

基于无监督迁移学习的电梯制动器剩余寿命预测

为了改善电梯制动器在真实工作环境下的寿命预测效果,提出一种基于长短期记忆网络自编码器(LSTM-ED)的无监督深度迁移学习方法,利用仿真数据实现制动器在工作时的健康状态分析.利用源领域数据初步训练LSTM-ED和全连接网络;以LSTM-ED为特征提取器,将仿真和实际数据映射到特征空间并利用最大平均差异实现数据对齐;利用全连接网络回归特征空间中的目标领域数据,从而实现对制动器在真实工作环境下的剩余生命周期预测.在训练阶段中,采用分步训练法替代传统的联合训练法,以保证单个模块的准确性.对比试验仿真数据与电梯塔中的实际工作数据,以验证方法的有效性.结果表明:通过引入迁移学习和分步训练法,所提方法可以将剩余生命周期预测的均方误差降低至0.0016,能够实现电梯制动器在真实工作环境下的剩余生命周期精准预测.

电梯制动器智能监测和故障预警

针对运行状态中的电梯制动器进行物理参数监测和故障预警,设计了制动器试验平台模拟制动器真实工作状态,结合传感器监测装置,对制动器全生命周期过程中制动器间隙、摩擦噪声、制动器电压、制动器电流、线圈温度以及微动开关等关键物理参数进行采集。基于长短期记忆网络自编码器对关键参数数据进行重构,生成工作状态时间序列,结合时间序列回归模型对制动器剩余生命周期进行预测。实验结果表明,监测系统可以采集到制动器失效过程中的关键物理参数,结合采集到的数据进行故障预警,得到剩余生命周期预测误差低于5.5%,证明了该方法可以实现制动器运行状态智能监测并进行故障预警。