基于深度强化学习的移动通信网络空洞节点智能定位方法

在定位移动通信网络空洞节点时,易受路径选择阶段的局部最优问题影响,使定位效果难以达到理想状态.为此,提出基于深度强化学习的移动通信网络空洞节点智能定位方法.在确定移动通信网络中不同节点之间的位置信息阶段时,采用加权处理的方式对每跳距离信息进行量化,再结合加权平均跳距和节点与锚节点的距离,确定移动通信网络空洞节点定位步距.在空洞节点定位阶段引入深度强化学习中的灰狼算法,并从快速收敛的角度出发,利用模拟退火和混沌映射对原始的灰狼算法进行优化,将最终灰狼奔走围攻对象作为移动通信网络空洞节点的定位结果.测试结果表明,本文设计的定位方法能够降低空洞节点定位阶段的路径开销,在定位精度方面有良好表现,定位效率也明显提升.

灾后煤矿物联网网络空洞覆盖重构算法

灾后煤矿物联网因部分节点损毁或障碍物遮挡,会导致网络空洞问题,阻碍网络连通。现有网络空洞覆盖算法未考虑井下灾后地理环境因素,且未对修复后的网络进行优化,无法满足灾后煤矿物联网重构需求。针对该问题,提出了一种煤矿物联网灾后有障碍物情况下的网络空洞覆盖重构算法-NHCRA-O。建立了灾后煤矿物联网模型和节点感知模型,采用Delaunay三角剖分对网络中残存节点及障碍物角点进行区域划分,通过节点感知模型判断区域内是否存在网络空洞;计算Delaunay三角形质心位置,利用质心和Delaunay三角形顶点之间的距离确定虚拟修复节点位置;对虚拟修复节点和移动节点进行可视化判断,并基于距离因子和能量因子计算二者优先级,通过预剪枝操作删除部分计算结果来提高算法收敛速度,根据可视化判断结果和节点优先级进行虚拟修复节点和移动节点双向匹配,从而确定移动节点最终位置,完成网络空洞修复;融合剩余能量因子、节点连通度和方向介数计算节点优先级,根据优先级选举簇头节点,其他成员节点就近入簇,实现网络重构。采用Matlab2016a软件对NHCRA-O的节点匹配效率、网络覆盖效率和网络生存时间进行仿真研究,结果表明:NHCRA-O完成移动节点与虚拟修复节点匹配的次数较Gale-Shapley算法减少31.4%,网络覆盖率较C-V算法和PSO算法高且移动节点平均移动距离短,NHCRA-O重构的网络生存时间明显高于SEP算法和LEACH算法重构的网络。

车联网中的网络空洞特性分析

车联网中车辆节点快速移动和非均匀分布导致网络连接具有通断性,该特性严重影响节点间通信的时效性和可靠性.针对连接的通断特性,给出描述网络连接断开状态的网络空洞概念,重点分析网络空洞的出现概率以及空洞大小和数量的分布率.分析结果为解决网络空洞问题和改善网络连通性提供了理论参考.

基于空洞分层注意力胶囊网络的X射线焊缝缺陷识别方法

由于X射线焊缝图像的复杂多样性,使得很多传统基于X射线焊缝缺陷检测方法的准确性不高,泛化能力较差。提出一种基于空洞分层注意力胶囊网络(DHACNet)的X射线焊缝缺陷识别方法。DHACNet由卷积模块、空洞分层注意力和胶囊网络(CapsNet)组成。卷积模块用来提取图像的卷积特征,空洞分层注意力用来提取多尺度显著性特征,CapsNet利用胶囊层和动态路由算法替代卷积神经网络(CNN)中的池化操作和全连接操作。DHACNet具有强大多尺度特征提取能力,能够克服CNN只关注图像局部特征和池化操作导致图像部分信息丢失等不足。在构建的X射线焊缝缺陷图像集上进行识别试验,识别准确率为96%以上,与传统方法进行比较,结果表明,该方法有效可行,能够为X射线焊缝缺陷识别系统提供技术支持。

基于变分模态分解与空洞卷积神经网络的配电网故障选线方法

小电流接地系统发生单相接地故障时,零序电流故障特征微弱且繁杂多变,传统选线方法可靠性有待提高。提出了一种基于变分模态分解(variational mode decomposition,VMD)与空洞卷积神经网络的配电网故障选线方法。首先,分析配电网健全线路和故障线路的电气特征,采用零序电流作为故障特征信号,为选线模型的输入量提供理论依据;其次,通过变分模态分解把零序电流序列分成不同频率的固有模态函数,提高故障信号特征的平稳性和差异性;然后,采用空洞卷积神经网络作为选线网络,以增大卷积操作感受野的方式增强模型的自适应分类能力;最后,在MATLAB/Simulink中构建10kV配电网进行算例分析,结果表明,该方法在不同故障场景条件下均有较高的选线效果,验证了所提方法的鲁棒性与准确性。

基于空洞卷积神经网络的红壤有机质含量预测研究

土壤有机质(SOM)含量是衡量土壤肥力的重要指标之一,从高光谱遥感图像中有效预测SOM含量具有重要意义。传统的机器学习方法需要复杂的特征工程且精度不高,而以卷积神经网络(CNN)为代表的深度学习方法在土壤高光谱领域研究较少,且对小样本数据建模精度较差,光谱数据的空间特征提取不足。因此,提出了一种使用通道注意力机制的一维空洞卷积网络模型(SE-DCNN)。以广西国有黄冕林场和国有雅长林场采集的207个土壤样本为研究对象,对比分析了3种机器学习方法和4种深度学习方法在不同光谱预处理下的建模效果。结果表明,SE-DCNN模型因为使用了空洞卷积和通道注意力机制,扩大感受野并提取多尺度特征,有较好的建模精确度和泛化拟合能力。最佳预测模型是基于S-G降噪(SGD)和一阶微分(DR)的光谱预处理方式建立的SE-DCNN模型,验证集的决定系数(R^(2))为0.971,均方根误差(RMSE)为2.042 g·kg^(-1),相对分析误差(RPD)为5.273。因此,使用SE-DCNN能够对广西林地红壤有机质含量进行准确预测。

基于多尺度空洞胶囊孪生网络的水稻虫害识别方法

水稻是我国主要的农业粮食产物,害虫严重影响水稻的产量和质量。为了快速、准确地识别水稻害虫,针对现有传统识别算法中需要依赖大量训练样本、训练时间长等问题,提出一种基于孪生多尺度空洞胶囊网络(multi-scale dilated capsule siamese network, MSDCSNet)的水稻害虫识别方法。首先,该方法采用3个空洞Inception模块依次提取图像的多尺度卷积特征;其次,由胶囊网络进一步提取特征向量,构建图像的特征向量对;然后通过孪生网络计算每对向量图像的余弦相似度进行害虫识别,该方法集合多尺度空洞卷积、胶囊网络和孪生网络的优势,可有效克服深度卷积网络需要大样本、训练时间长等问题;最后在一个自建的水稻害虫小样本数据集上进行测试,实现对水稻5种常见害虫(稻蝗、稻纵卷叶螟、稻棘缘蝽、二化螟、稻飞虱)的识别,平均识别率达到95.6%,与VGG19算法、ACapsNet算法相比,识别率分别提高20.8、3.6百分点。结果表明,该方法在小训练样本集中,具有较强的鲁棒性和较高的识别率,可实现对水稻害虫的精确识别,为其他农作物的害虫识别提供参考。

基于空洞卷积神经网络的铝硅合金实体关系联合抽取模型(英文)

近年来,材料基因组计划(Material genome initiative,MGI)已经成为全球热点。随着材料科学的不断发展,材料文献中包含的海量信息成为研究人员关注的焦点,如何获取大量有效的材料数据是现阶段的主要挑战。本文采用自然语言处理(Natural language processing,NLP)技术从铝硅合金材料文献中获取数据。命名实体识别(Named entity recognition,NER)和关系抽取(Relation extraction,RE)是NLP的两个子任务,可以高效地从文本中提取单词信息及其之间的关系。铝硅合金文献中存在多种命名实体及多种关系,本文从材料科学文献中选择11种实体类型和13种关系类型,手动标注构建了铝硅合金实体关系数据集,将命名实体识别与关系抽取进行联合学习,即对实体识别和关系抽取进行统一建模。此外,针对基础模型的编码层存在捕捉文本语义信息不充分问题,通过改进模型的编码层,将基础模型的BiLSTM层与空洞卷积模型结合,组成了新的编码器,避免了BiLSTM处理文本信息丢失的问题,最终使铝硅合金实体关系联合抽取模型能够更好地捕捉文本中句子的语义单元信息。

基于不等簇半径轮换工作的传感器网络能量空洞避免研究

从理论上分析了分簇网络不同簇半径下的能量消耗情况,得到的结论是:1)给出了网络寿命最大时的簇半径τ的计算表达式;2)提出一种新颖而简单的采用不等簇半径轮换工作的能量空洞避免策略,其核心是:网络寿命取决于能量消耗最大节点的能量消耗,当采用不等的簇半径轮换工作时,其能量消耗最大的节点不是同一节点,因而其综合的能量消耗比采用最优的固定簇半径的能量消耗还少,从而可有效提高网络寿命。理论分析与模拟实验结果表明,该策略实施简单,又能够有效地避免能量空洞现象,并显著地延长了网络的存活时间。

基于空洞-稠密网络的交通拥堵预测模型

在利用卷积神经网络模型对短时交通拥堵情况等预测场景进行预测时,由于模型的卷积池化操作过程会丢失部分数据,使得目标位置的信息出现丢失及特征的分辨率持续下降,导致模型的预测能力降低.针对此,本文提出一种空洞-稠密神经网络模型.首先,利用空洞卷积用较少的网络参数获取更大感受野的特点,充分提取出复杂多变的数据时空特征.其次,通过下采样及稠密网络的等值映射,解决参数在神经网络层数增加过程出现退化的问题.最后,取实际的城市道路平均车速数据块对网络结构的有效性进行验证.结果表明:同卷积神经网络模型相比,该网络结构预测平均绝对误差降低3%~23%.

基于改进空洞卷积神经网络的丘陵山区田间道路场景识别

基于机器视觉的自主导航是智能农业机械的主要导航方式之一。丘陵山区复杂的田间道路场景,使得智能农机在田间道路上的自主导航与避障存在较大的困难。该文根据丘陵山区田间道路图像特征,将田间道路场景对象分为背景、道路、行人、植被、天空、建筑、牲畜、障碍、水塘、土壤和杆等11类,构建了基于空洞卷积神经网络的田间道路场景图像语义分割模型。该模型包括前端模块和上下文模块,前端模块为VGG-16融合空洞卷积的改进结构,上下文模块为不同膨胀系数空洞卷积层的级联,采用两阶段训练方法进行训练。利用CAFFE深度学习框架将改进的网络模型与经典的FCN-8s网络模型进行了对比测试,并进行了道路阴影的适应性测试。语义分割测试结果表明:Front-end+Large网络的统计像素准确率、类别平均准确率以及平均区域重合度都最高,而FCN-8s网络最低;Front-end+Large网络在无阴影道路训练集和有阴影道路训练集上的平均区域重合度分别为73.4%和73.2%,对阴影干扰有良好的适应性。该文实现了丘陵山区田间道路场景像素级的预测,能为智能农业机械在田间道路上基于机器视觉的自主导航和避障奠定基础。

基于Voronoi图的无线传感网络覆盖盲区检测方法

传感网络的空洞暴露程度较少,在检测网络覆盖情况时更容易出现误差,影响盲区的检测效果。为此,提出基于Voronoi图的无线传感网络覆盖盲区检测方法。根据节点分布关系推测无线传感网络覆盖情况,在Voronoi图的指导下排除已覆盖区域,获取具备检测条件的未覆盖无线传感网络空洞。计算网络空洞的暴露程度和节点能量,作为特征样本输入粒子群分离器中,根据分类器的输出结果,实现无线传感网络覆盖盲区检测。仿真结果表明,所提方法不同覆盖盲区数量下的检测时长低于0.2 s、不同节点数量下的检测能耗低于20 J、不同空洞圆心距下的覆盖盲区差异度最高为0.24,证明所提方法具有较好的无线传感网络覆盖盲区检测效果。

基于虚拟引力约束的光纤传感器网络节点空洞智能修复算法研究

针对传统光纤传感器网络节点空洞修复算法存在感知半径较低、距离阈值较短等问题,提出了基于虚拟引力约束的光纤传感器网络节点空洞修复算法。引入IVFA-B(Intensity-based Virtual Force AlgorithmWith Boundary Forces,IVFA-B)算法中的虚拟引力模型,分析异构网格中实现最大覆盖时两种异构节点感知半径的关系以及节点之间的最佳距离。将最佳距离和虚拟引力算法中的最佳距离阈值相结合,提供对异构网络的适应度,同时将节点移动概率引入节点移动距离公式中,实现光纤传感器网络节点空洞修复。仿真结果表明,所提出算法可以有效解决现有算法中存在的问题,在保证较为理想的覆盖效果基础上,延长感知半径和增大距离阈值。以此验证了所提算法具有较优应用性能。

融合空洞卷积神经网络与层次注意力机制的中文命名实体识别

该文针对现有的命名实体识别(named entity recognition,NER)模型未考虑到文本层次化结构对实体识别的重要作用,以及循环神经网络受其递归性的限制导致计算效率低下等问题,构建了IDC-HSAN模型(Iterated Dilated Convolutions Neural Networks and Hierarchical Self-attention Network)。该模型通过迭代的空洞卷积神经网络(ID-CNN)充分利用GPU的并行性大大降低了使用长短时记忆网络的时间代价。然后,采用层次化注意力机制捕获重要的局部特征和全局上下文中的重要语义信息。此外,为了丰富嵌入信息,加入了偏旁部首信息。最后,在不同领域数据集上的实验结果表明,IDC-HSAN模型能够从文本中获取有用的实体信息,和传统的深度网络模型、结合注意力机制的命名实体识别模型相比识别效果有所提升。

基于残差空洞卷积神经网络的网络安全实体识别方法

近年来,网络安全威胁日益增多,数据驱动的安全智能分析成为网络安全领域研究的热点。特别是以知识图谱为代表的人工智能技术可为多源异构威胁情报数据中的复杂网络攻击检测和未知网络攻击检测提供支撑。网络安全实体识别是威胁情报知识图谱构建的基础。开放网络文本数据中的安全实体构成非常复杂,导致传统的深度学习方法难以准确识别。在BERT(pre-training of deep bidirectional transformers)预训练语言模型的基础上,提出一种基于残差空洞卷积神经网络和条件随机场的网络安全实体识别模型BERT-RDCNN-CRF。通过BERT模型训练字符级特征向量表示,结合残差卷积与空洞神经网络模型有效提取安全实体的重要特征,最后通过CRF获得每一个字符的BIO标注。在所构建的大规模网络安全实体标注数据集上的实验表明,所提方法取得了比LSTM-CRF模型、BiLSTM-CRF模型和传统的实体识别模型更好的效果。

基于空洞卷积神经网络的金刚石图像语义分割

为准确分割金刚石颗粒图像,基于空洞卷积网络构建图像语义分割模型。以自建的小型金刚石颗粒图像数据集为基础,对所建模型的批处理规模、卷积层过滤器数量和膨胀系数等超参数进行调优。对比调优后的空洞卷积网络与传统的全局阈值法、自适应阈值法对金刚石颗粒图像的分割能力。研究结果表明:批处理规模、卷积层过滤器数量和膨胀系数等参数对网络的分割能力有重要影响;空洞卷积网络在0.965的精确度下可达到0.966的召回率,性能明显高于传统方法的,尤其是较好地解决了金刚石颗粒上亮斑的归类问题。

基于空洞卷积神经网络的噪声水平可调的高斯去噪方法

基于深度学习的图像去噪方法在使用空洞卷积神经网络时,去噪后的图像容易在尖锐边缘生成伪像,并且为了处理不同的噪声水平,需要训练多个特定的去噪模型.对此文中提出基于空洞卷积神经网络的噪声水平可调的高斯去噪方法.加入噪声水平图,实现噪声水平可调性,并使用改善的空洞卷积及可逆的下采样技术,缓解由于传统空洞卷积带来的图像尖锐边缘的伪成像问题.将下采样的子图与相应的噪声水平图都输入到非线性映射模型中,并使用改善后的减小空洞率的神经网络进行训练.实验表明,文中方法在获得GPU加速的同时具有调节噪声水平的能力,能够改善尖锐边缘的伪像问题,保留更多图像细节.

空洞残差U型网络用于视网膜血管分割

青光眼是一种不可逆转的致盲性眼科疾病,应当早发现和早治疗。但人工诊断是费时费力的过程,而且受基层医疗资源的限制,人工诊断很容易产生漏诊和误诊的现象。因此,利用深度学习技术辅助诊断眼疾病具有重大意义。如何更为准确且有效地分割视网膜血管成为眼疾病辅助诊断的研究热点问题。于是,基于U型网络(U-Net)提出一种新的网络结构称为空洞残差U型网络(Atrous Residual U-Net,AR-Unet)。在AR-Unet中,为了避免U-Net中的梯度消失以及图像结构信息丢失等问题,将残差网络(ResNet)引入到U-Net中。为了扩大感受野和提高物体间的相关性,再将空洞卷积(Atrous Convolution)整合到U-Net中,从而使得血管分割更加精确。在三个公开的彩色眼底图像数据集DRIVE、STARE和CHASE上进行大量实验,结果表明在不同评价指标下,AR-Unet方法的性能均要优于大多数对比方法。

基于孪生多尺度空洞胶囊网络的黄瓜叶部病害检测方法

在黄瓜叶部病害检测中,传统方法简单但检测正确率低,难以处理多种多样的病害叶片图像,深度卷积网络的检测正确率高,但依赖于大量训练样本,训练时间长。本研究提出一种基于孪生多尺度空洞胶囊网络(Siamese multi-scale dilated capsule network,SMSDCNet)的黄瓜叶部病害检测方法,该方法整合了孪生网络、空洞卷积网络和胶囊网络的优势,将多尺度空洞卷积模块Inception引入胶囊网络,作为孪生网络的子网络,构建孪生多尺度空洞胶囊网络模型,提取多尺度判别特征,再进行矢量化处理,最后经动态路由算法得到具有空间位置信息的胶囊向量,进行病害检测与识别。SMSDCNet克服了深度卷积网络需要大量训练样本、训练时间长以及对旋转和仿射变换敏感的问题,并且克服了多尺度卷积网络训练参数较多的问题。在一个较小的黄瓜病害叶片图像数据集上进行试验,病害检测精度达90%以上。结果表明,该方法能够实现小训练样本集的黄瓜叶部病害检测,为训练样本有限情况下的作物病害检测提供了一种新方法。

注意力机制与空洞残差网络的PCB缺陷检测

针对印刷电路板缺陷检测技术,文章提出了基于YOLOv5s的一个轻量型的CNN模型YOLO_AD,用于PCB缺陷检测。该模型主要体现在将轻量型Ghostmodule作为骨干特征提取网络,融合注意力机制,对输入分配偏好进行通用池化和信息加权平均后,引入空洞残差网络,减少了网络模型与卷积运算,提高了网络处理效率。部署到嵌入式板卡中,采用MVC架构配合硬件优化及软件设计搭建了实时在线的PCB目标缺陷检测系统。实验结果表明,测试各类缺陷识别率为90.53%,检测速度为30 FPS。