基于贝叶斯超参数优化的鲜香菇机器视觉图像分级识别

针对鲜香菇分级机械化程度低,精度不高等问题,本文提出1种基于贝叶斯超参数优化技术的鲜香菇机器视觉图像识别方法。利用摄像头拍摄鲜香菇图像,按人工分级标准对采样图像进行正反面标记分级,获取并标记了5级的鲜香菇图像,利用仿射变换和对比度变换的方法对获取的数据集进行扩充,建立各等级鲜香菇图像数据集;基于深度卷积神经网络,对3种预训练网络模型(AlexNet、GoogLeNet、ResNet-18)分别进行迁移学习,3种模型分别记为XGu_Ale、XGu_Goo和XGu_Res-18;使用贝叶斯优化算法对3种模型的香菇正反面数据集进行超参数优化,并分析了各个网络模型的测试结果。分析可知鲜香菇正面图像等级模型以Z-XGu_Res-18模型的识别准确率最高,鲜香菇反面图像等级模型以F-XGu_Res-18模型的识别准确率最高,准确率分别为98.73%和99.15%,选择以上2个模型可满足鲜香菇的分级要求,对正反面识别结果进行加权组合得到鲜香菇分级识别的最终等级。

基于贝叶斯算法优化的CatBoost矿压显现预测

通过传统的监测手段获取矿压数据并采用统计学或机器学习算法对矿压进行预测已不能满足矿山智能化发展要求,需要寻求新的方法提升矿压数据监测及矿压预测的准确性和实时性。基于三维相似物理模型试验,搭建分布式光纤监测系统,沿模型走向和高度2个方向预埋分布式光纤,在模拟工作面开采过程中采集来压数据,并引入光纤布里渊频移平均变化度作为判断是否来压的指标;通过对光纤监测数据进行噪声去除、归一化及相空间重构等预处理,将一维初始监测数据转换为三维数据;使用贝叶斯算法对CatBoost算法进行迭代参数寻优,在达到最大迭代次数后将最优参数组合装载到CatBoost算法中,通过训练得到矿压显现预测模型。结果表明:贝叶斯算法比传统网格搜索法的迭代次数更少、误差更小;与随机森林(RF)、梯度提升决策树(GBDT)和极值梯度提升树(XGBoost)算法相比,CatBoost算法的预测精度更高、泛化能力更强;基于贝叶斯算法优化的CatBoost矿压显现预测模型能准确预测出测试集中的3次来压,且整体预测趋势与实测值较为吻合,平均绝对误差为0.0091,均方根误差为0.0077,决定系数为0.9339。

基于改进SAX算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法

新型电力系统下配电网运行方式调整愈来愈频繁,配电网负荷-馈线匹配面临采样数据高维异构且价值密度低、现有匹配算法对负荷物理特征依赖度高、参数设置灵活性弱等难点,为此提出一种基于改进SAX(符号聚合近似)算法与贝叶斯超参数优化的配电网负荷-馈线智能匹配方法。首先,建立面向离散符号化时间数据序列的数据价值提升模型,将高维异构的数据近似表示为低维统一的符号,修正和填充异常数据、空白数据。其次,构建改进CNN-LSTM(卷积神经网络-长短期记忆)混合神经网络,对负荷数据进行所属馈线匹配分类训练,利用多头注意力机制深入挖掘负荷数据的潜在数学关系,降低对负荷物理特征的依赖度。然后,引入贝叶斯超参数优化算法对神经网络训练参数进行逐次更新,提高馈线拓扑变化时神经网络模型的灵活性与适应性。最后,对某地区100条馈线进行负荷匹配实验验证,结果证明所提方法较传统方法具有更高的匹配精度。

基于贝叶斯参数优化的无模型自适应硅单晶直径控制

直拉硅单晶的生长过程涉及多场多相耦合与复杂的物理化学变化,其中工艺参数的波动是导致晶体直径不均匀的重要原因,如何实现工艺参数的控制以获得理想的、均匀的晶体直径具有重要的研究意义。本文分析现有控制方法存在不稳定以及控制效果不佳的问题后,提出基于贝叶斯参数优化的无模型自适应控制模型来控制硅单晶生长过程中的晶体直径。首先以坩埚上升速度与加热器的功率作为控制输入参数,晶体直径作为输出,搭建无模型自适应控制模型,并分析算法的稳定性。其次将控制模型进行仿真实验,发现硅单晶直径控制模型中不同的超参数设定会影响控制过程的迭代次数以及控制效果。最后,利用贝叶斯优化超参数的取值范围,并进行最终的仿真实验,结果表明,经贝叶斯参数优化后的控制模型计算快、迭代次数少,输出的晶体直径稳定,同时将生长工艺参数控制在实际生产要求范围内。因此,基于贝叶斯参数优化的无模型自适应控制实现了硅单晶直径均匀稳定的有效控制,具有结合工程背景的实际应用前景。

一种基于贝叶斯网络的微波雷达和图像融合与分类算法

近年来,深度学习技术的进步在合成孔径雷达(SAR)自动目标识别(ATR)技术中取得了出色的表现。然而,由于斑点噪声的干扰,SAR图像的分类任务仍然具有挑战性。为了解决这个问题,本研究提出了一种多尺度局部–全局特征融合网络(MFN),该网络集成了卷积神经网络(CNN)和Transformer网络。所提出的网络包括三个分支:CovNeXt-SimAM分支,Swin Transformer分支和多尺度特征融合分支。CovNeXt-SimAM分支在不同的尺度上提取SAR图像的局部纹理细节特征。通过将SimAM注意机制结合到CNN块中,从空间和通道注意角度增强了模型的特征提取能力。此外,Swin Transformer分支用于提取不同尺度下的SAR图像全局语义信息。最后,多尺度特征融合分支用于融合局部特征和全局语义信息。此外,为了解决由于经验确定的模型超参数问题而导致模型精度和效率较低的问题,采用贝叶斯超参数优化算法确定了最佳的模型超参数。该研究提出的模型在MSTAR数据集上,标准工作条件(SOCs)和扩展工作条件(EOCs)下,对SAR车辆目标分别取得了99.26%和94.27%的平均识别准确率。与基准模型相比,识别准确率分别提高了12.74%和25.26%。结果表明,贝叶斯-MFN降低了SAR图像之间的类间距离,导致更紧凑的分类特征和更少的斑点噪声干扰。与其他主流模型相比,贝叶斯-MFN模型展现出最佳的分类性能。

贝叶斯超参数优化的浅层神经网络轴承故障诊断方法

为实现轴承故障的精确诊断,采用特征排列的方法分析轴承振动的数值特征,通过贝叶斯超参数优化方法调整神经元数量来拟合轴承振动特征,并用Dropout解决过拟合问题,提出一种基于贝叶斯超参数优化方法的浅层神经网络轴承故障诊断方法。实验表明,在各种阈值下,采用该方法的轴承故障诊断综合评价指标AUC达到99.8%,性能指标高于传统故障诊断方法。

基于超参数优化和集成学习的互联网信贷个人信用评估

针对互联网信贷行业的个人信用风险评估问题,文章提出了一种基于贝叶斯参数优化和XGBoost算法的信用评估方法。方法包括五个步骤:数据预处理、特征选择、超参数优化、模型训练、模型预测和评估。实验结果表明,本方法的预测效果优于对比算法(Logistic回归、支持向量机,随机森林、神经网络),同时贝叶斯参数优化方法优于网格搜索法和随机搜索法。因此本文提出的信用评估方法,可以更好区分违约用户,有助于更好地识别用户的违约风险。

基于VMD-Stacking集成学习的新能源发电功率预测模型

在“双碳”背景下,新能源发电功率的准确预测对于电力系统的平稳运行至关重要。提出了一种自适应性的VMD-Stacking集成模型,以解决数据集变化时传统学习模型预测精度不高的问题。利用皮尔逊相关系数选择与发电功率强相关的气象特征,通过变分模态分解(Variational mode decomposition,VMD)将功率数据分解为多个模态分量,由此构成新的数据集。运用贝叶斯优化算法调整超参数,综合评判随机森林等8种学习模型的评价指标,自适应选出预测性能最优的3种模型作为基学习器,并选用稳定性和泛化能力相对较强的线性回归(Linear Regression)作为元学习器,建立Stacking融合模型。对各分量的预测值叠加,得到最终预测结果。以某新能源场站为例,对风、光电站的发电功率进行预测。算例验证结果表明,该模型在面对不同数据集时,体现出较强的适应性,预测性能也得到显著的提升。

基于BayesianOpt-XGBoost的煤电机组碳排放因子预测

以贝叶斯参数优化的XGBoost算法为基础,基于机组特征和煤炭特性建立BayesianOpt-XGBoost预测模型,其发电、供热碳排放因子预测的相关系数R^(2)分别为0.91和0.87,绝对误差百分比为2.51%和2.91%.进一步,通过特征标准化方法减少对煤炭特性的依赖,模型预测R2分别为0.79和0.77,绝对误差百分比为3.94%和2.75%,精度仍可得到保障.基于该模型分析全国各省区煤电机组碳排放因子并与公布数据进行比较,证明了该模型的有效性.对机组预测结果的分析表明对现存的低容量机组进行改造、对新建造电机组采用大容量高参数可以减少碳排放强度.

基于改进EfficientNet的电力资产信息数据流量异常检测的应用

针对传统异常流量检测方法在面对复杂多样的新型网络攻击时存在的数据特征提取困难、准确率低、误报率高和运行成本高等问题,提出了一种基于EfficientNet与贝叶斯超参数优化的电力资产信息流量异常检测方法,通过将流量数据序列转换为二维图像,有效提取网络流量异常特征并进行分类,实现高准确度和效率。在KDD-NSL、CIC-IDS2017数据集上,相较于VGG19、Xception、ResNet50,该方法分别提升最高6.7%的准确率和8.1%的F1值,表明了该方法的显著优势和实用价值。

基于KPCA-LSTM的旋转机械剩余使用寿命预测

旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。

基于ForGAN的高速电梯制动器失效预测方法

针对高速电梯制动器失效率及维护决策方面的研究目前仍存在明显的不足。为了解决目前高速电梯在制动器失效率预测上存在结果准确性和可靠性不足的问题,对高速电梯制动器失效模式和机理进行了分析,确定了影响制动器失效的主要原因和相关参数,提出了一种经贝叶斯超参数优化后的预测性生成对抗网络(ForGAN)模型。首先,采集了高速电梯制动器工作性能数据,并对其进行了归一化处理;然后,利用主成分分析法进行了理论失效率计算,并采用了基于BO+ForGAN的模型对制动器失效率进行了预测和分析;最后,将所得结果与SVM、BiLSTM等传统预测模型所得结果进行了分析对比,并选取绝对误差、均方根误差、决定系数(R2)对上述各个预测结果的精度进行了评估。研究结果表明:基于BO+ForGAN模型的制动器失效率预测效果最好,泛化能力最高,能适应不同的实验工况,且贝叶斯超参数寻优算法能够找到一组最优的超参数。评估结果显示,高速电梯制动器失效率预测值的准确率达到了98.1%,从而验证了基于BO+ForGAN模型(方法)的有效性。

不同日照强度下的舰船目标识别

海面目标监测时,舰船目标的清晰度常随着不同的日照强度下海面光线反射强度而变化,不同的日照强度会导致舰船目标识别率不稳定,出现误判虚警率提高等问题.为此,提出基于ResNet-50的舰船目标识别算法.首先使用ResNet-50网络提取图像特征信息,并对日照强度变化前后的特征进行日照鲁棒损失约束,减小特征差异;然后采用灰度直方图计算特征统计矩的方法得到日照对比度、亮度、平滑度、信息量、三阶矩和熵6种特征,并生成新的特征向量对日照强度前后的特征再次进行日照鲁棒损失约束,削弱和约束日照变化前后亮度、对比度因素对特征的影响;最后将二者约束联合构成损失函数并进行训练,使用贝叶斯自适应超参数优化训练最佳权重.实验结果表明,针对舰船日照变化数据库的平均识别率达到90.47%,比改进前提高4.00%左右,对日照强度为25,65和80的舰船图像识别率分别提高3.14%,6.07%和16.41%,该算法对日照强度变化有着良好的约束作用,显著提升了识别率.

基于LightGBM模型的公交线路串车状态识别方法

同1条线路上相邻公交车辆由于受到道路等因素的影响,其实际车头时距与发车间隔相比显著缩短,导致相邻车辆在较短的时间内到达同1个公交站点即引发公交线路“串车运行”问题(即相邻公交车辆在实际运行中的车头时距与发车间隔相比显著缩短的现象)。辨识线路的串车状态(串车运行和非串车运行)是进一步提升城市公交车辆运营的稳定性的关键。提出了基于贝叶斯参数优化的LightGBM模型,并将其用以识别公交线路串车状态。从站点、运行、乘客、时间和天气这5个角度初步选取20个影响线路串车状态的关键因素,并采用Spearman相关性检验和方差膨胀因子诊断多重共线性。建立二元Logit模型进行影响因素分析。提取显著的影响因子,构建LightGBM模型用以识别线路串车状态,并分别采用贝叶斯优化与随机搜索优化对模型中用以确定模型属性和训练过程的超参数进行寻优。以西安市公交车辆行车数据为例进行模型的应用验证,对比2种参数寻优方法(贝叶斯优化与随机搜索优化)的效率,并将提出的LightGBM模型与XGBoost、随机森林(RF)、决策树模型(DT)和AdaBoost模型的识别精度进行对比。研究表明:上车乘客数、信号灯数量、近距商业区数量、近距内主路上行驶的距离(即车辆在近距离范围内在主道路上行驶过的距离)和拥堵延时指数对线路串车状态有显著影响。LightGBM模型的参数采用贝叶斯优化比采用随机搜索优化的准确率提高了1.31%。采用贝叶斯算法优化参数的LightGBM模型比采用随机搜索算法优化的准确率提高了1.31%。所提出的经贝叶斯优化的LightGBM模型正确识别公交线路串车状态(包括串车运行和非串车运行)的比率为82.89%,识别性能优于对比模型。

5G EN-DC场景下LTE基站下行速率预测方法研究

在EN-DC Option 3x双连接中,5G gNB能否在数据分流时准确地获取LTE eNB下行速率,影响着5G E-UTRA和NR双连接(E-UTRA-NR Dual Connectivity,EN-DC)实际性能的高低。文中提出了一种结合贝叶斯超参数优化的双层堆叠长短时记忆时序预测模型(BO_SLSTM)对LTE eNB下行速率进行实时高精度预测。研究了不同自适应学习率优化算法和时间步长对模型预测精度及速度的影响,实现算法的进一步优化。实验结果显示,经过优化后的模型预测准确性达到了99.8%,在LTE eNB下行速率预测中具有良好的预测性能和较好的适用性。