融合TransD和边缘嵌入的知识图谱实体对齐

实体对齐用于在两个不同的知识图谱中发现在真实世界里表示同一对象的两个实体,而基于TransE模型的实体对齐方法在处理一对多、多对一、多对多等复杂关系时存在缺陷,即准确度不高的问题,不能精准推算出具有相同关系的实体,忽视了实体的多样性.针对上述问题,本文提出使用TransD模型处理一对一和多对一的实体关系,但缺点是忽略了关系的内在相关性,本文进一步使用边缘嵌入方法解决实体对齐的关系三元组,使用TransDCP-Align模型嵌入关系结构,利用三元组嵌入获得每一个实体的向量表示,并迭代更新每一个实体的向量表示完成实体对齐.在真实世界数据集的实验表明,本文提出的TransDCP-Align模型比传统表示学习模型有更好的实体对齐性能.

基于局部联合稀疏边缘嵌入的滚动轴承故障诊断

滚动轴承是机械设备的重要零部件之一,对其进行及时有效地监测和诊断对机械设备的安全运行有着重大意义。针对多源信息融合导致的高维性、信息冗余等问题,提出了一种基于局部联合稀疏边缘嵌入(locally joint sparse marginal embedding,LJSME)的轴承故障诊断方法。LJSME利用L 2,1范数来重构类间矩阵和类内矩阵并引入局部图保留高维特征间的邻域关系,且将L 2,1范数作为目标函数的正则项以保证特征提取的联合稀疏性,从而提高特征的敏感性和鲁棒性。首先从轴承振动信号中提取由时域和频域信息组成的高维特征数据集;随后利用LJSME提取高维特征空间数据集中的敏感低维特征;最后利用K-近邻分类器实现滚动轴承的故障模式识别。通过两组滚动轴承故障数据集对所提出的方法进行验证,与其他三种降维算法相比,所提算法能够有效地提取滚动轴承振动信号的敏感性特征。

基于边缘嵌入深度学习的非侵入式负荷分解方法

随着国家电网提出了"三型两网、世界一流"的战略目标,用户内部设备负荷信息的感知与获取在泛在电力物联网建设、推进过程中具有至关重要的地位,而非侵入式负荷分解技术使深度挖掘用户内部数据、获取家庭设备负荷信息成为可能,也是电网提升用户信息价值的必要前提。为此,首先通过改进的迭代K-Medoids算法,提高电器设备负荷聚类结果的稳定性与实用性,并将设备状态信息输入隐马尔可夫模型(hidden Markov model,HMM)生成模型训练数据。之后构建了一种基于多序列到点与时间信息编码的深度学习网络,利用双向门控循环单元网络挖掘分解时间点与前多序列之间的时间关联特征,联结时间标记编码特征,输入全连通网络进行特征解码实现深度学习网络模型的训练,挖掘家庭设备状态与负荷时间信息间的深层潜在关系。训练得到的深度学习网络模型嵌入至边缘节点中实现用户终端的本地化负荷分解。最后,利用真实公开数据集Ampds对所提方法的有效性进行了验证,结果表明基于边缘嵌入深度学习的非侵入式负荷分解方法与现有负荷分解方法相比具有明显优越性。

无人机巡检中的边缘AI识别应用研究

随着无人机技术的快速发展,无人机在巡检领域的应用日益广泛,特别是在电力、建筑等行业。无人机巡检可以大幅提高巡检效率,减少人力成本,并能在复杂环境中进行高效作业。然而,传统的无人机巡检方法依赖于人工识别,存在效率低、易出错等问题。无人机技术结合深度学习目标识别的应用,可以显著提高巡检效率和准确性。本文旨在开发一种基于深度学习的无人机巡检边缘嵌入式目标识别模型,将其部署在无人机边缘设备上,实时地从航拍视频流中检测和识别目标,为巡检提供高效、精准的解决方案。

基于主轴分析和嵌入置信度的彩色边缘检测

边缘提取是获取图像特征的基本方法之一,彩色图像提供了比灰度图像更丰富的信息,彩色图像的边缘检测日益受到人们的重视。分析了目前常见的彩色图像边缘检测算法,提出了一种将主轴分析和嵌入置信度相结合的边缘提取算法,通过实验证明,该方法充分利用了图像的彩色信息,能够有效地保护边缘细节,提高检测精度,具有良好的边缘提取效果和边缘连续性。

基于嵌入式边缘设备的端-边-云视频流分析系统构建

智慧军营是在继智慧城市之后产生的一个全新命题。近几年来,卷积神经网络的崛起推动着视频流实时分析应用快速发展,并造就了高效率、高准确度的智能分析水准。在智慧军营的建设方面,在端-边-云计算架构之上对监控摄像头的视频流进行灵活的实时智能分析逐渐变得不可或缺。论文以军营中的视频流车辆信息实时智能分析应用为例,提出了一项端-边-云计算架构之上的实时性优先的智能组件复用策略VideoEmbedded,同时针对大规模视频流实时智能分析应用场景,基于Docker容器技术和K8s容器编排技术,设计与实现了一套具有良好弹性伸缩与自动化运维能力的端-边-云系统。

VPN嵌入边缘设备的研究

从网络安全的现状和现有技术入手,分析了VPN嵌入交换机、路由器和防火墙三种边缘设备的方案,并讨论了VPN嵌入边缘设备时三个主要问题的解决思路。

人工智能基础软硬件架构的关键技术研究

针对当前人工智能技术在军用领域的应用问题和难点,研究基于深度学习技术的军用软硬件架构设计方法,并且结合业内主流的软硬件基础架构,分析在军事应用中涉及的关键技术和解决思路。通过对深度学习模型压缩转化、数据增强和分布式训练等软硬件架构的关键技术研究,设计构建了一站式人工智能开发平台、嵌入式边缘智能计算平台,对军用人工智能提供端到端的训练、部署和测试支撑。该研究可为未来智能无人作战系统提供软硬协同的智能计算解决方案。

HEPS磁铁电源控制系统设计

介绍了高能同步辐射光源中磁铁电源控制系统的设计.该系统硬件部分包括嵌入式边缘计算控制器Atlas 200和数字电源控制模块.在主控模块Atlas 200中运行EPICS IOC,其设备驱动基于StreamDevice开发,通过Modbus-TCP协议与数字电源控制模块通信,进而实现对磁铁电源的远程控制及未来可扩展的智能控制.上层人机界面采用CS-Studio开发,能够直接控制并保护电源运行状态.本系统已完成离线测试,控制功能均可正常运行.