考虑CBAM的中国外贸钢铁碳减排前景分析——基于隐含碳强度预测

欧盟碳边境调节机制(CBAM)正逐步实施,其高额碳关税无疑会加速中国出口钢铁行业碳减排进程,而与此同时,中国为实现“双碳”目标也出台了一系列减碳政策。为探究中国出口钢铁行业在复杂政策下的减排前景与关键因素,使用MRIO方法对隐含碳排放进行计算,构建了基于AO-ELM方法的隐含碳排放强度预测体系,模拟了不同政策情景下该行业的碳排放前景。研究发现,CBAM对该行业碳减排具有推动作用,但作用程度有限,提高中国国内政策的落实速度是更有效的途径;在同时考虑CBAM与国内政策如期落地的情景下,2034年该行业较基准情景可以降低8.35%的隐含碳排放。

基于CBAM VGG16-UNet语义分割模型的建筑物提取研究

针对在遥感影像建筑物提取中常常出现“漏检”“错检”“空洞”等问题,提出了融合双注意力机制的CBAM VGG16-UNet网络,用于建筑物提取研究。基于U-Net网络架构,在下采样部分,用VGG16前5个卷积块代替U-Net网络的编码器部分,在上采样的每个特征融合时引入双注意力机制CBAM,并用双线性插值代替U-Net的转置卷积。使用WHU建筑物数据集以及贵阳建筑物数据集进行了模型验证,与Mobile-UNet、U-Net、VGG16-UNet 3种建筑物提取网络模型进行对比分析。实验表明,CBAM VGG16-UNet在WHU建筑物数据集上精准率、召回率、F1-score、IoU达到了94.90%,95.46%,95.18%,90.80%,在贵阳建筑物数据集上精准率、召回率、F1-score、IoU达到了77.53%,84.46%,80.85%,67.85%,均优于3种对比模型。为解决建筑物提取常见问题提供了新思路,具有一定的工程应用价值。

基于改进CBAM注意力机制的MobileNetV2玉米种子品种识别研究

玉米是我国主要粮食作物,有较高的营养价值和经济价值。不同的地域环境适宜种植的玉米品种不同,但由于玉米种子在外形方面存在的差异较小,所以仅凭肉眼很难对其进行快速准确的识别。为实现玉米种子品种的准确识别,研究采集了9种玉米种子图像共2792张建立数据集,并按照7∶2∶1的比例随机划分训练集、验证集和测试集。将注意力机制CBAM引入轻量化模型MobileNetV2,对CBAM的串行方式进行改进,构建一个新型注意力模块E_CBAM,并通过对比不同的压缩比,选出效果最佳的压缩比为4,提出了E_CBAM_MobileNetV2模型。实验表明E_CBAM_MobileNetV2的准确率为98.18%,相较于MobileNetV2提高了5.45%。

融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于CBAM-CNN和压电悬臂梁的温度解耦质量感知方法

悬臂梁结构广泛用于微小质量测量,而温度变化会引起测量结果漂移。传统测量方法需要在温度稳定的环境中进行,但实际应用中通常难以满足此要求,且温度漂移对测量的影响难以直接解耦。本文提出了一种基于数据驱动,CBAM-CNN和压电悬臂梁的自适应温度解耦质量感知方法。首先,搭建谐振式压电悬臂梁温控测量平台采集不同质量负载下的阻抗响应信号,设计自适应加权预处理方法以增强结构特征并突出有限样本中的关键信息;其次,设计基于混合领域注意力机制的CBAM-CNN网络来评估信号中多个谐振峰的相对关系,实现温度解耦和质量感知。实验结果表明,该方法在25℃至55℃的温度范围内的对0.1~1 g的质量感知准确率高达99.70%,无需进行温度补偿即可实现大跨度温度下的精确质量感知。

基于CBAM-CNN的电力系统暂态电压稳定评估

为进一步提高电力系统暂态电压稳定评估模型的特征提取能力和模型在系统拓扑结构发生变化时的适应性,提出一种将改进的卷积神经网络与迁移学习相结合的方法。首先,在卷积神经网络的卷积层后插入卷积块注意力模块,对输入的数据从通道和空间两个独立的维度依次提取特征,提高卷积神经网络对系统暂态电压状态的识别能力。然后,将该模块与微调技术相结合,提高模型在系统拓扑结构改变时的在线更新速度。最后,算例分析验证了所提模型的有效性。

基于CBAM-InceptionV3迁移学习的食品图像分类

为提高食品图像自动识别分类的准确率,提出一种嵌入通道注意力机制和空间注意力机制的卷积块注意力模块(CBAM)的“开端”第三版(Inception V3)分类模型。将带有图像网络(ImageNet)预训练权重参数的InceptionV3模型拆分后,在每个Inception块后嵌入CBAM模块,再重新组装成新模型,共嵌入11个CBAM模块。将此模型用于经过填充和缩放到299×299像素的Food-101食品图像数据集进行迁移学习,最高准确率达到82.01%。与原始的InceptionV3模型相比,CBAM模块能够有效提升模型的特征提取和分类能力;同时迁移学习与从头开始训练相比也可以大幅提高准确率、缩短训练时间。与其它几类主流卷积神经网络模型进行对比实验,结果表明该模型具有较高的识别准确率,可为食品图像分类识别提供有力支撑。

欧盟CBAM碳排放数据报告义务研究

[研究目的]对欧盟CBAM碳排放数据报告义务进行研究,对于维护我国国家和企业利益以及正常的国际贸易秩序具有重要意义。[研究方法]结合欧盟CBAM相关立法案的规定,运用规范分析和比较研究方法,检视碳排放数据报告义务可能引发的现实问题。[研究结论]在碳排放数据报告义务履行中,面临因制度差异下的规则适用冲突而引发的碳排放核算问题、因跨境提供中的利益风险而引发的碳排放数据安全问题以及因成本负担下的贸易挑战而引发的碳排放数据壁垒问题。为解决上述问题,应当完善碳排放核算核查机制、分级分类化解碳排放数据跨境风险、借助政策手段减轻企业成本负担、维护企业国际贸易竞争话语权。

基于优化CBAM改进ResNet50的异常行为识别方法

在自动视频监控应用中,准确地识别出人类的异常行为是非常困难的任务。为了解决监测系统中异常人类活动的高效识别问题,提出了一种加强局部以及全局特征信息融合的异常行为识别模型ICBAM-ResNet50。在UTI和CASIA两个数据集上进行实验,结果表明该研究比ResNet50模型准确率分别提高了7%和8%。ICBAM模块引入一维卷积替换了原始CBAM中通道注意力的MLP操作,将局部的时间特征整合到通道描述符中,缓解了通道维度由于全局处理产生的忽略信息交互的问题;其次引入时空注意力机制替换CBAM中的单一空间注意力机制,来提高模型的时空表征能力。最后,将优化的CBAM模块嵌入到ResNet50中,通过在ImageNet上对其进行预训练,在两个基准数据集上该模型分别达到了98.8%和97.9%的准确率。使用相同的数据集,将实验结果与原始识别方法进行了比较,结果表明该模型优于所比较的其他方法。

基于CBAM-CGRU-SVM的Android恶意软件检测方法

随着Android恶意软件的种类和数量不断增多,检测恶意软件以保护系统安全和用户隐私变得越来越重要。针对传统的恶意软件检测模型分类准确率较低的问题,提出一种基于卷积神经网络(CNN)、门控循环单元(GRU)和支持向量机(SVM)的模型CBAM-CGRU-SVM。首先,在CNN中添加卷积块注意力模块(CBAM)以学习更多恶意软件的关键特征;其次,利用GRU进一步提取特征;最后,为了解决图像分类时模型泛化能力不足的问题,使用SVM代替softmax激活函数作为模型的分类函数。实验使用了Malimg公开数据集,该数据集将恶意软件数据图像化作为模型输入。实验结果表明,CBAM-CGRU-SVM模型分类准确率达到94.73%,能够更有效地对恶意软件家族进行分类。

欧盟碳边境调节机制(CBAM)对中国铝行业影响的分析

欧盟碳边界调整机制(CBAM)将铝产品纳入碳关税征收范围,我国电解铝及铝产品产量占全球的一半以上,通过研究CBAM的征收规则,分析我国铝产品对欧盟的出口量,比较我国铝产品碳排放量和欧盟基准值的差异,对比欧盟碳市场和我国碳市场碳价趋势,分析CBAM对我国铝行业的影响。由于我国铝产品对欧盟出口量小,铝产品直接碳排放量低,目前的机制对我国铝行业的影响较小。长远来看,考虑欧盟逐步取消免费配额,存在将铝产品间接排放纳入CBAM的可能,我国碳价明显低于欧盟碳价等因素,需采取积极措施有效应对。

碳排放数据出境的规制困境与中国方案——以CBAM为背景

数据出境是国际数据治理领域的核心议题。在欧盟碳边境调节机制(CBAM)正式进入过渡期的背景下,相关产品的碳排放数据出境问题不可避免。目前,中国国内数据出境相关立法抽象分散,部分术语定义模糊,数据分级分类制度有待推进,“重事前、轻事后”的监管逻辑不成熟,难以应对域外为限制我国境外业务开展所伴随的数据收集;国际上缺乏与CBAM相关条款的衔接,尚未打通碳排放数据跨境传输通道。在未来完善碳排放数据出境规制的进程中,国内方面需促进完善碳排放数据分级分类管理制度,制定碳排放数据出境差异化监管规则,国际方面应构建碳排放数据互信机制,创造良好的双向合规环境,保护中国碳排放数据国际话语权。

基于CBAMs-BiLSTM模型的中国股市预测

卷积块注意力模块(CBAM)因其可以有效地提高深度学习模型的预测准确性从而在各种预测问题中显示了其优越性。然而,CBAM在股指预测问题中的有效性研究却十分有限。为了解决这个问题并提高股指的预测精度,本文提出了CBAMs-BiLSTM模型。它将多个CBAM与双向长短期记忆网络(BiLSTM)相结合。研究中,标准指标评价法(SME)和模型置信集检验(MCS)用于综合评价模型的优越性和稳健性。实验数据为具有代表性的中国股指数据集:上证综合指数和深证综合指数。数值结果表明,CBAMs-BiLSTM优于单独的BiLSTM。其中在MAE,RMSE和MAPE上分别平均降低了13.06%,13.39%和12.48%。这证实了CBAM可以有效地提高BiLSTM的预测精度。此外,通过与其他流行模型进行对比,并研究了改变数据集、预测方法和训练集的大小的影响。结果一致证实了CBAMs-BiLSTM在预测精度和投资回报方面的优越性和稳健性。

基于CNN⁃CBAM的虚假数据注入攻击辨识研究

【目的】针对当前智能电网受到网络攻击时,未能及时锁定网络攻击位置实现快速部署防御策略的问题。【方法】文章提出了一种融合卷积注意力模块(CBAM)的卷积神经网络(CNN)模型(即CNN⁃CBAM模型)对虚假数据注入攻击(FDIA)位置进行检测。将FDIA的攻击辨识问题建模为一种多标签分类问题,CNN用于提取数据的空间特征,CBAM直接融合到CNN模块的卷积操作后,不仅能从空间域的角度关注重要的参数信息,同时还考虑了通道域上的特征关系,从两个维度对输入数据进行注意力分配,以提升模型的性能。【结果】在电气和电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE)14和IEEE118节点系统上对所提出的CNN⁃CBAM模型FDIA位置检测的性能进行验证,实验结果表明,CNN⁃CBAM在IEEE14和IEEE118节点系统上的FDIA位置检测率分别为98.25%和96.72%。【结论】与其他方法相比,文章所提出的CNN⁃CBAM模型能够有效地提取数据间的时空特性,提高FDIA存在性和攻击位置辨识精度,并具有更好的鲁棒性。

基于联邦学习与改进CBAM-ResNet18的脑肿瘤分类

针对联邦学习框架下,基于卷积注意力模块的多客户端脑肿瘤分类方法对于MRI图像中肿瘤区域细节提取能力不足、通道注意力与空间注意力相互干扰的问题,以及针对多点医疗肿瘤数据分类准确性低的问题,提出了一种融合联邦学习框架和改进的CBAM-ResNet18网络的脑肿瘤分类方法.利用联邦学习特性联合多点脑肿瘤数据,采用Leaky ReLU激活函数代替ReLU激活函数以减轻神经元死亡,将卷积注意力模块中的通道注意力模块由先降维再升维改成先升维再降维,充分提高网络对图像细节的提取能力,将卷积注意力模块中的通道注意力模块与空间注意力模块由级联结构改为并联结构,使得网络的特征提取能力不会受到二者先后顺序的影响.通过在Kaggle公开的脑肿瘤MRI数据集上的进行实验,该方法的准确率、精准度、召回率与F1值分别为97.78%、97.68%、97.61%与97.63%,比基准模型分别高6.54%、4.78%、6.80%、7.00%.实验结果证明,该方法不仅能够打破数据孤岛,实现多点数据融合,而且比多数现有主流模型的性能更好.

基于CBAM-InceptionV2-双流CNN的风电机组轴承故障诊断

针对风电机组轴承故障诊断中经典一维卷积神经网络和二维卷积神经网络准确率低的问题,将一维原始振动信号和二维时频图相融合,构建基于CBAM-InceptionV2-双流CNN的滚动轴承故障诊断方法。首先,通过快速傅里叶变换和小波变换,将原始振动信号转化为一维数据和二维时频图;其次,构建基于CBAMInceptionV2-双流CNN模型;最后,将提取到的双层特征信息进行融合,并输入到Softmax完成故障分类。实验结果表明,所提模型能够显著地提升轴承故障诊断的准确性。

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比,RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.

基于Dy Res Net-CBAM网络的滚动轴承剩余寿命预测

滚动轴承的工作状况关系到使用滚动轴承的机械能否正常运行,预测轴承的剩余使用寿命(RUL)是避免机械系统失效的关键。针对传统的轴承使用寿命预测方法无法自适应调节特征权重、提取有用特征,造成预测值误差过大的问题,提出了一种带有卷积块注意力模块(CBAM)的动态残差网络(Dy Res Net)用于预测轴承RUL。对振动信号进行快速傅里叶变换求得频域累积幅值特征,在动态残差网络中加入CBAM模块,并利用压缩激励模块进行特征细化得出预测结果,使用公开轴承数据集对所提模型进行评估。实验表明:与其他模型相比,Dy Res Net-CBAM模型能够充分提取特征信息,对轴承RUL预测的准确度高于其他模型。

基于CBAM的多模光纤微小位移状态检测方法

传感技术在传统行业领域已经得到了广泛应用,但受外部干扰影响,在微小目标检测和高精度需求方面略显不足。为了实现多模光纤微小位移状态的检测,提出了一种基于YOLOv4-tiny-CBAM模型结构的光斑识别方法。利用光纤弯曲程度与输出光斑之间的对应关系,通过采集多模光纤不同位移条件下的光斑图像,并结合卷积块注意力模块(CBAM)进行深度学习网络训练。实验结果表明,该方法在不进行预训练的情况下,将模型的平均精度从原模型的42%提高到了82.95%,实现了对多模光纤微小位移状态的高效识别。

融合MAML和CBAM的安卓恶意应用家族分类模型

为满足对新兴安卓恶意应用家族的快速检测需求,提出一种融合MAML(model-agnostic meta-learning)和CBAM(convolutional block attention module)的安卓恶意应用家族分类模型MAML-CAS。将安卓恶意应用样本集中的DEX文件可视化为灰度图,并构建任务集;融合混合域注意力机制CBAM,设计两个具有同等结构的卷积神经网络,分别作为基学习器和元学习器,这两个学习器在自动提取任务集中样本特征的同时,可从通道和空间两个维度来增强关键特征表达;利用元学习方法MAML对两个学习器进行训练,其中基学习器完成特定恶意家族分类任务的属性学习,元学习器则学习不同任务的共性;在两个学习器训练完成后,MAML-CAS将获得初始化参数,在面对新的安卓恶意应用家族分类任务时,不需要重新训练,只需要少量样本就可以快速迭代;利用训练完成的基学习器提取安卓恶意应用家族特征,并利用SVM进行恶意家族分类。实验结果表明,MAML-CAS模型对新兴小样本安卓恶意应用家族具有良好的检测效果,检测速度较快,并具有较好的稳定性。