基于改进Wide&Deep的卷烟焦油指标预测模型

针对卷烟焦油指标预测任务中历史卷烟数据样本具有小样本和高维度的特点,导致模型预测准确度偏低的问题,提出一种基于改进Wide&Deep的卷烟焦油指标预测模型。首先通过多个机器学习模型对数据样本进行预测,并将得到的结果作为模型新特征;然后将机器学习模型得到的新特征输入到Wide&Deep模型的Wide端,同时构建融合特征输入到Wide&Deep模型的Deep端,并在Deep端通过引入二阶特征和注意力机制构建注意力特征交叉层实现特征的高阶组合以提高模型预测的准确度。实验结果表明,所提模型与未经过改进的Wide&Deep模型相比,平均绝对误差(MAE)降低了23.4%,均方根误差(RMSE)降低了21.8%;与基于卷积神经网络提取特征的改进Wide&Deep模型相比,MAE降低了15.0%,RMSE降低了16.4%;有效提升了卷烟焦油指标预测任务的准确度。

基于Wide&Deep的广告点击率预测模型综述

广告点击率预估模型在前深度学习时代工业界大多使用训练速度快、可解释强的LR以及挖掘联合特征的FM模型。2016年google提出的Wide&Deep模型为之后的预估模型开辟了一条双网格训练的道路。本文聚焦于Wide&Deep族的广告点击率预估模型,在代码上实现了各模型,并在数据集上进行了实验对比。

基于Wide&Deep-XGB2LSTM模型的超短期光伏功率预测

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型。对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合和挖掘统计特征构造辐照度×辐照度、均值、标准差等组合特征,并通过Filter法和Embedded法进行特征选择。在TensorFlow框架下通过算例对比验证了所提模型及特征工程工作对光伏功率预测性能的提升效果。

基于改进Wide&Deep交互特征提取的移动APP转化率预估

针对移动APP广告转化率预估特征维度高而稀疏、特征间高度交互使得转化率精准预估面临挑战等问题,提出一种融合场感知分解机(field-aware factorized machine,FFM)和深度卷积神经网络的改进Wide&Deep模型,以有效获取高维度稀疏特征的低阶和高阶交互关系,实现特征自动高效组合,提高移动APP广告转化率预估精度。在给出算法框架的基础上,针对稀疏数据的嵌入,提出了基于宽度模块FFM挖掘低阶特征交互关系的特征组合算法,然后,根据FFM所提取隐含特征向量,进一步给出了基于深度模块多层卷积神经网络提取高阶交互关系的特征提取策略,最后,将宽度和深度模块分别获取的特征组合用于转化率预估。所提算法在腾讯移动APP广告转化率预估中的应用表明了该方法在提高预估精度上的有效性。

基于Wide&Deep网络结构的营运车辆风险评级算法

本文通过分析营运车辆风险评级中常见的方法和问题,通过构建车联网平台采集车辆基础信息、驾驶环境、驾驶员行为三类数据,在对数据进行归一化处理后,采用Wide&Deep深度神经网络对数据进行建模。通过实验测试,本方法在预测营运车辆下个月的交通事故出现概率上具有较高的准确率,并根据预测结果对车辆风险进行评级,该评级能有效提高营运车辆安全管理效率。

基于Wide&Deep-LSTM模型的短期台区负荷预测

负荷预测是电力系统经济运行的基础,其对电力系统规划和运行都极其重要。由于影响负荷预测的因素较多,因此用常规的方法很难获得较好的预测结果。随着新一代人工智能技术的兴起,尤其以深度学习和大数据技术的快速发展,为进一步提高负荷预测的精确度奠定了良好的基础。文中将深度学习方法引入到电力系统的短期台区负荷预测中,综合利用了负荷台区的电压、电流、功率以及时间等特征信息。同时在已有的长短期记忆网络(LSTM)模型和宽度&深度(Wide&Deep)模型的基础上,建立了基于Wide&DeepLSTM的深度学习短期负荷预测模型,并在此基础上进行了日前台区负荷预测。该模型能够兼具深度神经网络的学习能力与LSTM模块的时间序列信息表达特性,能够较好地解决台区电力负荷预测的多特征维度及时序性特征问题。最后利用Tensorflow深度学习框架生成了仿真模型并加以验证,仿真结果充分证明了所提方法的准确性与实用性。

中国情境下的乡村创业:一个研究框架的构建

乡村创业是推进乡村产业振兴的关键抓手和实际切入点。“千村示范、万村整治”工程创造的成功经验和实践范例,不仅成为一份中国式现代化的乡村样本,还为我国乡村创业研究提供了丰富的素材,其中乡村情境是与创业活动紧密交互且不可剥离的要素,是实践和理论的研究焦点。通过梳理全球乡村创业研究脉络发现,异质性情境决定了乡村创业研究的侧重点,使不同区域开展的研究呈现发展不平衡且碎片化的特征。为推进我国乡村创业研究的内生理论发展,通过紧扣乡村创业活动与情境的互动这一核心特征,在梳理多维情境中乡村创业研究的基础上,构建中国情境下开展乡村创业研究的综合框架。该框架遵循资源依赖理论的逻辑,通过审视乡村情境各维度蕴含的资源,分析乡村创业同情境之间的资源依赖程度,强调最契合动态嵌入模式的选择。在时间、空间双重维度中,该嵌入模式的动态特征决定了乡村创业实现路径会不断演化甚至有双元嵌入融合的可能。结论进一步厘清了乡村创业的理论边界,有助于我国乡村创业研究的理论化和系统化发展,表明在学习“千村示范、万村整治”工程所蕴含的发展理念、工作方法和推进机制时需要因地制宜,分类施策,以当地乡村情境为核心,合理编排相适配的资源,选择恰当的嵌入模式以促进当地产业有序、良性发展。

胶东牟乳成矿带邓格庄金矿区深部构造特征及成矿预测

牟乳成矿带是胶东重要的金成矿带之一,为金矿集中分布区,是国内外金矿勘探和研究的热点。近年来,胶东金矿成矿规律和找矿理论不断取得新认识,尤其是热隆—伸展成矿理论的提出为深部找矿提供了理论基础。热隆—伸展成矿理论更加凸显出构造对金成矿的重要意义,深部构造研究由此显得尤为重要。广域电磁法是何继善院士团队研发的一种人工源频率域电磁勘探方法.

湘南坪宝矿田岩浆热液成矿系统深部探测与地球化学约束

湘南是我国乃至世界最重要的钨锡多金属矿集区之一,发育了坪宝、柿竹园、骑田岭等多个大型矿床(田)。随着浅部资源逐渐枯竭,成矿系统深延与探测成为找矿突破的重点,尤其是覆盖层下隐伏成矿岩体、流体运移通道与矿体赋存空间的准确识别。本文以湘南坪宝矿田为例,采用广域电磁、构造解析与地球化学等方法揭示了成矿系统的空间结构与物质组成:(1)矿田深部(<5 km)存在4个隐伏的燕山期花岗岩体,包括宝山、黄沙坪、大坊、野鹅塘,岩体呈现不规则形态;(2)岩体侵位受NNE走向、NE走向与NW走向的区域断裂交汇联合控制,其岩体接触带与次级断裂为主要的控矿构造;(3)断层破碎带中方解石、石英、赤铁矿等热液矿物为成矿流体活动留下的痕迹,可用来识别成矿流体的源区与路径;(4)科学钻探证实了矿体与成矿运移通道深延稳定,且可能与深部隐伏岩体导通;(5)宝山矿区西部、黄沙坪矿区东部、大坊与野鹅塘矿区深部应为该区未来找矿勘查的重点。通过广域电磁、构造解析与矿物地球化学分析可以深入认识隐伏岩体的空间形态与形成时代,构建成矿物质与流体的“源-运-储”模型,开展成矿系统的深部探测与成矿潜力评价。

辽东郑屯地区基于广域电磁法的深孔验证

辽东金矿床的发育被认为受变质核杂岩体系叠加拆离断层带控制,传统观点判定永宁盆地永宁组盖层厚度达到几千米以上,阻碍含矿流体的运移的同时,不利于形成大规模金属矿床。辽东地区矿床深部探测投入少、研究程度低,勘查探测深度长期局限于1 km以内。本文在郑屯地区采用广域电磁法获得了3 km以浅的电阻率分布特征,厘清了辽东盖层厚度为千米左右,突破了对永宁组巨厚盖层的传统认识;进一步施工2 km深钻开展验证,在孔深1 345 m处发现永宁组地层与下伏太古宙基底呈不整合接触关系,界面附近未见明显的构造拆离迹象。本研究证实永宁盆地盖层厚度仅为千米左右,结合区内多期活动断裂构造和密集分布的浅成岩脉群,初步判定永宁盆地的成矿地质背景类似胶东金矿集区,推测存在华北克拉通破坏时期含矿变质流体或岩浆热液运移至界面上部成矿的可能。辽东地区具有实现多金属找矿突破的潜力,广域电磁法勘探为深地成矿预测指明了方向。

基于改进YOLOv5的坦克目标检测算法

坦克目标的准确识别定位是信息化战争中一项重要研究,针对传统检测算法抗干扰性差、难应用于大视野复杂环境下的问题,提出了一种基于改进YOLOv5坦克自动识别的检测算法。利用YOLOv5模型对大视野复杂战场环境下坦克目标进行识别:在YOLOv5基础模型中引入Attention-based information fusion模块,提高模型检测精度和识别能力;使用Pre-segment multi-scale fusion模块解决骨干网络中池化操作所造成的信息丢失问题;使用Swin Transformer机制降低小目标坦克漏检误检的问题。在坦克数据集上进行实验,结果表明:与YOLOv5原始模型相比,改进模型的召回率、平均精度分别提高了9.1%、5.1%。改进后的YOLOv5模型可以很好地对大视野复杂环境下坦克目标进行精确识别,改善了坦克目标检测中小目标漏检的问题。

基于异构多智能体自注意力网络的路网信号协调顺序优化方法

针对路网交通信号控制的复杂性,本文提出基于异构多智能体自注意力网络的路网信号协调顺序优化方法,提升路网范围内多交叉口信号控制策略性能。首先,模型考虑多交叉口交通流的空间相关性,采用基于自注意力机制的价值编码器学习交通观测表征,实现路网级通信;其次,面向多智能体策略更新的非稳态环境,模型在前序智能体的联合动作基础上,基于多智能体优势分解的策略解码器,顺序决策最优反应动作;最后,设计基于有效行驶车辆的动作掩码机制,在时效完备区间自适应调节决策频率,并提出考虑等待公平性的时空压力奖励函数,进一步提高策略性能与实用性。在杭州路网数据集上验证模型有效性,结果表明:所提模型在2个数据集和5个性能指标上均优于基准模型;相比最优基准模型,所提模型平均行程时间降低10.89%,平均排队长度降低18.84%,平均等待时间降低22.21%。此外,所提模型的泛化能力更强,且显著减少车辆等待时间过长的情形。

跳连接变分自编码器与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障率小、不易收集故障数据的问题,提出基于跳跃连接变分自编码器与宽核深度卷积神经网络相结合的小样本故障诊断方法。该方法首先在变分自编码器的编码和解码之间引入跳跃连接结构,并将Tanh作为网络的激活函数,进而提高生成样本的特征多样性;其次,构建宽核深度卷积网络诊断模型,该模型可以提高从振动信号中提取故障特征的能力;最后,经生成样本扩充的数据集作为模型输入,提高训练集包含的特征信息量,实现小样本下的故障诊断。实验分析表明,所提方法在小样本情形下能生成有效的伪样本并具有较高的诊断精度。

Deep Web数据集成研究综述

随着World Wide Web(WWW)的飞速发展,Deep Web中蕴含了海量的可供访问的信息,并且还在迅速地增长.这些信息要通过查询接口在线访问其后端的Web数据库.尽管丰富的信息蕴藏在Deep Web中,由于Deep Web数据的异构性和动态性,有效地把这些信息加以利用是一件十分挑战性的工作.Deep Web数据集成至今仍然是一个新兴的研究领域,其中包含有若干需要解决的问题.总体来看,在该领域已经开展了大量的研究工作,但各个方面发展并不均衡.文中提出了一个Deep Web数据集成的系统架构,依据这个系统架构对Deep Web数据集成领域中若干关键研究问题的现状进行了回顾总结,并对未来的研究发展方向作了较为深入的探讨分析.

基于宽深超分辨率网络的信道估计方法

在正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统中由于快衰落导致信道特征不连续,常规的信道插值方法无法准确反应导频与整个信道之间的关联性。针对这一问题,提出了一种基于宽深超分辨率(Wide Deep Super-resolution,WDSR)网络的信道估计方法,把导频值通过最小二乘估计(Least Squares,LS)初步插值,再通过WDSR网络再次放大重构整个信道的响应。将信道估计插值上采样替换成初步插值和图像超分辨率上采样两步。仿真结果表明,与超分辨率卷积神经网络(Super-resolution Convolutional Neural Network,SRCNN)信道估计算法相比,在不同种类的信道以及导频数下WDSR信道估计方法均方误差性能提升约4.6 dB。

基于卷积神经网络多尺度特征的大豆基因组表型预测

在育种中,常常通过利用单核苷酸多态性(SNPs)来预测表型以辅助育种,提高育种效率。传统的统计分析方法受到数据缺失等诸多因素的限制,在一些情况下效果不佳。针对此问题,提出一种利用多尺度特征进行植物性状预测的卷积神经网络模型(MSF-CNN),该模型通过卷积提取3个不同尺度的SNPs特征,对植物性状数值进行回归预测,并通过对模型中SNPs的权重分析SNP位点的显著性。测试结果表明,与目前已知的其他方法相比,MSF-CNN模型在有基因型数据缺失值的数据集上表型预测的准确性更高。此外,通过显著性图研究基因型对性状的贡献,发现数个较显著的SNP位点。说明该深度学习模型可以更准确地预测定量表型,并能够高效识别与全基因组关联研究相关的SNP位点。

基于深广结合算法的迷宫机器人路径规划技术研究

针对矿井中复杂环境下巡检机器人存在路径规划能力较差、任务执行效率偏低的问题,文中将深度和广度路径搜索方法相结合,提出了一种机器人路径规划算法。通过深广融合得到A*路径规划算法,并将其作为全局路径规划的方法。对于算法中存在规划路径过长且平滑度较差的不足,使用人工势能法对局部路径加以优化,以提高路径规划的准确度。同时还利用贝塞尔曲线进行路径平滑操作,进而增强了算法的工程应用能力。实验测试结果表明,该算法在不同尺寸地图中的表现均较为良好,尤其是在大尺寸地图中,其规划的路径最短且运行时间缩短了20 ms以上,证明该算法具有较强的鲁棒性。

基于深度学习GRU网络的UWB室内定位优化

为减少信号传输质量和距离估计算法等因素对定位精度的影响,将深度学习应用于超宽带(ultra wide band,UWB)室内定位系统,利用门控循环单元(gated recurrent unit,GRU)网络代替传统UWB室内定位系统中的三边测量过程,以提高UWB室内定位精度。在得到定位标签到基站的距离信息后,将距离信息输入GRU网络中,输出最终位置坐标。GRU作为循环神经网络(recurrent neural network,RNN)的变种,既含有RNN处理时序数据的优势,又解决了RNN中的长程依赖问题。对GRU网络模型中不同学习率、优化器、批量大小、网络层数、隐藏神经元数量参数进行调整和训练。结果表明,基于GRU网络模型的UWB室内定位系统显著提高了定位精度,平均定位误差为6.8 cm。

基于广域电磁法的大红山铁矿深部找矿预测

随着生产规模的不断扩大,大红山铁矿隐伏的矿产资源危机已逐渐显现,深部是本区探矿突破的重要方向。在综合研究大红山铁铜矿的地质条件下,采用广域电磁法技术,以已查明主矿体电性分布特征与磁感强度为参照,结合地质、钻探、物探等多方面的信息,探测地下3 000 m以内地层、断裂带分布情况。经解译,排除非矿致异常,圈定4处异常区为找矿有利区;划分了18条断裂构造带,其中与工区已知对应的断裂构造4条,未控制或隐伏构造14条。

基于深度学习的宽基线弱纹理影像匹配研究

为了解决宽基线弱纹理影像匹配中的挑战性问题,本文深入研究了基于深度学习的匹配方法。首先,设计了宽基线弱纹理影像匹配的完整流程,包括几何纠正、粗等级匹配预测和最终匹配等关键步骤。在几何纠正方面,本文采用了一种有效的影像配准方法,以纠正由于摄影角度和地形变化引起的几何畸变。接着,通过引入深度学习模型,实现了对宽基线弱纹理影像的粗等级匹配预测,为后续精细匹配提供了可靠的初值。在最终匹配阶段,本文提出了一种结合传统特征和深度学习特征的综合匹配算法。研究结果表明,应用本文方法进行宽基线弱纹理影像匹配时,匹配正确率均在95.00%以上,显示了该方法在处理具有挑战性的影像数据时的优越性能。