基于ZigBee-WiFi混合网络的煤矿井下多参数传感器系统设计

现有井下无线参数采集传感器系统大多采用单一无线传输模式和采集单一参数,无法兼顾传输速率与使用能耗且安放不便。针对此缺点,设计了一种结合ZigBee与WiFi无线技术的多参数采集传感器系统,该传感器系统有效地结合了两种无线传输技术的优点,在降低使用能耗的同时提高了传输速率,且集成采集井下多种环境参数,具有布置灵活和扩展性强的特点。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

机电系统网络控制课程的多维度混合式教学探索与实践

针对研究生课程机电系统网络控制的教学现状与发展需求,开展多维度混合式教学探索与实践。构建包含课堂讲授、资源库、专题研讨等在内的线上线下多维度教学体系;针对主题研讨实践环节引入翻转课堂,以项目驱动和研讨式教学引导学生分组完成课程相关的项目任务,掌握并运用所学知识分析解决问题,体验科学研究的过程与思维方法,形成理论知识到科研实践的闭环训练;最终建立形成性和终结性相结合的多元考核评价体系,旨在通过课程学习培养专业基础扎实、科研素养和工程实践能力突出的高端创新型人才。

结合对抗训练和特征混合的孪生网络防御模型

神经网络模型容易受到对抗样本攻击。针对当前防御方法侧重改进模型结构或模型仅使用对抗训练方法导致防御类型单一且损害模型分类能力、效率低下的问题,提出结合对抗训练和特征混合训练孪生神经网络模型(SS-ResNet18)的方法。该方法通过线性插值混合训练集样本数据,使用残差注意力模块搭建孪生网络模型,将PGD对抗样本和正常样本输入不同分支网络进行训练。在特征空间互换相邻样本部分输入特征以增强网络抗干扰能力,结合对抗损失和分类损失作为网络整体损失函数并对其进行标签平滑。在CIFAR-10和SVHN数据集上进行实验,该方法在白盒攻击下表现出优异的防御性能,黑盒攻击下模型对PGD、JSMA等对抗样本的防御成功率均在80%以上;同时,SS-ResNet18模型时间花销仅为子空间对抗训练方法的二分之一。实验结果表明,SS-ResNet18模型能防御多种对抗样本攻击,与现有防御方法相比,其鲁棒性强且训练耗时较短。

基于改进混合密度网络的毁伤效应预测方法

提出一种基于改进混合密度神经网络的毁伤效应预测方法,解决了现有智能毁伤效应预测方法中仅能输出点预测结果,但难以量化毁伤效应预测结果的不确定性问题。采用鲁棒性更好的t分布作为混合分量,利用混合密度网络生成概率密度函数,以反映毁伤效应预测中的不确定性,并根据给定置信水平获得区间预测结果。仿真实验表明,获得的概率密度函数可以较为准确地拟合蒙特卡洛仿真模拟结果,与现有的毁伤效应预测方法相比,可以更好地指导作战筹划。

无线传感器网络能量均衡混合拓扑维护策略

针对恶劣环境下无人值守的无线传感器网络能量受限特性,提出一种时间和能量混合拓扑维护策略,以达到实现节点能量均衡的目的。将拓扑控制分为网络初始化阶段、拓扑构建阶段和拓扑维护阶段,在随机部署和虚拟骨干网络构建的前提下,确立了能量和时间作为拓扑维护触发条件的合理性。仿真表明,所提出的混合拓扑维护策略使网络生命周期提升了44.6%,90%覆盖率结束时间增加了1.4倍,为无线传感器网络的节能部署提供了参考。

连接无源网络的LCC-FHMMC混合直流输电系统送端交流故障穿越控制策略

LCC-FHMMC型混合直流输电系统可以完全解决逆变侧换相失败问题,在向无源网络供电领域具有广阔的应用前景。建立了双端混合直流输电系统的数学模型,在分析送端交流故障机理和无源网络工作特性的基础上提出一种基于桥臂电压控制的故障穿越控制策略。通过让负荷主动参与调节换流站不平衡功率,快速恢复直流功率传输的同时有效避免切负荷,同时实现受端换流站和负荷的故障穿越。依靠全桥子模块拓扑能够输出负电平的特点扩大逆变侧直流电压的调节范围,避免子模块电容过度放电导致的换流站闭锁,有效减小了故障清除后直流冲击电流。设计了不同严重程度交流故障下相关参数的选取原则,后基于电磁暂态仿真软件搭建双端混合直流输电系统的仿真模型验证了所提控制策略的有效性。

考虑网络增容与无功支撑的混合型智能软开关优化配置

传统智能软开关(SOP)替换联络开关的工作模式使得支路传输功率完全受到SOP容量约束,限制了含高比例分布式光伏配电网的潮流转移能力。为此设计了结构灵活、控制模式可变的混合型智能软开关(HOP),并提出了考虑网络增容与无功支撑协同的HOP优化配置方法。分析了HOP在不同支路传输容量下的4种控制模式,并建立了考虑联络线和SOP功率流向的HOP功率模型;为获得光伏出力和负荷需求代表性场景,提出了基于堆叠自编码器特征提取的场景生成方法;考虑到HOP联络开关状态对潮流和网络拓扑的影响,推导含HOP的支路潮流方程约束,建立了考虑配电网重构的HOP优化配置模型,并通过线性化处理将优化配置模型转化为混合整数线性规划问题。算例结果表明HOP能够应对支路增容需求,降低配电网规划成本,提升分布式光伏消纳能力。

基于Transformer和CNN交错混合的肺结节分割网络

针对肺结节尺寸多样、形状异质化高等问题,提出基于Transformer和卷积神经网络(CNN)交错混合(IMTC)的肺结节分割网络,该网络是一个对称的层次连接网络,具有很强的多尺度特征提取能力。该网络通过集成2种方案分别解决肺结节多尺寸与形状异质化问题:(1)采用感知注意力模块(inception attention module,IAM),通过并联多个不同大小的卷积核来增加浅层网络的感受野组合,以此捕获更为丰富的浅层特征;(2)为获取更具表示能力的高级语义特征,利用由Transformer和CNN组成的基本骨干网络交错提取结节特征,使得全局特征与局部特征充分融合,从而提高结节特征表示的泛化能力和鲁棒性。实验结果表明:本文模型可以准确分割直径较小以及边缘复杂的肺结节,在LUNA16公开数据集上分割性能良好,Dice和IOU分别达到86.15%和76.10%。

拥堵车源的区域多层交通网络混合路径诱导策略

为了缓解高速公路交通拥堵,利用国道和省道实现交通分流,并有针对性地实施路径诱导策略,建立了考虑拥堵车源的区域多层交通网络混合路径诱导模型。首先,构建了由国道、省道以及湖南省高速公路组成的区域多层交通网络,标定网络链接权重。然后,定位交通拥堵车源,建立了考虑拥堵车源的混合路径诱导模型,对从拥堵车源出发的车辆实施有针对性的路径诱导,在保障缓解交通拥堵效果的同时,尽可能减少对出行者的影响。研究结果表明,该模型能够实现多层网络有效分流,有效减少路网中车辆的平均出行时间。在实际应用中,可以只对少数出行者提供路径诱导信息以降低模型的实施难度,并通过调查出行者对建议路径的接受率,制定合适的路径诱导信息发布方案。

基于随机森林的复杂室内混合WiFi-LiFi网络接入点选择研究

针对复杂室内环境下混合LiFi-WiFi异构网络接入点选择困难的问题,提出一种基于随机森林模型的混合LiFi-WiFi网络接入点选择算法。所提出的网络接入点选择算法利用多个网络的信道特性,通过模拟不同的室内复杂环境,采集不同位置用户在不同情况下的接收信号强度和信噪比等值,构建训练集,使模型能够适应各种复杂的室内环境。仿真结果表明,与传统网络选择算法相比,算法的平均可实现吞吐量提高了约82%,特别是在室内情况较为复杂时,可提高160%。在用户移动时,并且接入用户数量增加时,文章提出的算法可比其他算法切换次数显著减少20%。

考虑OD需求聚类的区域多层公路交通网络混合路径诱导模型

随着交通出行需求的快速增长,我国高速公路网络面临的运输压力日渐增加,经常出现严重的交通拥堵现象。为了缓解高速公路交通拥堵,并实施更有针对性的交通管控措施,提出了考虑OD需求聚类的区域多层公路交通网络混合路径诱导模型。首先,利用湖南省高速公路以及国道、省道的地理信息数据构建区域多层公路交通网络。然后,根据OD对间距离和OD交通量的差异,利用K-均值聚类算法对OD对进行聚类分析,将OD对划分为3个不同的类别。最后,应用遗传算法筛选出各类OD对中对拥堵贡献较大的出行群体,并建立有针对性的混合路径诱导模型,对拥堵贡献较大和拥堵贡献较小的出行群体分别应用不同的路径诱导方案。当OD需求扩样系数设置为6时,对OD对聚类可以将总出行成本进一步降低35186.03 min。在不进行OD对聚类时,使用规划路径的出行总数为79140,而实施OD对聚类后,使用规划路径的出行总数为70374。使用诱导路径的出行的平均出行时间由121.47 min下降为85.61 min,极少数出行(3.75%)的时间增加,且增加最大值低于3 min。对多个不同扩样系数进行敏感性分析进一步说明了考虑OD需求聚类的混合路径诱导模型具有良好的拥堵缓解效果。考虑OD需求聚类的区域多层公路交通网络混合路径诱导模型可以用于识别对拥堵贡献较大的关键出行群体,进而制定有针对性的路径诱导策略,在缓解高速公路交通拥堵的同时能够减少对大多数出行者的影响,降低路径诱导策略的实施难度。另外,研究结果还表明:对出行距离较长的出行群体实施路径诱导能够更加有效地缓解区域多层公路交通网络中的交通拥堵。

高斯混合模型与文本图卷积网络结合的虚假评论识别算法

针对文本图卷积网络(Text GCN)窗口边权阈值策略不足的问题,为了更精准地挖掘相关的词关联结构、提高预测精度,提出一种高斯混合模型(GMM)与Text GCN结合的虚假评论识别算法F-Text GCN。首先,利用GMM分离噪声边权分布的特性,提高虚假评论在训练数据上相对正常评论数不足的边信号强度;然后,考虑到信源的多样性,综合文档、词汇和评论以及非文本特征构造邻接矩阵;最后,通过Text GCN的谱分解提取邻接矩阵的虚假评论关联结构实施预测。根据国内某大型电商平台采集的126086条实际中文评论数据开展实证研究,实验结果表明,F-Text GCN识别虚假评论的F1值达到82.92%,与预训练表征模型BERT和文本卷积神经网络相比分别提升了10.46%和11.60%,相较于只使用评论文本信源的Text GCN模型F1值提升了2.94%;研究了高仿虚假评论的预测错误率,在支持向量机(SVM)作用后难识别的评论样本上尝试二次识别,F-Text GCN整体预测准确率可达94.71%,相较于Text GCN和SVM,在识别准确率上分别提升了2.91%和14.54%。研究发现,虚假评论的二阶图邻居结构显示出较强的干预消费者决策的词汇,这表明所提算法特别适用于提取用于虚假评论检测的长程词语搭配结构和全局句子特征模式变化的场景。

行动导向下混合式课堂教学方法应用——以黎明职业大学信电学院计算机网络技术课程为例

以计算机网络技术课程为例,探索一种基于行动导向的混合式课堂教学方法,融合线下教学和线上教学的优势,运用信息化教学技术,根据时空偏移将教学过程分为三个环节,合理制定教学策略,根据学生的需求与差异性,设计学习情境,运用不同的教学方式开展教学,让学生成为学习的主体,主动参与学习。教学实践证明该方法能有效地提高学生学习成绩,并能有效培养学生各方面的职业能力,教学质量得到显著的提高。

网络背景下工程经济课程线上线下混合联动教学模式研究

网络背景下,学生的日常学习与生活都和网络技术密切相关,移动设备已是他们生活的必备工具,微信、QQ成为交流沟通的主渠道。点对点的传播模式,使得身处相同空间的主体可在同一时间接受多元化的知识,每个学生在兴趣牵引之下有着不同的自我定位,还有着强烈的自我意识,团队协作精神严重不足。在此大背景下,发挥网络技术的优势,做好线上思想的引导工作尤为重要。现如今,全国各高校都已积极应用慕课、学习通、钉钉等网络教学平台,线上线下混合联动教学模式获得了前所未有的发展,也促进了教学改革工作的顺利开展。工程经济课程在此趋势下,也应明确课程学情及存在的教学问题,充分利用网络技术,将线上和线下的教学方式有机地结合起来,有效弥补传统教学模式的不足。本文对网络背景下线上线下混合联动教学模式实施的必要性进行探讨,并对工程经济课程的教学现状进行分析,同时指出工程经济课程混合联动教学模式实施优势与局限性,继而提出混合联动教学模式改革策略,以供参考。

基于混合神经网络的多维视觉传感信号模式分类

传感器采集的数字信号分类精度差,导致关键信息的丢失。为了提高传感数据的可靠性和有效性,提出基于混合神经网络的多维视觉传感信号模式分类方法。结合卷积神经网络(CNN)、循环神经网络(RNN)构建混合神经网络,以更有效地表示多维视觉数据中的特征;其中,卷积神经网络负责对多维的空间信号进行去噪处理并提取特征;循环神经网络负责对时域和频域信号进行特征提取;混合神经网络通过联合训练CNN和RNN各自的参数,以调整其权重,并且结合两者从不同层级提取的特征来实现多维视觉传感信号模式的分类。仿真结果表明,使用所提方法进行分类时,信号光滑度保持在0.9以上,传感信号分类结果与实际结果拟合度较高,有效实现多维视觉传感信号模式分类。

人工神经网络课程与深度学习融合的混合式教学改革研究

文章依托人工神经网络研究生课程的讲授经验,分析其特点和现状,着重探讨其教学内容上的时效性与实践性问题,提出神经网络与深度学习融合的线上线下混合式教学改革,提升课程理论和方法的时效性;提出前沿性的实践类研究型专题,提升研究生的实践动手能力;搭建与课程内容配套的线上系统,方便研究生自主学习、互动学习。通过践行“与时俱进、互动评价、专题创新”的教学理念,提高研究生的创新思维与综合素质。

基于混合网络模型的多模态图像分类研究

针对现有图像分类方法存在多模态特征向量提取完整度较低、图像分类正确率较差等问题,提出了一种基于混合网络模型的多模态图像分类方法。采用正则化操作、对数变换算法、顶帽运算算法和伽马变换算法预处理多模态图像,获取了高质量、高对比度、高清晰度的多模态图像,构建了混合网络模型(复杂网络模型与卷积神经网络模型),利用复杂网络模型提取多模态图像特征向量,通过卷积神经网络模型的多层次结构(卷积层、池化层与全连接层)执行多模态图像分类任务,从而实现了多模态图像分类目标。实验结果表明,在不同实验工况下,提出方法应用后多模态图像特征向量提取完整度最大值为99.03%,多模态图像分类正确率最大值为100%。

基于混合神经网络和注意力机制的生物医学事件触发词识别方法

生物医学事件作为生物医学文本挖掘的重要组成部分,在生物医学研究和疾病的预防中发挥着重要作用.触发词识别是生物医学事件抽取的关键和前提步骤,旨在提取描述事件类型的关键词.传统方法在特征提取过程中过分依赖自然语言处理工具,导致耗费人工成本.另外,由于生物医学文献的特殊性—长文本语句多,导致长距离依赖问题比较明显.为了解决这些问题,我们提出了一种混合结构,由残差卷积神经网络和双向长短期神经网络、混合神经网络和多头注意力机制组成.该模型利用残差卷积神经网络提取单词级特征并利用双向长短期神经网络提取上下文语义信息.此外,本文通过空间域滑动窗口将长句划分为等长短句,在不破坏上下文信息的前提下,避免了长距离依赖.实验结果表明,本文提出的方法在生物医学事件抽取通用语料MLEE(Multi-Level Event Extraction)上取得了较好的效果,F值达到81.15%.

一种求解混合变分不等式的带有扰动项的神经网络方法

通过构建带有干扰项的新型神经网络求解混合变分不等式问题.主要将已有的固定时间收敛的前向-后向-前向神经动力学网络进行推广,构建出带有扰动项的神经网络模型.证明了所构建的神经网络的平衡点是固定时间稳定的,并给出了稳定时间的上界.最后通过数值实验证明了该方法的有效性.