一种模型驱动的深度学习OFDM接收机

针对正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)接收机解调精度低和计算复杂度高的问题,采用深度学习方法构建了一种新的模型驱动的接收机模型,称为FBLTNet(Fully Connected,Bi-LSTM and Transformer-encoder Neural Network)。该模型分为信道估计和信号检测两个部分,其中信道估计以全连接神经网络(Fully Connected Deep Neural Network,FCDNN)替代线性插值,信号检测则使用深度自注意力网络编码器Transformer-encoder和双向长短期记忆网络(Bidirectional Long-Short Term Memory,Bi-LSTM)的组合网络,实现信号的解调和比特流的恢复。在瑞利衰落信道下测试了不同调制方式的接收机性能,结果表明FBLTNet与基于深度学习的接收机以及传统接收机相比,误比特率性能得到了显著的改善;与数据驱动的无线接收机算法相比,线下训练模型收敛时间和测试时间分别减少了33.0%和25%,网络结构参数减少了29.5%。

基于深度学习的智能电网窃电检测混合模型研究

针对传统窃电检测模型受维度诅咒、类不平衡等问题,提出一种能有效检测智能电网窃电行为的混合深度学习模型,利用深度学习卷积神经网络(AlexNet)处理维度诅咒问题,显著提升数据处理的准确性;通过自适应增强(Ada Boost)对正常和异常用电行为分类,进一步提高分类精度;使用欠采样技术解决类不平衡问题,确保模型在各类数据的均衡性能;利用人工蜂群算法对AdaBoost和AlexNet的超参数进行优化,有效提高整体模型性能。使用真实智能电表数据集评估混合模型的有效性,与同类模型相比,提出的混合深度学习模型在准确率、精确度、召回率、F1分数、马修斯相关系数(MCC)和曲线下面积-接收者操作特征曲线(AUC-ROC)分数上分别达到了88%、86%、84%、85%、78%和91%,不仅提高了用电行为监测的准确性,也为电力系统的智能分析提供了新视角。

基于数据潮流模型的高比例光伏配电网三相不平衡优化

随着分布式光伏的大规模接入,配电网固有的三相不平衡问题日益严重,给系统的电能质量、经济运行等带来不利影响。此外,高比例光伏的接入使得配电网的物理结构和运行方式更加复杂多变,导致当前依赖精确拓扑结构和线路参数的三相不平衡优化方法难以应用。因此,提出一种基于数据潮流模型的高比例光伏配电网三相不平衡优化方法。首先,采用基于双阶段注意力机制的循环神经网络方法建立数据潮流模型,拟合三相潮流约束中变量之间的函数关系。同时,提出图特征嵌入的方法将部分已知的拓扑信息嵌入到数据潮流模型中以提高拟合精度。其次,以训练后的数据潮流模型为基础重建配电网三相不平衡优化模型。最后,通过条件梯度下降方法求解该模型,以修改的IEEE33节点配电网络为例,验证了所提方法的有效性。

基于数字孪生的火电机组汽轮机故障预警研究

通过对火电机组历史运行数据的分析,利用深度学习中的深度森林算法,合理确定模型的输入输出参数,采用改进的蝙蝠算法进行超参数优化,构建高精度的数据驱动模型。为实现故障检测,选取各模型的输出参数,利用相似度函数法计算预测输出数组与实际输出数组之间的欧几里得距离,实现对故障的准确检测。以加热器管泄漏为例实验验证,结果表明,借助建立的数字孪生模型和故障检测体系,能够准确检测汽轮机系统中加热器管路泄漏故障,证明了该方法的有效性。

基于深度学习的快时尚服装产品销售预测模型构建

为了准确预测快时尚服装产品销售量,捕捉在间歇性或异常峰值销量中的时间信息,基于深度自回归模型,引入时间注意力机制,改进其网络结构设计,构建全局时序模型对快时尚服装产品销售进行预测。研究发现:基于注意力机制的深度自回归模型,能够从所有销售数据中有效学习到服装产品销售正常值与间歇性或异常峰值的时间关联关系,能够识别复杂模式下产品销售量的短期波动与长期趋势,且性能优于其他经典模型,验证了基于深度学习构建快时尚服装产品销售预测模型的可行性。

基于深度学习的信道估计技术研究进展

信道估计是接收机基带信号处理的关键,直接决定了无线通信系统的通信服务质量。传统的信道估计方法已经不能满足日益复杂和个性化的现代通信需求,同时人工智能技术特别是深度学习已被应用于无线通信物理层并带来了良好的通信性能增益。为系统地总结上述研究成果,并探讨未来的技术发展趋势,从数据驱动和模型驱动两方面分别对基于深度学习的信道估计方法进行了分析和归纳,并且描述了其中代表性算法,最后探讨了基于深度学习的信道估计的研究挑战与趋势。

An Observation Data Driven Simulation and Analysis Framework for Early Stage <i>C. elegans</i>Embryogenesis

Recent developments in cutting-edge live microscopy and image analysis provide a unique opportunity to systematically investigate individual cell’s dynamics as well as simulation-based hypothesis testing. After a summary of data generation and analysis in the observation and modeling efforts related to C. elegans embryogenesis, we develop a systematic approach to model the basic behaviors of individual cells. Next, we present our ideas to model cell fate, division, and movement using 3D time-lapse images within an agent-based modeling framework. Then, we summarize preliminary result and discuss efforts in cell fate, division, and movement modeling. Finally, we discuss the ongoing efforts and future directions for C. elegans embryo modeling, including an inferred developmental landscape for cell fate, a quasi-equilibrium model for cell division, and multi-agent, deep reinforcement learning for cell movement.

基于深度集成学习的甘蔗压榨抽出率预测方法

先进的甘蔗压榨建模方法能够给生产提供指导,有利于提高糖厂的经济效益并节约能源.本文选择深度极限学习机(DELM)和长短期记忆网络(LSTM)作为基学习器,极端梯度提升(XGBoost)作为元学习器,构建了Stacking深度集成学习模型,用于甘蔗压榨抽出率的在线预测;并通过计算和实验,验证该方法的可行性和有效性.与其他模型相比较,本文所提模型的预测精度高5%~12%,并且对数据的敏感性更低,泛化性更好,能够适应甘蔗压榨的不同工况.

合成孔径雷达深度学习成像研究综述

现代合成孔径雷达(SAR)系统工作在日益复杂的电磁环境中,对成像精度、实时性以及算法鲁棒性等要求越来越高。传统的匹配滤波以及压缩感知技术在满足SAR成像的各类高标准要求时局限性较为明显,尤其在成像性能方面。随着机器学习的快速发展,研究人员将深度学习网络与雷达成像算法相结合,提出了学习成像技术,旨在为实现高质量实时成像寻求新的解决方案。本文从数据驱动以及模型驱动同数据驱动相结合的两种思路出发,介绍了用于求解SAR成像逆问题的深度学习网络架构。在此基础上,对SAR静止目标学习成像、SAR运动目标学习成像、SAR三维学习成像以及ISAR学习成像的研究现状进行概述,帮助研究人员和从业人员理解深度学习技术在SAR成像相关问题中的应用。最后,提出该研究方向一些悬而未决的问题,探讨潜在的解决方案和未来趋势。

压缩感知重构算法的两步深度展开策略研究

针对压缩感知中重构算法的深度展开问题,提出了一种两步深度展开策略(two-step deep unfolding,TwDU)。已有深度展开重构算法通常依赖前一步估计值估计当前值,TwDU对已有深度展开重构算法增加估计深度,依赖于前两步估计值估计当前展开值。TwDU对已有深度展开算法前两步估计值增加了两个训练权重。训练权重优化利用了信号估计值之间的相关特性,可以随着数据的特性自我学习和调整,所提TwDU策略应用于可学习迭代软阈值算法(learned iterative soft thresholding algorithm,LISTA)、可训练迭代软阈值算法(trainable iterative soft thresholding algorithm,TISTA)、可学习近似消息传递算法(learned approximate message passing,LAMP)等已有深度展开算法。通过在一维和二维稀疏信号的仿真验证,TwDU策略在重构精度和收敛速度上都更具有明显优势。

基于DTCN-KELM的制糖过程建模与优化

吨蔗能耗和蔗糖色值是制糖过程中两个重要的工艺指标,然而目前这两个指标均无法在线获取。此外,当生产状况发生变化时,依靠人工经验进行参数设定难以获得稳定的生产质量。为了解决这两个问题,提出一种融合深度时间卷积网络和核极限学习机的数据驱动建模方法,实现了2个工艺指标的在线预测。此外,在数据驱动模型的基础上,构建了工艺指标优化模型,并采用改进的麻雀搜索算法进行迭代计算,实现了2个工艺指标的优化。计算实验结果表明:所提出模型的预测可决系数均超过0.9,并与其他4种模型相比具有更高的预测精度。此外,通过求解工艺指标优化模型,优化后的吨蔗能耗降低了1.47%,蔗糖色值降低了2.57%,2个指标得到了较大的改善。

基于应变监控数据的金属结构疲劳裂纹量化模型研究

实时获取金属结构的疲劳裂纹长度是开展飞机单机寿命监控和剩余寿命估算的基础。采用深度学习方法,提出了一种基于应变监控数据的金属结构疲劳裂纹长度预测模型,通过构造循环对抗网络模型、裂纹尺寸的分类模型和裂纹长度的量化模型,分别实现了含裂纹结构的应变试验数据与有限元模型数据的映射、裂纹尺寸范围的准确分类、裂纹长度的精确量化。将上述方法应用于中心带孔金属板在随机载荷谱下的疲劳裂纹监测,有效实现了疲劳裂纹长度的实时预测。与试验结果对比表明,单孔板的孔边疲劳裂纹长度预测误差小于1 mm,满足工程实际的需求。

基于深度学习的欠采样磁共振图像重建研究综述

针对加速磁共振成像(Magnetic Resonance Imaging, MRI)中,传统算法对压缩感知欠采样磁共振(Magnetic Resonance, MR)图像重建质量欠佳的问题,以基于深度学习的欠采样MR图像重建算法为研究对象,系统性地概述图像重建算法中模型驱动与数据驱动方法的工作原理,分析各自的特性与优点、缺点,对重建方法进行对比讨论,并列举了部分算法在数据集上的表现。结果表明,大部分算法在数据集上的结构相似性指标(Structure Similarity Index Measure, SSIM)为0.87-0.96。依据重建方法现存的不足与当前的研究趋势,提出3种MR图像重建算法未来的发展方向。

考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

为分析受侧向车辆换道影响下的目标车辆跟驰行为,结合多速度差理论跟驰模型和深度学习方法,提出了一种理论-数据组合驱动跟驰模型。首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性,提出了双车道多速度差跟驰模型(FS-MAVD模型),并利用差分进化算法进行模型参数标定。构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型,利用卷积神经网络层(CNN)充分提取前向和侧向车辆交通特征,双向长短期记忆网络层(Bi-LSTM)考虑驾驶员记忆效应,注意力机制层(Attention)用于分配模型权重,并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练。考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点,采用最优加权法将两种模型进行组合预测。利用无人机拍摄的快速路车辆轨迹数据,建立跟驰行为样本集,对所建模型进行训练和测试,并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比,并分别比对不同模型对不同车辆的预测精度和误差。结果表明,本研究构建的组合模型在加速度预测精度达到97.64%,预测均方根误差低至0.027,相比其他模型能更好地预测车辆受侧方车辆换道影响时的加减速情况,更好地分析目标车辆跟驰行为。

面向大规模MIMO信道信息反馈的模型驱动轻量化神经网络

信道状态信息对于大规模多输入多输出(Multi-Input Multi-Output,MIMO)系统获得高信道容量和能量效率是十分重要的。频分双工系统因为上下行信道缺少互易性,所以需要用户将下行信道反馈至基站来进行预编码等处理。因为反馈的信息量和天线数成正比,所以大规模MIMO系统的反馈量是十分巨大的。很多数据驱动的深度学习神经网络使用编码器压缩信道信息,使用解码器恢复信道信息,但是由于数据驱动神经网络的黑盒子特性,不仅需要很高的复杂度来恢复信道信息,而且性能难以得到进一步提升,尤其增加用户设备处模型的复杂度和计算资源来提升性能是不切实际的。本文提出了一种展开迭代阈值收缩算法(Iterative Shrinkage-Thresholding Algorithm,ISTA)的可解释的模型驱动网络。针对信道信息不严格满足压缩感知稀疏性要求而导致恢复性能下降的问题,引入残差网络,设计了一种非线性稀疏变换来提升性能;为了平衡性能和复杂度,在用户处提出了一个可学习的压缩矩阵来保留更多信道信息;进一步地,本文在不改变已有网络框架的基础上将适用范围从单天线用户扩大到多天线用户,提高了神经网络的兼容性。仿真结果表明,本文提出的方法相比于其他方法具有更好的信道恢复性能以及在用户处具有更低的复杂度。

基于深度信念网的大型水轮发电机组建模研究与仿真分析

针对水轮发电机组的数学机理建模存在的建模过程复杂、非线性和多参数耦合表达效果差的问题和大型水轮发电机组面临的风光能源接入和电网互联复杂的问题,比较分析机理建模和数据驱动优缺点,研究深度信念网算法关于水轮发电机组建模的可行性,建立了基于深度信念网数据驱动方法的大型水轮发电机组模型,通过某机组共计129600组实际数据进行模型训练和校验,并在机组空载频率扰动下进行仿真试验验证所建模型的有效性和稳定性。

基于深度条件扩散模型的零样本文本驱动虚拟人生成方法

虚拟人生成技术对于虚拟现实和影视制作等领域有重要意义。针对现有虚拟人生成需要大量数据和制作成本等问题,提出一种基于扩散模型的零样本文本驱动的三维虚拟人生成方法,包括条件人体生成和迭代纹理细化2个阶段。第一阶段,首先利用神经网络初始化三维人体的隐式表示,然后,使用一个基于文本提示的深度条件扩散模型来引导神经隐式场生成用户所需的虚拟人模型。第二阶段,利用扩散模型进行去噪还原,针对第一阶段人体模型提供的纹理先验进行高精度的纹理图推理更新,进而迭代细化虚拟人的纹理表示,生成最终结果。使用该方法,用户可以创建一个生动的具有任意文本描述的虚拟人,而无需使用任何参考照片。实验结果表明,该方法可以在给定的文本提示条件下生成具有真实感的高质量、生动的虚拟人。

知识与数据联合驱动建模技术综述

当前,基于深度学习的目标识别建模技术面临标注样本不足、模型可解释性不高、稳定性不够等新的挑战,限制了深度学习解决更复杂、更抽象问题的可能性。采用知识与数据联合驱动的方式进行智能模型构建是突破现有瓶颈的一条重要途径。该文以外部经验与认知知识在模型构建中的引入方式为区分准则,提出了模型构建方法的分类标准,包括基于显式知识的建模方法、基于隐式知识的建模方法以及基于融合知识的建模方法;然后围绕每类方法在解决小样本、模型可解释性等问题上的探索进行综述,并总结设想了一种未来的知识与数据联合驱动建模方式。这种方式吸取了不同建模方式的优点,通过解耦知识建模与数据建模,以无监督、弱监督为核心训练方式,可以有效解决小样本条件下模型构建问题,提高模型可解释性。最后,该文总结了需要进一步研究的问题和未来的研究方向,以促进目标识别模型构建技术的发展。

深度强化学习在电网实时计划编排中的应用

面对新型电力系统的强不确定性、快速增长的控制规模、低碳化运行目标等变化,实时计划编排将会呈现高维、非线性、非凸的复杂特征,以强化学习为代表的数据驱动算法为探索实时计划快速优化编排带来了新思路。文中将深度强化学习引入实时计划编排模型中,构建面向强化学习的实时计划编排仿真环境;提出了双层多目标多智能体深度强化学习实时计划编排方法,该方法基于模型-数据混合驱动强化学习思想,采用双层架构以及多智能体设计,实现实时计划并行快速编排。最后,通过算例验证了所提方法的有效性和可行性。

火电机组汽轮机系统数字孪生模型研究

以数字孪生为理论指导建立数据驱动孪生模型,通过对机组历史运行数据的分析,利用深度学习中的深度森林算法,合理确定模型的输入输出参数,并采用改进的蝙蝠算法进行超参数优化,构建高精度的数据驱动模型。选取各模型的输出参数,利用相似度函数法预测输出数组与实际输出数组之间的欧几里得距离,实现对故障的准确检测。最后利用数字孪生模型对物理实体进行状态监测和故障检测试验,结果表明借助建立的数字孪生模型和故障检测体系,能准确检测汽轮机系统中加热器管路泄漏和进出水室短路故障,证明了该方法的有效性。