基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。

基于首播前搜索数据的电视剧流行度预测

现有对视频网站电视剧流行度预测的研究中考虑因素较少,并且极少能在电视剧首播前进行预测,这会使视频网站在做出版权购买、广告投放等决策时考虑不全面并且出现预测时间滞后的问题。为此,提出一种在首播前预测视频网站电视剧流行度的方法,综合考虑电视剧剧名和演员搜索数据,通过分析时间序列确定最早预测时间,使用多元线性回归模型实现电视剧流行度的预测。实验结果表明,该方法可利用首播前第13—18天的剧名和演员的百度搜索指数对PPTV和优酷2014年、2015年上线的电视剧预测上线后30天的点播量,预测值与真实值之间的皮尔森相关系数分别达到0.943 7和0.967 6,具有较好的预测效果。

多时间尺度双流CNN与置信融合的视频动作识别

考虑视频采样的变化和目标主体运动速度的不同,针对目前深度网络学习的视频序列特征单一、多种动作分类器分类置信程度不同的问题,提出了一种多时间尺度双流CNN与置信融合的视频动作识别方法.对视频序列采用两流神经网络在多个时间尺度上学习,提取不同时间跨度的视频帧之间的上下文信息特征,并采用LSTM进行多种特征的动作类别预测.然后,针对每一种尺度与模态的动作分类器,建立综合考虑样本所属类别与其他类别的总体差异性和所属类别的唯一性情形的类别判定置信度.最后,采用各分类器对动作类别判定的置信度与类别得分进行动作类别决策融合,识别视频动作.在数据集UCF101上进行了视频动作识别试验.结果表明:所提出的方法可以有效地学习视频多种时间尺度的上下文信息,并将视频动作识别的准确率提高到92.2%.

自注意力映射超时相遥感图像超分辨率重建

针对视频卫星超时相数据高时间分辨率的特点,单帧超分辨率重建算法无法充分利用其时空信息,提出一种基于自注意力的超时相遥感图像超分辨率重建模型。对超时相序列帧先依据帧速率划分为多个时间组,利用3D卷积对空间及时间同时建模的特点提取不同时间组下的时空信息,之后通过改进的广泛自注意力残差块增加注意力计算范围并完成高动态映射,在完成超时相序列帧建模的同时提取其丰富的空间细节信息,最后将多个时间组的特征融合,通过亚像素卷积提升分辨率并完成重建。所提算法的优点在于,对超时相数据的多时间组处理充分利用了其丰富的时空信息,改进的自注意力块可在无配准情况下完成序列帧的建模并提高空间细节信息的提取能力。在高分四号数据上的实验表明,本文算法的主观视觉效果及客观评价指标均优于对比算法,在高分四号数据两倍上采样重建时,较双三次插值算法在PSNR值上提升了2.49 dB以上,且在4倍重建时依然有很强的重建性能,较双三次插值算法有巨大提升。实验结果表明,该方法拥有较好的超分辨率重建效果,有利于超时相数据在各领域的应用。