基于DS证据理论的电网信息自动融合模型构建

多智能体感知的智能电网信息中,通常存在信息冗余与缺失等问题。为解决这些问题,研究构建智能电网多智能体信息自动化融合模型,精准自动化融合多智能体信息,改进DS证据组合规则,完成决策级信息自动化融合,提升自动化融合效果,为智能电网的后续应用,提供更加全面的信息。

结合轻量化与多尺度融合的交通标志检测算法

交通标志检测在自动驾驶领域具有重要的应用价值,及时准确地检测交通目标对提高驾驶安全性和预防交通事故具有重要意义。针对交通标志尺寸小,易受遮挡,在复杂环境下容易出现漏检、错检等问题,在YOLOv8的结构基础上提出一种结合轻量化与多尺度融合的交通标志检测网络架构M-YOLO,构建M-YOLOs模型来应对高精度需求的检测任务,并调整网络深度得到更轻量化的M-YOLOn模型来解决不同环境下的检测需求。首先针对交通标志目标尺寸小、图像特征流失的问题,通过增加小目标检测层,保留更多的特征信息,提高网络对于小目标的特征学习能力。提出高效多尺度特征金字塔融合网络MPANet,将浅层特征图进行降维与跳跃连接,从而融合更多的图像特征信息。然后提出融合稀疏注意力和空间注意力的BRSA注意力模块,有效提取全局和局部的位置信息,减少复杂背景下对于关键信息的干扰。最后设计两种轻量高效的BBot模块和C2fGhost模块,以提高模型运算速度并减少参数量。实验结果表明,M-YOLO相较于YOLOv8,参数量降低约1/3。在TT100K数据集和GTSDB数据集上,M-YOLOs检测精度分别提升了9.7和2.1个百分点,M-YOLOn检测精度分别提升了14.5和2.6个百分点,在轻量化的同时具备更高的检测效果。M-YOLO架构解决了浅层特征图在特征提取过程中信息丢失的问题,并显著降低模型特征提取过程中冗余的计算开销,在实景采集的数据集上证实效果有效,表明在交通标志检测任务中具有应用价值。

基于CNN及LSTM融合模型的上证指数预测

在CNN以及LSTM的外接以及内嵌两种融合模型的基础上,依据上证指数特征对内嵌模型中的部分结构进行调整改进,并为步长参数选择提供充分的理论依据,同时综合考虑样本股特征,分别对上证指数及成份股数据构建融合预测模型,对上证指数的收盘价进行预测。多组模型的对比实验结果表明,所构建的融合模型能够更加准确地把握数据的结构特征与时序性质,自动挖掘数据内部的相关关系,实现上证指数中的准确预测,为金融研究中的模型选择提供一定参考。

基于改进MobileNetV2的棉花颜色分级检测

针对棉花颜色级检验中感官检验容易受到主观因素影响、仪器检验不稳定的问题,提出一种使用改进MobileNetV2神经网络实现棉花颜色级检测的方法。通过自主设计的图像采集装置,收集白棉一级到白棉五级5种棉花颜色级样品,制作数据集。将MobileNetV2网络后三层进行特征融合,并嵌入CBAM注意力机制,同时与GhostNet、ShuffleNetV2和原始MobileNetV2模型进行对比,预测棉花颜色分级。结果表明:改进后的MobileNetV2在测试集的准确率达到92.10%,相对于GhostNet、ShuffleNetV2和原始MobileNetV2分别提高了3.01个百分点、4.61个百分点、1.24个百分点,具有较好的检测效果。

融合PMV物理方程和Attention-LSTM神经网络的铁路客站旅客舒适度模型研究

铁路客站的舒适度直接关系着旅客的出行体验和满意度。选取聊城西站作为研究对象,采用PMV物理方程、Attention-LSTM神经网络模型以及PMV&Attention-LSTM融合模型3种方法,针对旅客舒适度开展综合评估与分析。在模型构建过程中,运用了标准化处理、数据集划分、网格搜索交叉验证等技术寻找最佳超参数,并记录了训练过程中的损失函数和均方误差。在模型预测中,充分考虑了温度、湿度、风速、空气质量、二氧化碳、光照、噪声等环境因素对旅客舒适度的影响。对比3种预测方法,结果显示,融合模型在考虑多维环境数据时可更准确地反映舒适度水平,表明该模型更适应铁路客站的复杂环境条件,可为提高候车厅舒适性提供更为可靠的参考依据。

基于神经网络融合模型的铁路接触网异物智能检测

针对影响铁路接触网正常运行的异物问题,提出了一种基于神经网络融合模型的铁路接触网异物智能检测模型。以Faster R-CNN框架为基础,增加特征金字塔结构以学习图像不同尺度的特征;针对不同异物类型,将其分为鸟巢和轻质漂浮物,并运用ResNet50和ResNet101作为骨架网络,分别针对具有单一特征的鸟巢和特征复杂多变的轻质漂浮物进行识别;融合2个网络的识别框,得到精确的识别结果。对比实验表明,该模型的检测结果优于常规目标检测方法,可有效降低铁路接触网异物检测的人工成本,为铁路接触网的稳定运营提供了可行的解决方案。

基于听觉特征融合的煤矸识别方法研究

针对强噪声背景下综放开采过程中垮落煤矸难以识别问题,提出了一种融合低级听觉特征Mel频谱和高级听觉特征听觉神经递质发放率的煤矸识别方法。首先,根据煤矸垮落冲击液压支架尾梁声音信号频谱特点,基于听觉神经滤波器组模型构建了适用于煤矸识别任务的听觉模型;然后,利用听觉模型对煤矸垮落声音信号进行分析,获得听觉神经递质发放率;再次,将听觉神经递质发放率与通过Mel频谱提取的峰值特征进行融合,得到煤矸声音听觉感知图;最后,基于所构建的听觉感知图,利用ConvNeXt模型进行煤矸识别。试验结果表明,采用融合听觉特征的煤矸识别方法在不同信噪比下均具有较高的识别准确率;其优越性在背景噪声较大的工况下(信噪比为-5 dB)尤为明显,准确率仍能达到91.52%,显著优于以低级听觉特征和频谱图作为识别特征和利用时频域特征结合机器学习的煤矸识别方法,验证了融合听觉特征的煤矸识别方法对噪声具有优越的鲁棒性。

短期尖峰负荷多信息融合的神经网络预测方法

为了降低负荷数据的复杂度、提高预测精度,提出一种短期尖峰负荷多信息融合的神经网络模型。选取皮尔逊相关系数分析假日、温度、湿度等信息之间的密切程度,将关键气象信息融合进模型中,优化负荷的输入参数,重构神经网络模型的新数据集,并防止神经网络的过拟合,提高短期尖峰负荷预测精度。算例仿真分析表明,所提方法与未考虑多信息融合的单一增强型决策树模型和神经网络模型相比,更能有效地提高短期尖峰负荷预测准确率。

融合CNN和Transformer的建筑风格分类算法

建筑风格的准确分类对研究建筑文化和人类历史文明具有重要意义。基于卷积神经网络(convolutional neural network,CNN)的模型由于其强大的特征提取能力,在建筑风格分类领域取得了良好的效果。但是,目前大多数的CNN模型只提取了建筑的局部特征,而基于Transformer的模型在注意力机制的作用下,可以提取建筑的全局特征。为了提高建筑风格分类的准确性,提出了一种融合CNN和Transformer的建筑风格分类方法,该网络的核心部分为CT-Block结构。该结构在通道维度上分为CNN和Transformer两个分支,特征分别通过这两个通道之后再拼接起来。该结构不仅能融合CNN提取的局部特征和Transformer提取的全局特征,而且还能减轻双分支结构带来的模型变大,参数量增多的问题。在Architectural Style Dataset和WikiChurches数据集上,该算法的准确率分别为79.83%和68.41%,优于建筑风格分类领域其他模型。

基于AGRU-Trans融合模型的特长海底隧道交通量预测

为了使海底隧道交通管控部门更好地掌握准确的交通数据,给出行者提供更好的交通引导,通过对循环神经网络和Transformer算法的研究,结合GRU与Transformer模型算法优点并加入自注意力机制,提出一种基于AGRU-Trans融合模型的海底隧道交通量预测模型。选取胶州湾海底隧道市南-黄岛交通运行数据,通过AGRU-Trans融合模型与3种基准模型对比发现,LSTM,Transformer,GRU模型的平均绝对误差(MAE)相比AGRU-Trans分别大了31.48%,67.54%,20.57%;均方根误差(RMSE)分别增长了35.63%,38.45%,32.02%。结果表明:AGRU-Trans融合模型的预测结果与真实数据贴合性最好,预测精度均高于基准模型,因此,基于此方法可为胶州湾海底隧道管理部门对车辆进行精细化诱导及管控提供理论参考。

基于图结构和序列特征融合的关系抽取

关系抽取是自然语言处理应用中的一项重要任务。现有的关系抽取方法主要基于语言序列特征或句子结构信息来预测关系,并不能有效地反映实体间关系的内在结构和特征。为此,提出一种融合句子中图结构和序列特征信息的关系抽取模型。该模型利用基于注意力的图卷积网络(GCN)学习语句中的结构信息,利用双向长短期记忆(BiLSTM)网络学习语句的序列语义特征,通过注意力机制结合句子结构特征和序列语义对关系进行分类。在公共数据集和手工构建的数据集上进行了大量实验,验证了所提模型的优越性。

基于3D特征融合与轻量化CNN的情绪EEG识别

情绪变化可引起头皮脑电信号的改变,基于脑电信号的情绪识别是近年来情绪研究的一个重要方向。为此,提出一种基于3D特征融合与轻量化卷积神经网络的情绪EEG识别方法,使用2 s窗口的3D特征图作为输入,并根据效价和唤醒提供情绪状态作为输出。在DEAP公开数据集上对所提方法进行受试者依赖实验,结果表明情绪识别性能评估效价和唤醒识别准确率分别为(97.08±0.32)%和(96.78±0.34)%。所提方法具有较高的情绪识别准确度和较低的计算复杂度,适用于实际场景中的情绪识别。

小角中子散射物理模型自动化筛选

小角中子散射(SANS)实验数据的分析过程需要科研人员选择样品对应的物理模型进行迭代拟合来表征样品的结构和属性。目前选择物理模型的方法大多是基于人工经验,分析门槛高、准确率较低。基于标准神经网络模型的小角中子散射实验样品物理模型自动化筛选方法面临着图像缺乏局部特征、类内差异大、类间差异小等问题。设计双模态特征融合卷积神经网络(BFF-CNN)模型,先引入物理感知的傅里叶-贝塞尔变换(FBT)来提取散射图像的全局结构信息,再将原始图像与FBT变换图像通过两个子网络分别进行特征提取与特征融合,以提升神经网络整体的特征表达能力。提出受限Softmax(R-Softmax)损失函数,通过在原生Softmax损失函数的基础上添加惩罚项来限制输入样本被分配到非本真类的概率,可在Softmax损失接近0时缓解梯度的消失问题,进而提高收敛速度。在自建的小角中子散射图像数据集上的实验结果表明,BFF-CNN的预测准确率和平均召回率相比于ResNet-18、PMG等模型提升幅度较大,采用R-Softmax与中心损失函数的联合学习策略后的预测准确率和召回率相比只采用Softmax损失函数提升了5.4和10.5个百分点,具有较好的小角中子散射图像分类效果。

基于模型融合的供水管网渗漏预测研究

供水管网泄漏问题对水资源造成了严重浪费和污染。通过利用华中某企业的管网GIS数据库建立数据集,在传统分类模型中分析学习曲线和可靠性曲线,筛选出随机森林(RF)、逻辑回归(LR)和BP神经网络(BP)模型,并对其进行优化。最后,为克服单一预测模型的不足,引入了基于堆叠法(Stacking)和投票法(Voting)的融合模型。在融合模型中,将这三种模型作为基础模型,LR作为元模型。通过扩大模型的宽度,成功提高了模型的性能。实验结果表明,融合模型在测试集中预测供水管网漏水的准确率达到94.9%,AUC值为0.970。融合模型的预测能力明显优于任何仅使用单一特征构建的分类器,并具备良好的泛化能力和鲁棒性。

图神经网络与大语言模型的融合研究

随着人工智能技术的飞速发展,图神经网络(Graph Neural Networks,GNN)在处理图数据方面展现出卓越的性能,而大语言模型(Large Language Model,LLM)在自然语言处理领域也取得了显著成就。文章旨在探索GNN与LLM的融合策略,以增强模型对复杂场景的理解与处理能力。文章分析了图结构的特点和GNN的工作原理,介绍了LLM的核心架构和预训练策略。在此基础上,文章提出了多种融合策略,包括将LLM作为特征增强器、结构编码器、预测生成器、多模态对齐器和知识融合器,阐述了实现这些角色的具体技术,如特征嵌入融合、跨模态注意力机制、联合训练框架等。通过融合策略,模型不仅能够整合图的结构特征与文本的语义信息,还能够有效处理跨模态数据,提升模型的泛化能力,在推荐系统、知识图谱和生物信息学等领域展现出显著的应用价值。文章认为,这种融合策略对于提升人工智能处理复杂数据和实现通用智能的重要性不容忽视。

基于DPCNN-SLSTM的中文儿童语音情感识别

针对中文儿童语音情感识别的准确性问题,提出了一种结合深度卷积神经网络(Deep Convolutional Neural Network,DPCNN)与堆叠长短时记忆(Stacked Long Short Term Memory,SLSTM)网络的融合模型,旨在提高中文儿童语音情感识别的准确性。通过DPCNN对语音信号中的长距离依赖关系进行提取,再利用SLSTM捕捉情感相关的序列依赖信息,最终通过softmax分类器实现情感状态的判别。实验结果显示,基于DPCNN-SLSTM的模型在中文儿童语音数据集上的情感识别准确率达到了92%,显著优于CNN、LSTM和CNN-LSTM模型。研究结果对于推动儿童语音情感识别技术的发展具有重要意义。

基于深度融合模型的气膜密封端面状态识别方法

气膜密封装置是工业领域应用广泛的一种密封技术,其可靠的密封性能对于设备正常运行至关重要。气膜密封装置的动静密封环接触端面相对运动会产生摩擦,摩擦过程会产生复杂的声发射信号,这些信号往往隐含密封端面运行状况的重要信息。采用传统的方法往往难以准确识别和分类这些微弱的特征信号,因此需要开发更高精度的故障诊断方法。针对机械密封动、静环端面摩擦状态难以识别这一问题,以气膜密封装置为研究对象,提出了一种基于深度融合模型的气膜密封端面状态识别方法。首先,采用声发射传感器及采集设备,对密封端面的声发射信号进行了采集;其次,利用小波包变换方法对采集到的信号进行了滤波处理,并提取了时域和频域的微弱特征;然后,将深度随机森林(DRF)作为分类层融入卷积神经网络(CNN)形成了融合模型,对预先处理过的密封装置运行状态的特征信息进行了识别和分类;最后,根据实验的泄漏量,使用混淆矩阵和受试者工作曲线分析了两种模型的特征提取能力。研究结果表明:CNN-DRF融合模型对于密封端面声发射信号的两种特征识别精度分别为96%和98%,与传统的CNN模型相比,其可以充分提取信号特征信息,具有更出色的故障诊断能力。

基于BiLSTM-GRU融合网络的稻虾养殖溶解氧含量预测

在稻虾养殖模式中溶解氧含量(浓度)是养殖水体的重要指标之一,其直接影响小龙虾的摄食量和新陈代谢,因此在养殖过程中精准预测溶解氧含量至关重要。针对稻虾养殖中溶解氧含量变化复杂,难以快速准确预测的问题,提出了BiLSTM-GRU融合神经网络预测模型。为了保证精准预测,首先对传感器进行了清洗校准,并根据偏移量对历史数据进行了修正。在此基础上构建了基于BiLSTM和GRU的融合神经网络训练模型,BiLSTM提取更多特征因子,GRU实现快速预测,快速准确预测溶解氧含量变化。为了使监测预测性能更优,对不同采样周期下的资源损耗及预测模型性能进行综合对比分析,确定了传感器数据最优采样周期为30 min。进一步与LSTM、GRU、BiLSTM以及BiGRU模型对比,表明本文提出的BiLSTM-GRU融合神经网络模型的预测效果更好,其平均绝对误差、均方根误差和决定系数分别为0.2759 mg/L、0.6160 mg/L和0.9547,比传统的LSTM神经网络模型分别高25.14%、13.25%和2.22%。

基于卷积神经网络的乳腺癌病理图像分类方法

针对单一卷积神经网络在乳腺癌识别分类准确率不高、研究集中二元分类等问题,基于深度学习提出一种多模型融合机制方法。对乳腺癌组织学图像进行预处理,通过数据增强方法缓解数据集较少且分布不均匀问题;使用六个CNN通过迁移学习策略进行训练,提取多网络特征并保存,通过验证集损失率选出最优两个模型ResNet50和Inception_v3进行融合;实现病理图像在不同放大倍数下的多级分类。实验结果表明,模型融合后在患者级别和图像级别分类准确率最高达到94.18%、94.12%,优于单一网络、传统机器学习方法和现有基于深度学习二元分类方法,说明该网络有助于乳腺癌病理图像的分类研究。

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory,LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。