基于改进BNN-LSTM的风电功率概率预测

针对确定性的风电功率预测难以提供预测结果的波动区间和支撑风险决策的问题,以贝叶斯网络为基础,通过将先验分布置于LSTM网络层权重参数之上,构建了贝叶斯LSTM神经网络(BNN-LSTM)。以时间卷积神经网络(TCNN)处理风电功率预测的历史时序数据,提取时序数据的关联特征。使用互信息熵方法分析了风电功率的气象数据集,剔除关联性小的变量,对气象数据集进行降维处理。并采用嵌入(embedding)结构学习风电功率时间分类特征。随后将TCNN处理后的时序数据、降维后的气象数据以及时间分类特征数据一起送入BNN-LSTM预测模型,通过在某风电数据集不同算法的概率预测指标pinball损失和Winkler评分的对比验证,可知,本文所提方法能从可对风电功率波动做出较为准确的响应,预测效果更好。

基于卷积神经网络的超分辨率失真控制图像重构研究

目的解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。

一种新的卷积神经网络图像隐写分析模型

针对现有卷积神经网络模型在图像隐写分析领域提取特征不充分、检测准确率不高的问题,提出一种融合转置卷积与普通卷积的图像隐写分析神经网络模型TCIS(Transposed Convolution-Convolutional Neural Network Image Steganalysis),包括四大模块:一是预处理模块,使用30个高通滤波器,从多个尺度提取图像噪声的残差信息,减少图像内容的影响;二是转置卷积模块,对特征图进行上采样,放大隐写特征;三是普通卷积模块,由卷积层、BN层和激活函数组成,卷积层包括5个,最后一层使用全局卷积的方式精简识别特征;四是分类模块,通过全连接层和Softmax层判断图像是否隐写。实验结果表明,相比于典型卷积神经网络图像隐写分析模型,TCIS模型在嵌入率0.4bpp情况下使用S-UNIWARD和HUGO算法的隐写分析准确率分别提升了2.94%~25.24%和3.92%~21.64%。

基于人工神经网络的烟气及温度实时预测模型

为监测建筑火灾事故区域的危险程度,实现更加安全、高效的火灾应急救援,以通廊式建筑为研究对象,基于转置卷积神经网络及数值模拟方法开发1种可实时预测走廊位置处烟气扩散和温度分布的神经网络模型。首先,依托Python建立包含全连接、转置卷积、反池化等在内的19层神经网络模型的整体架构;其次,建立包含99个火灾场景,共7920组图像数据的火场信息数据库用于模型训练;最后,使用测试集对模型进行可靠性验证。研究结果表明:烟气(温度)预测模型在不同火灾场景下的预测精度达到95%,训练完成后模型的预测时间一般为1~2 s。研究结果可为应急策略的快速制定提供数据参考。

基于神经网络的降落伞落点散布快速生成方法

为了解决使用蒙特卡洛法计算降落伞落点散布慢的问题,提出了组合使用降落伞运动模型和神经网络产生落点散布,并利用硬件加速神经网络推理过程的方法。降落伞运动模型用于产生散布中心,神经网络用于产生相对于散布中心的落点。验证了两种不同结构的神经网络:多层感知器和转置卷积神经网络。发现降落伞运动模型结合多层感知器计算得到的降落伞落点散布和使用蒙特卡洛法计算得到的落点散布最为接近。同时,降落伞运动模型和多层感知器或者转置卷积神经网络组合使用都可以达到实时计算降落伞落点散布的效果。因此,提出的方法可以较好地应用于高时效性场景下的降落伞落点散布计算。

基于CNN的双边融合网络在高光谱图像分类中的应用

针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题,设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构,传递局部空间特征,池化、卷积、反卷积、上采样组成下结构,强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明,该模型优于其他同类分类模型。

基于转置卷积神经网络的路面裂缝识别算法

为解决卷积神经网络(CNN)在二维路面灰度图像裂缝自动检测中存在的识别效率和精确度低的问题,首先提出了一套基于转置CNN层间特征融合的三阶段路面裂缝提取算法(该算法包括区域判定、图像分割、多层特征融合等模块);然后构建了分类-分割网络,训练了多个融合分类网络中间层和分割网络输出层的转置卷积网络,并与CrackNet进行了运行效果的对比。结果表明:当用于区域判定的分割网络CNN-Ⅰ的召回率最小值设置为0.95时,精确度为0.497,此时的阈值为0.003152,结合用于裂缝提取的分割网络CNN-Ⅱ的训练结果得出,分类-分割网络的精确度为0.78、召回率为0.73、F-1分数为0.75、计算一张图片的时间缩短到0.79 ms以内;多层特征融合方法提取裂缝信息更准确,保留了裂缝的连续性特征,实现了基于CNN的路面裂缝自动识别和提取的优化。

基于神经网络的剩余油分布预测及注采参数优化

针对注水开发过程中注采参数的优化问题,提出采用神经网络代替数值模拟对剩余油分布进行预测,并结合无梯度差分进化算法对注采参数进行优化.该模型不仅建立了注采参数与目标函数的非线性关系,还能准确预测不同生产阶段剩余油分布.其预测原理是将注采参数和生产时间视为剩余油分布图像的高级特征,利用卷积层提取特征、转置卷积层进行上采样,通过多个卷积与转置卷积的组合逐级恢复原图像,从而达到准确预测的效果.在神经网络构建过程中,选择多个3×3的小卷积核来代替大卷积核,在不影响感受野的情况下减少了参数量,节约了计算成本,有效提高了模型训练时的迭代效率.以某区块4口注入井、5口生产井的五点井网为例,将不同阶段生产井的井底压力、注入井的注入量以及生产时间作为输入参数,建立了基于神经网络的预测模型,以净现值作为目标函数,通过差分优化算法对4个阶段的注采参数进行了优化.相比于基础方案,优化后的方案净现值提高了约21%.

基于二维图像与迁移卷积神经网络的心律失常分类

心律失常的自动分类对心血管疾病的诊断和预防具有重要意义。传统分类方法需要对心电信号进行人工特征提取,这对分类准确度有很大的影响。针对该问题,提出一种基于二维图像与迁移卷积神经网络(TCNN)的分类方法。通过对心电信号进行格拉姆角场变换将其转换为二维图像,在保证心电图像完整性的同时,保留原始信号的时间依赖性。在此基础上,结合迁移学习的思想,设计结构简单且参数量较少的TCNN模型对心电图像进行分类。实验结果表明,该方法网络训练用时较少,并且分类总准确率达到99.82%,可实现对心律失常的有效分类。

基于空洞转置卷积神经网络的人体骨骼关键点检测算法研究

目前对人体姿态骨骼关键点检测存在两个研究难点,一是如何由2D姿态进行3D人体姿态估计,另一个是标准数据库和用户上传的视频动作在时间上不匹配。为此,本文提出基于空洞转置卷积的沙漏结构(Dilated and Transpose Convolutions Hourglass,DTCH)神经网络;然后应用卡尔曼滤波算法进行数据降噪处理,最后利用动态时间规整(Dynamic Time Warping,DTW)算法提高患者运动时姿态匹配的准确性。在仿真实验中,该模型在Human3.6M数据集上的平均每关节位置误差(MPJPE)与相关研究的最佳结果相比减少了11%,可以精确高效地实现3D人体姿态估计。

基于全卷积网络的FDD大规模MIMO系统CSI反馈

在频分双工(FDD)大规模多输入多输出(MIMO)系统中,为了确保通信质量,用户设备(UE)需要将信道状态信息(CSI)反馈给基站(BS)。随着天线数量的增加,CSI反馈开销急剧增加,使得BS获得准确CSI变得困难。为了降低反馈开销,提高反馈质量,采用深度学习(DL)方法,提出一种基于全卷积网络的信道反馈网络MCMTNet,该网络由三部分构成。卷积神经网络(CNN)将CSI压缩。转置CNN和精细密集连接网络分别进行初始恢复和最终恢复。仿真结果表明:提出的MCMTNet的性能优于传统压缩感知方法和现有基于深度学习的网络CsiNet,MCMTNet可以处理任意维数的信道数据,且训练参数更少,复杂度更低。

基于CNN-STLSTM-CNN模型的有效波高预测

有效波高(significant wave height,SWH)是海洋的重要参数之一,对其的精确预测对渔业发展、海上交通和海洋生态系统具有重要意义。为了提高有效波高的预测精度,本文提出了一种基于卷积神经网络-时空长短时记忆神经网络-卷积神经网络(convolutional neural network-spatiotemporal long short-term memory-convolutional neural network,CNN-STLSTM-CNN)的有效波高预测模型。该模型由编码器(Encoder)、解释器(Translator)和解码器(Decoder)构成。Encoder通过卷积神经网络提取SWH数据的空间特征,Translator通过时空长短时记忆神经网络(spatiotemporallongshort-term memory,STLSTM)提取SWH数据的空间特征在时间上的变化特性,Decoder通过卷积神经网络的转置卷积模块重建预测结果。对东海和南海海域的二维有效波高数据进行建模,实验结果表明CNNSTLSTM-CNN模型的均方根误差(root mean squared error,RMSE)、平均绝对误差(mean absolute error,MAE)、均方根误差均值(mean of root mean squared error,M_RMSE)和平均绝对误差均值(mean of mean absolute error,M_MAE)等指标值均低于已有的方法,验证了CNN-STLSTM-CNN模型的有效性。

多尺度特征与双注意力机制的高光谱影像分类

针对经典卷积神经网络(convolutional neural network, CNN)的高光谱影像分类方法存在关键细节特征表现不足、训练需要大量样本等问题,提出一种基于多尺度特征与双注意力机制的高光谱影像分类方法。首先,利用三维卷积提取影像的空谱特征,并采用转置卷积获得特征的细节信息;然后,通过不同尺寸的卷积核运算提取多尺度特征并实现不同感受野下多尺度特征的融合;最后,设计双注意力机制抑制混淆的区域特征,同时突出区分性特征。在两幅高光谱影像上进行的实验结果表明:分别在每类地物中随机选取10%和0.5%的样本作为训练样本,提出模型的总体分类精度分别提高到99.44%和98.86%;对比一些主流深度学习分类模型,提出模型能够关注于对分类任务贡献最大的关键特征,可以获取更高的分类精度。