基于异构网络的实验室环境安全监控系统设计

针对当前科研院所的实验室环境安全得不到实时、准确的监控的问题,文中开发一套基于异构网络的实验室环境安全监控系统。该系统由实验室测控终端、云端服务器和用户端系统三部分组成。实验室测控终端利用多种传感器实时获取实验室的环境信息,通过WiFi、4G/5G等多种通信技术将多维环境感知数据传输至云端服务器存储,并显示在用户前端和APP端;实验室控制终端还可以接收并执行服务器下发的指令。云端服务器主要是提供实验室测控终端与用户端系统的数据存储与转发工作。用户端系统包括用户前端和APP,二者均可对实验室环境信息、人员动态信息以及实验室报警日志等进行实时监测,以达到实验室环境的远程监测与控制。系统测试结果表明,实验室环境安全监控系统具备多维环境信息感知能力,可对实验室环境安全进行有效管控。

基于改进型蛇算法的RFID网络规划部署

针对无线射频识别(RFID)网络规划的优化部署问题,提出一种基于Circle映射的嵌入正弦余弦算法和自适应阈值的改进型蛇算法(ESO)。在种群初始化阶段利用Circle混沌映射的均匀性和遍历性等特点,在局部搜索阶段和开发阶段分别引入正弦余弦算法(SCA)和自适应阈值等算法机制,弥补了蛇算法初始化过程不够均匀、容易陷入局部最优和收敛速度慢等缺点。在满足100%标签覆盖率、减少阅读器之间的碰撞干扰、实现阅读器的负载均衡,以及降低总的发射功率这4个目标的基础上,求解阅读器最佳的部署位置,将所提算法与粒子群算法(PSO)、灰狼算法(GWO)、樽海鞘算法(SSA)进行了对比分析。实验结果表明,改进型蛇算法在对RFID网络进行优化部署时寻优能力更强,对RFID网络部署的综合性能提升明显,在相同的实验条件下,ESO的最佳适应度值比PSO提高了28.1%,比GWO提高了17.7%,比SSA提高了22.9%,可以更有效地得出最优的RFID网络规划部署方案。

基于改进型白鲸算法的RFID网络规划

随着射频识别(Radio Frequency Identification,RFID)技术的发展,人们对其应用的要求越来越高,在阅读器部署方面的研究也逐渐深入。为了解决规定区域内RFID阅读器位置规划问题,在划定的区域内,以标签覆盖率、阅读器间的碰撞干扰、负载均衡为目标来建立数学优化模型,在白鲸算法的基础上提出了一种改进型白鲸算法。首先,针对标准白鲸算法存在易陷入局部最优、丢失次优解的缺陷,提出了一种更新精英群体机制;其次,为了增强算法的探索能力,加入了反向学习策略;最后,运用该算法来解决RFID网络规划问题。通过在一定环境中放置不同数量集群和随机分布的标签,将改进型白鲸算法与粒子群算法、灰狼算法和标准白鲸算法进行对比。仿真结果表明,在相同环境下,改进型白鲸算法的性能相比粒子群算法平均提高了21.1%,比灰狼算法提高了28.5%,比白鲸算法提高了3.3%,说明该算法相比其他3种算法在搜索精度上具有更好的性能,并通过阅读器优化部署测试,验证了该应用的有效性和可行性。

新型单层递归神经网络解决非光滑伪凸优化问题的研究

非光滑伪凸优化问题广泛应用于科学及工程等领域,属于一类特殊的非凸优化问题,具有重要的研究意义.针对含有等式约束和不等式约束条件的非光滑伪凸优化问题,该文提出了一种新的神经动力学方法,并引入罚函数和正则化思想.通过有效的罚函数保证了所提出的神经网络状态的有界性,从而保证神经网络的状态解在有限时间内进入可行域中,最终收敛到原问题的最优解.最后,用两个数值实验验证了所提出模型的有效性.与现有的神经网络相比,该文的模型有以下优势:避免预先计算精确的惩罚因子,初始点的选取无特殊要求,结构简单.

基于混合路径聚合网络的点云目标识别

针对目前点云目标识别通常强调提取点云数据中的语义特征,但是忽视了原始点云中的定位特征的问题,提出一种基于混合路径聚合网络的点云目标识别方法。使用改进的坐标注意力模块增强数据集的点云定位特征,设计一种混合路径聚合的残差特征金字塔提取点云语义特征,将定位特征与语义特征融合。在KITTI数据集进行实验,可视化实验结果表明,该模型可以有效解决定位错误的问题,数据结果也表明该方法在KITTI点云数据集上的cyclist类别优于现有方法。

光滑神经网络解决一类线性约束的非Lipschitz优化问题

带有线性不等式约束的非光滑非优化问题被广泛应用于稀疏优化,具有重要的研究价值.为了解决这类问题,提出了一种基于光滑化和微分包含理论的神经网络模型.通过理论分析,证明了所提神经网络的状态解全局存在,轨迹能够在有限时间进入可行域并永驻其中,且任何聚点都是目标优化问题的广义稳定点.最后给出数值实验和图像复原实验验证神经网络在理论和应用中的有效性.与现有神经网络相比,它具有以下优势:初始点可以任意选取;避免计算精确罚因子;无需求解复杂的投影算子.

基于多教师网络模型的半监督语义分割方法

基于一致性正则化的方法在半监督语义分割任务中展现出了较好的性能,这类方法通常涉及两个角色:一个显式或隐式的教师网络和一个学生网络。其中学生网络通过最小化两个网络对不同扰动样本预测结果之间的一致性损失实现训练。但是来自单个教师网络的不可靠预测可能会导致学生网络学习到错误的信息。通过将平均教师模型MT的单教师网络扩展为多教师网络,提出了多平均教师网络(Multiple Mean Teacher Network,MMTNet)模型,使学生网络从多个教师网络的平均预测结果进行学习,有效降低单个教师网络预测错误的影响。此外,MMTNet通过对无标签数据进行强、弱数据增强的方式对无标签数据进行数据扰动,增加了无标签数据的多样性,在一定程度上缓解了学生网络和教师网络之间存在的耦合问题,避免了学生网络对教师网络的过度拟合,从而进一步降低了教师网络进行伪标签预测错误时所产生的影响。在PASCAL VOC 2012扩充数据集上的实验结果表明,所提出的多平均教师网络MMTNet模型可获得比其他目前主流的半监督语义分割方法更高的平均交并比,且实际分割效果更优。

基于生成对抗网络与特征融合的多尺度音频序列生成方法

音频数据规模不足是语音识别过程中的一个常见问题,通过较少的训练数据训练得到的语音识别模型效果难以得到保证。因此,提出一种基于生成对抗网络与特征融合的多尺度音频序列生成方法(multi-scale audio sequence GAN,MAS-GAN),包含多尺度音频序列生成器和真伪—类别判别器。生成器通过3个上采样子网络学习音频序列不同时域和频域的特征,再将不同尺度的特征融合成伪音频序列;判别器通过辅助分类器将生成的伪数据和真实数据区分开,同时指导生成器生成各类别的数据。实验表明,与目前主流的音频序列生成方法相比,所提方法的IS和FID分数分别提高了6.78%和3.75%,可以生成更高质量的音频序列;同时通过在SC09数据集上进行分类实验来评估生成音频序列的质量,所提方法的分类准确率比其他方法高2.3%。

基于Transformer的U型医学图像分割网络综述

目前,医学图像分割模型广泛采用基于全卷积网络(FCN)的U型网络(U-Net)作为骨干网,但卷积神经网络(CNN)在捕捉长距离依赖能力上的劣势限制了分割模型性能的进一步提升。针对上述问题,研究者们将Transformer应用到医学图像分割模型中以弥补CNN的不足,结合Transformer和U型结构的分割网络成为研究热点之一。在详细介绍U-Net和Transformer之后,按医学图像分割模型中Transformer模块所处的位置,包括仅在编码器或解码器、同时在编码器和解码器、作为过渡连接和其他位置进行分类,讨论各模型的基本内容、设计理念以及可改进的地方,并分析了Transformer处于不同位置的优缺点。根据分析结果可知,决定Transformer所在位置的最大因素是目标分割任务的特点,而且Transformer结合U-Net的分割模型能更好地利用CNN和Transformer各自的优势,提高模型的分割性能,具有较大的发展前景和研究价值。

物联网发展与5G通信技术的应用

物联网(Internet ofthings,IoT)技术需要运用一系列的现代化信息设备与技术实现物与物的联系,如信息传感器、射频识别技术、全球定位系统、红外感应器以及激光扫描仪等。通过这一系列的专业装置和信息化技术,实现对相关数据实行实时的监控连接和互动。因此,物联网需要先进的通信技术来实现海量数据的搜集、传输、存储和分析,保证能够采集到多样化的信息,如声音、光、热、电、力学、化学、生物学以及位置等,从而实现对相关物体或者过程的智能化管控[1]。因此,要引入数据更快、安全性更好、智能发展潜力更大的5G通信技术。鉴于此,本文首先对物联网及5G技术进行阐释,然后分析5G技术应用于物联网的意义,最后提出5G技术应用于物联网中的具体策略,以促进物联网与5G通信技术的协同发展,推动我国物联网技术发展水平迈向新高度。

异质无线传感器网络虚拟骨干重构

无线传感器网络的虚拟骨干是承担网络路由任务的结点组成的子集。当一个异质无线传感器网络故障时,原有的虚拟骨干可能就会失去部分功能,然而现有的容错虚拟骨干只能容纳顶点故障,无法解决只有链路故障但没有顶点故障的问题,且虚拟骨干大小会随故障顶点数量的增加呈超线性增加。针对上述问题,研究在异质无线传感器网络链路发生故障时的虚拟骨干重构问题。对于一个只有链路故障的异质无线传感器网络,设计一个虚拟骨干重构近似算法(ZREA22),寻找一个未被控制的点组成的集合,在该集合导出的子图中构造一个极大独立集,并向该极大独立集和原连通控制集中添加结点以形成一个重构的连通控制集。实验结果表明,ZREA22算法能够产生一个大小有界的连通控制集,且虚拟骨干大小相比于WFSK09和SHLO14算法至少减少了9%和31%,同时算法运行时间更短。

一种新型的无线传感器网络能效路由算法

为了解决重复分簇而加剧能量消耗的问题,提出了一种新的无线传感器网络能效路由算法——基于簇树的非均匀分簇路由算法(UCCT)。该算法分为两步。第一步,划分网络区域为面积不相等的两个区域,对每个区域内的节点集,利用K-中心算法确定其质心节点;以每个质心作为一个簇,计算其中继能耗开销;确定各簇间的通信路由。第二步,利用线性规划方法来确定非质心节点所属的簇,选取各簇中剩余能量最高的节点为相应的簇头。该算法的特点是无须重复分簇。仿真结果表明,与ANRB相比,采用UCCT进行通信路由,无线传感器网络的寿命延长10.97%,数据吞吐量提高了13.09%。

基于CLIP和交叉注意力的多模态情感分析模型

针对多模态情感分析中存在的标注数据量少、模态间融合不充分以及信息冗余等问题,提出了一种基于对比语言-图片训练(CLIP)和交叉注意力(CA)的多模态情感分析(MSA)模型CLIP-CA-MSA。首先,该模型使用CLIP预训练的BERT模型、PIFT模型来提取视频特征向量与文本特征;其次,使用交叉注意力机制将图像特征向量和文本特征向量进行交互,以加强不同模态之间的信息传递;最后,利用不确定性损失特征融合后计算输出最终的情感分类结果。实验结果表明:该模型比其他多模态模型准确率提高5百分点至14百分点,F1值提高3百分点至12百分点,验证了该模型的优越性,并使用消融实验验证该模型各模块的有效性。该模型能够有效地利用多模态数据的互补性和相关性,同时利用不确定性损失来提高模型的鲁棒性和泛化能力。

一种解决带有凸集约束的分布式伪凸优化的连续时间算法

本文提出了一种可以解决带有凸集约束且全局目标函数是非光滑伪凸的分布式优化问题的连续时间算法.本文所提出的分布式优化算法采用罚函数方法建模,通过构造一个合适的惩罚项迫使所有智能体的状态变量进入可行域.通过使用李雅普诺夫(有限时间)稳定性理论等工具,证明了在一定假设下,本文所提出的算法将在有限时间内达成一致状态且进入可行域并永驻其中,并在此之后收敛到原分布式优化问题的最优解集.此外,该算法在运行时各个智能体仅仅需要接收邻居节点的相对状态的符号信息.最后,仿真结果验证了本文所提出的算法的有效性.

基于VGG-UNet的食用菌菌丝体表型参数自动测量方法

食用菌菌丝体表型特征是食用菌种质资源评价和科学育种的重要依据。针对传统阈值分割方法提取菌丝体区域易受到光照不均、菌丝体不规则生长和培养皿内产生代谢物等因素干扰的问题,制作食用菌菌丝体图像数据集,并提出一种基于深度学习的食用菌菌丝体表型参数自动测量方法。将U-Net网络编码器部分替换为VGG16的前13个卷积层,引入预训练权重,构建适用于菌丝体分割的VGG-UNet模型。测试集上对比实验表明,该模型的平均交并比达到98.18%,比原始U-Net模型高0.93个百分点。经该模型获取菌丝体分割图像后,利用OpenCV相关函数计算菌丝体的半径、周长、面积、覆盖度、圆整度这5个表型参数。将人工测量方法与本文方法进行线性回归分析,得出菌丝体半径、周长、面积和覆盖度的决定系数分别为0.979 5、0.991 5、0.975 0和0.975 0,均方根误差分别为2.20 mm、4.73 mm、176.74 mm^(2)和3.16%。经测试,本文方法能准确地完成食用菌菌丝体表型参数自动测量任务,为食用菌表型分析研究提供理论基础。

采用特征图增强原型的小样本图像分类方法

在基于度量学习的小样本图像分类方法中,由于标注样本的稀缺,仅用支持集样本得到的类原型往往难以代表整个类别的真实分布;同时,同类样本间也可能在多个方面存在较大差异,较大的类内差异可能使样本特征偏离类别中心。针对上述可能严重影响图像分类性能的问题,提出一种采用特征图增强原型的小样本图像分类方法(FMEP)。首先,用余弦相似度从查询集样本特征图中选择部分相似特征加入类原型中,得到更具代表性的特征图增强原型;其次,对相似的查询集样本特征进行聚合,缓解类内差异大导致的问题,使同类样本的特征分布更接近;最后,用在特征空间中与真实类别分布都更接近的特征图增强原型和聚合查询特征进行相似度比较得到更优的分类结果。所提方法在MiniImageNet、TieredImageNet、CUB-200和CIFAR-FS等常用的小样本图像分类数据集上进行了实验,结果表明所提方法获得了比基线模型更优的分类性能,同时也优于同类型的小样本图像分类方法。

采用动态相关度权重的特征选择算法

基于互信息的特征选择算法在考虑候选特征提供的新分类信息时,通常忽略了候选特征的加入会使得已选特征和类标签的相关性发生变化而带来额外的新增信息量,以及在计算冗余信息时采用累加求和的形式可能导致低估候选特征的冗余程度。针对以上问题,提出动态相关度权重的定义,以更全面地考虑候选特征带来的新信息量成分;提出改进冗余项的定义,采用取最大值和归一化策略,以解决传统算法存在的低估冗余问题;在此基础上提出一种采用动态相关度权重的特征选择算法(feature selection using dynamic relevance weight,FSDRW)。选取五种当前主流的基于互信息的过滤式特征选择算法进行对比实验,在来自加州大学尔湾分校UCI和亚利桑那州立大学ASU的机器学习测试数据集上的实验表明,所提出的算法在分类准确率及综合性能方面具有较好的表现。最后将所提出算法应用于广西某水库工程的微震、爆破信号识别中,算法选取出的特征用于微震信号识别可达到98.86%的分类准确率,验证了算法在实际应用中的有效性。

基于多尺度特征融合的遥感图像语义分割方法

为提高遥感图像语义分割精度,解决深度卷积神经网络(DCNN)特征提取过程中小尺寸目标信息丢失的问题,提出一种基于多尺度特征融合的语义分割方法FuseSwin。首先,在Swin Transformer中引入注意力增强模块(AEM),以突出目标所在区域并抑制背景噪声的干扰;其次,利用特征金字塔网络(FPN)融合多尺度特征的细节信息和高级语义信息,以补充目标的特征;最后,通过空洞空间金字塔池化(ASPP)模块从融合特征图中进一步捕获目标的上下文信息,提升模型分割精度。实验结果表明,所提方法在Potsdam遥感数据集上的平均像素准确率(mPA)和平均交并比(mIoU),与DeepLabV3方法相比,分别提高了2.34、3.23个百分点;与SegFormer方法相比,分别提高了1.28、1.75个百分点,优于目前主流的分割方法。此外,将所提方法实际应用于广西钦州茅尾海的高分辨率遥感图像中的蚝排识别与分割,分别取得96.21%、91.70%的像素准确率(PA)和交并比(IoU)。

基于5G的配电网智能故障诊断方法

配电网是电网中发生短路故障最多且智能化程度较低的地方。目前主要使用基于零序电流比幅法来进行接地故障的故障诊断,但存在非接地故障识别率低和无法快速识别等问题。采用5G通信技术,提出三序复合电流检测法并结合广义回归神经网络(GRNN,generalized regression neural network)来实现配电网故障诊断的实时传输与快速决策。测试结果表明可提升非接地故障的识别率达20%以上,解决了以往通信不可靠和故障诊断智能化不高等问题。

动态扰动辅助的串行抵消双比特翻转Polar译码算法

针对串行抵消翻转译码算法(Successive Cancellation Flip,SCF)受限于单比特翻转而性能提升有限问题,提出了一种双比特翻转译码算法(Successive Cancellation Flip with 2 Bits,SCF2)。针对SCP算法扰动方差初始值固定的问题,设计了一种扰动方差可随码长和码率变化的改进SCP算法。在此基础上,结合翻转和扰动机制,提出了一种动态扰动辅助的串行抵消双比特翻转(Dynamic Perturbation-Aided SCF2,DPA-SCF2)译码算法,并对其译码复杂度和性能进行了分析。仿真结果显示,相比于列表长度为4的循环冗余校验辅助串行抵消列表(Cyclic Redundancy Check Aided Successive Cancellation List,CA-SCL)译码算法,所提算法最大可获得约0.5 dB的性能增益。