基于GST与改进CNN的滚动轴承智能故障诊断

针对滚动轴承传统故障诊断方法需要先验知识以及人工提取特征导致故障识别错误率高的问题,提出一种基于广义S变换(Generalized S transform,GST)和改进卷积神经网络(Convolutional Neural Network,CNN)的滚动轴承智能故障诊断方法。使用GST将一维振动信号转换为特征信息更加丰富的时频图,更加全面提取滚动轴承的故障特征信息。通过加入弹性斜率和高斯分布的神经元噪声,提出改进的激活函数EReLTanh(Elastic Rectified Linear Tanh,EReLTanh),并基于EReLTanh激活函数构建CNN。将得到的时频图进行压缩和归一化处理,生成时频图数据集并划分数据集。利用时频图数据集训练改进CNN,实现滚动轴承的智能故障诊断。使用自制实验平台采集不同种类滚动轴承故障数据,利用t-SNE进行全连接层特征降维可视化,结果表明:使用EReLTanh激活函数的CNN模型能够将不同故障样本的特征进行准确的分类,达到故障识别要求,同时使用该数据利用S变换、小波变换、GST并结合改进CNN和未改进CNN进行对比,提出的方法准确率得到提升。通过分析和对比实验可得出结论,利用GST和改进CNN的滚动轴承智能故障诊断方法能够在实际工程中更加简单方便地判断出故障类型及损伤程度,满足实际工程的需求。

基于多尺度密集连接网络的矿物图像智能识别

针对判定矿物种属的传统网络由于计算复杂度高及网络参数量大而导致其应用部署所需环境资源要求高的问题,提出了一种基于多尺度密集连接的网络模型(Multi-Scale Densely connected convolutional Network,MS-DenseNet)用于矿物的智能识别.首先,为了使网络具有多尺度特征学习能力,在密集连接网络中引入多尺度卷积结构;其次,采用分组卷积策略优化网络结构;最后,在网络尾部采用跳跃连接结构以减少特征信息损失.在自建矿物数据集上的实验结果显示,网络模型的验证集和测试集准确率分别达到90.54%和88.06%,表明该网络模型具有良好的识别能力.

基于多分辨率图像的矿物特征自动提取与矿物智能识别模型

传统卷积神经网络运用于矿物种属鉴定时,由于其较大的参数量和固定输入图像分辨率的限制,需要充足的计算资源与一定的图像预处理能力,难以在实际勘探中部署。为此,基于深度可分离卷积,结合注意力机制,通过密集连接的方式构建矿物智能识别模型,且该模型可以对多分辨率矿物图像进行训练。实验结果表明,模型内存占用仅为20 Mb,验证准确率与测试准确率均高于90%,分类效果优于经典卷积神经网络,表现出优异的正负例样本鉴别能力。以上结果证明,该模型在识别性能与内存占用上达到良好的平衡,适用于便携式设备,且能有效地对不同分辨率矿物图像进行识别,并有良好的泛化性,具有潜在的应用价值。

增强人工蜂群算法求解半导体最终测试调度问题

本文提出一种增强人工蜂群算法(Enhanced Artificial Bee Colony,EABC),用于最小化半导体最终测试调度问题(Semiconductor Final Testing Scheduling Problem,SFTSP)的最大完工时间.该算法采用混合启发式方法初始化种群,并利用前插式解码策略来提高初始解的质量.在算法搜索阶段设计多种基于问题性质的探索策略和基于贝叶斯网络的概率模型对问题解空间进行深度与宽度的协同搜索.此外,提出基于重启策略的种群更新机制以加强算法跳出局部最优的能力.实验部分构造多种对比算法来验证EABC中各关键环节的有效性.通过基于实例的数值仿真以及与NFOA(Novel Fruit fly Optimization Algorithm)、KMEA(Knowledge-based Multi-agent Evolutionary Algorithm)和CCIWO(Cooperative Co-evolutionary Invasive Weed Optimization)的算法比较验证了EABC的有效性和鲁棒性.

基于学习型人工蜂群算法优化双向GRU的乙烯产率预测

本文针对以乙烯产率为生产指标的预测问题,基于双向门控循环单元网络(BGRU)建立乙烯产率预测模型,以最小化模型误差为优化目标并提出一种学习型人工蜂群算法(LABC)对预测模型进行优化和设计.在构建BGRU预测模型时,先对乙烯裂解炉实际生产过程进行分析,确定影响产率的关键因素并将其作为模型的输入;再采用LABC对BGRU网络模型的结构、初始权值和阈值、训练比和动量因子进行全面的优化和设计.在LABC中,首先根据人工蜂群算法(ABC)特点构建强化学习(RL)框架下的状态集、动作集、奖励函数和最优混合搜索策略,在此基础上,提出一种深度双Q网络(DDQN)来实现最优混合搜索策略,通过该策略可智能选择合适的搜索动作来执行针对不同状态的局部搜索.本文通过在标准数据集和实际生产数据上的测试及算法对比,验证了所提学习型人工蜂群算法优化的双向GRU网络(LABC BGRU)模型具有预测精度高、适用性强的特性.

基于微调原型网络的小样本敏感信息识别方法

敏感信息识别主要是指识别互联网上涉及色情、毒品、邪教、暴力等类型的敏感信息,现有的敏感信息识别通常将其看作文本分类任务,但由于缺乏大规模的敏感信息标注数据,分类效果不佳。该文提出一种基于微调原型网络的小样本敏感信息识别方法,在小样本学习框架下,利用快速适应的微调原型网络来缓解元训练阶段通用新闻领域和元测试阶段敏感信息数据差异大的问题。首先,在元训练阶段,基于通用新闻领域的分类数据训练模型来学习通用知识,同时在训练过程中经过两阶段梯度更新,得到一组对新任务敏感的快速适应初始参数,然后在元测试阶段敏感文本数据集的新任务上,冻结模型部分参数并使用支持集进一步微调,使模型更好地泛化到敏感识别领域上。实验结果证明,相比当前最优的小样本分类模型,该文提出的快速适应微调策略的原型网络显著提升了敏感信息识别效果。

无模型自适应滑模控制的微波加热过程温度控制

微波加热模型具有无限维、非线性和时变等特点,导致控制器难于设计和实现。针对此问题,提出了一种适用于微波加热过程的无模型自适应滑模控制方法。首先,对微波加热过程传热数学模型进行分析,建立了微波加热过程输入功率与温度之间的全格式动态线性化数据模型。然后,根据该数据模型设计了无模型自适应滑模控制器,并给出了数据模型中相关未知时变参数和未知干扰的估计算法。最后,利用COMSOL和MATLAB进行仿真,仿真结果验证了所提控制方法的有效性。

基于有限时间ADP的微波加热高钛渣温度跟踪控制

针对常规控制方法对微波加热过程控制效果不够理想的问题,提出一种基于数据驱动模型的有限时间自适应动态规划微波加热温度跟踪算法。算法包含模型网络、评价网络和执行网络,这3个网络的实现依赖于神经网络。模型网络实现微波加热过程的数据驱动建模,评价网络和执行网络实现最优性能指标函数和控制功率的逼近。最后将温度跟踪转化为误差的镇定。通过理论推导证明了算法的收敛性及最优性,并进一步开展了微波加热高钛渣温度跟踪实验和仿真研究。结果表明,算法能有效地跟踪高钛渣的加热过程,基于ELMAN神经网络的模型预测误差小于1℃,温度跟踪误差小于0.2℃,在工业微波加热中具有潜在的应用价值。

双重信息引导的蚁群算法求解绿色多舱车辆路径问题

针对当前实际运输中广泛存在的绿色多舱车辆路径问题(GMCVRP),文章提出一种双重信息引导的蚁群优化算法(DIACO)进行求解.首先,在DIACO的全局搜索阶段,重新构建传统蚁群优化算法(TACO)中的信息素浓度矩阵(PCM),使其同时包含客户块信息和客户序列信息,即建立具有双重信息的PCM(DIPCM),从而更全面学习和累积优质解的信息;采用3种启发式方法生成较高质量个体,用于初始化DIPCM,可快速引导算法朝向解空间中优质区域进行搜索.其次,在DIACO的局部搜索阶段,设计结合自适应策略的多种变邻域操作,用于对解空间的优质区域执行深入搜索.再次,提出信息素浓度平衡机制,以防止搜索陷入停滞.最后,使用不同规模的算例进行仿真测试和算法对比,结果验证了DIACO是求解GMCVRP的有效算法.

基于类型矩阵转移的汉越事件因果关系识别

针对汉越跨语言新闻事件因果关系识别中,汉越跨语言的文本语义空间难以统一、新闻之间的因果关联特征捕获困难的问题,提出了基于类型矩阵转移的汉越跨语言新闻事件因果关系识别方法。通过跨语言预训练统一汉越跨语言的文本语义空间,使用树形长短期记忆循环神经网络提取汉越文本中的句法结构化特征,融入汉越句法特征并结合基于事件类型转移的注意力机制,对汉越事件句对的因果关系进行识别。实验结果表明,该方法在汉越跨语言新闻事件因果关系的识别上较基线模型准确率有所提升。

基于多维度注意力机制和复数Conformer的单通道语音增强方法

为提高被噪声干扰的语音的可理解性和语音质量,针对用于语音增强的深度复数网络对语音复数谱中关键声学特征提取不充分、关联信息建模不合理的问题,提出了基于多维度注意力机制和复数Conformer的单通道语音增强方法(SE-MDACC)。在复数U-Net架构下引入复数Conformer,对语音幅度和相位的相关性进行建模;利用多维度注意力机制,构造更加丰富的特征来增强卷积层的表示能力;在残差连接中加入注意力门控机制强化重构语音的细节信息。实验结果显示,相比于深度复数卷积递归网络,SE-MDACC的客观评价指标语音质量感知评估和短时客观可懂度分别提升15.299%、1.462%,表明SE-MDACC可充分提取语音声学特征并对幅度和相位相关性进行合理建模,有效提升语音质量和可理解性。

优化聚类分簇结合自适应中继策略的双簇首WSNs路由算法

针对无线传感器网络中分簇路由算法节点能量利用率低、能量消耗不均匀等问题,提出了一种优化聚类分簇结合自适应中继策略的双簇首无线传感器网络路由算法.该算法对分簇路由协议中的三个阶段分别进行优化设计.成簇阶段,首先对双簇首模型下最优成簇规模与网络能耗的关系进行理论分析,然后使用改进的算术优化算法计算模糊C均值算法的初始聚类中心,提高了模糊C均值算法聚类成簇的准确率和鲁棒性.簇首选举阶段,引入双簇首策略,以节点的位置、能量和中心度为影响因子,根据承担任务的不同分别为内外簇首设计独立的簇首评价函数,以评价值为依据由节点分布式动态选举簇首减少了广播数量,同时可以将整个簇的能量负载平均分配到每个簇成员节点中.数据传输阶段,设置了多跳中继策略的距离适用条件,并以能量消耗速率为依据选择中继节点,避免了节点提前过载.仿真结果表明:在多种规模的网络中,该算法相较于对比算法在均衡网络负载、提高能量利用效率方面效果更好,从而延长了网络的有效感测时间.

混合灰狼-自适应蝴蝶算法下的多目标无线传感器网络覆盖研究

为提高无线传感器网络的覆盖率、减少二次部署中节点移动的能量消耗以及减少牵涉节点数目,提出了一种混合灰狼-自适应蝴蝶算法.首先,通过将灰狼算法与蝴蝶算法融合寻找最优解,在种群间优化中加入种群内部优化,提升算法的寻优能力,提高算法收敛速度;其次,在蝴蝶算法中改进自适应开关概率,根据当前迭代情况决定寻优方式,加快搜索速度;最后,在算法中融入反馈机制,引入随机蝴蝶进行漫步,防止陷入局部最优.从最优覆盖、最小冗余、最低能量消耗3个方向综合考量,建立函数模型,进行覆盖优化.实验结果表明,与其他6种算法相比,本文算法在多种场景下,有效地提高覆盖率,降低节点冗余,减少节点使用数目,降低能量消耗.

结合多层注意力和GCN的方面情感三元组抽取

针对传统两阶段管道方法忽略情感三元组元素之间的相互联系,以及存在误差传播等问题,提出一种结合多层注意力机制和图卷积网络的端到端方面情感三元组抽取模型AGGTS.首先,利用依赖关系树构造方面项、观点项与其他词之间的相对距离和依存关系;其次,图卷积网络通过依赖关系树构造的依存关系来建模句子的结构,捕获句子中词之间的语义信息和句法依赖关系,并且引入位置注意力机制和多头注意力机制,对每个方面项、观点项与其上下文词之间进行建模;最终从词对关系标签结果中抽取三元组.实验结果表明,本文方法在4个数据集上的评价指标均取得显著提升,验证了本文方法的有效性.

基于SegFormer的钛板缺陷涡流C扫描检测图像分割

为了获得涡流检测图像中缺陷的形状与长度信息,对检测图像进行图像分割是其中一种重要的方法。由于边缘效应的影响,TA2钛板涡流C扫描图像中缺陷区域边缘模糊、对比度低,导致通过图像分割后估计的缺陷长度与实际值差别过大,难以通过图像分割方法对缺陷长度进行准确估计。针对此问题,提出一种基于SegFormer的钛板缺陷涡流检测图像分割方法。首先,利用涡流C扫描成像获得TA2钛板表面裂纹缺陷检测图像数据集;根据SegFormer网络的结构组成,设计基于SegFormer钛板缺陷涡流检测图像的分割框架和分割流程,并进行网络参数的设置。随后,利用钛板表面裂纹缺陷检测图像数据集对4个分割模型分别进行训练和测试,并利用平均交并比、平均精度和训练时间对其分割效果进行评价。实验表明:相比于Deeplabv3+、Swim Transformer和OCRNet,SegFormer具有更好的分割效果,更快的训练速度。可视化和定量化结果表明:与非深度学习方法相比,该方法具有更小的缺陷长度估计误差。

融合词性语义扩展信息的事件检测模型

事件检测是事件抽取中的关键步骤,依赖于触发词进行事件类型分类。现有主流事件检测方法在稀疏标记数据上性能较差,模型过度拟合密集标注的触发词,在稀疏标记的触发词或者未见过的触发词上容易失效。改进方法通常通过扩充更多训练实例来缓解这一问题,但扩充后的数据分布不平衡,存在内置偏差,仍然表现不佳。为此,建立一种融合词性语义扩展信息的事件检测模型。对词粒度扩展信息进行分析,在不增加训练实例的条件下缩小候选触发词的范围,并对候选触发词进行语义扩展,挖掘候选触发词的上下文中蕴含的丰富语义,缓解了标记数据稀疏造成模型训练不充分的情况。通过词性筛选模块寻找候选触发词并对其进行语义扩展挖掘词粒度语义信息,融合句子粒度语义信息提升语义表征的鲁棒性,最终利用Softmax分类器进行分类完成事件检测任务。实验结果表明,该模型在ACE2005和KBP2015数据集上的事件检测任务中的F1值分别达到79.5%和67.5%,有效提升了事件检测性能,并且在稀疏标记数据实验中的F1值达到78.5%,明显改善了标记数据稀疏带来的不良影响。

基于多策略强化学习的低资源跨语言摘要方法研究

(CLS)旨在给定1个源语言文件(如越南语),生成目标语言(如中文)的摘要。端到端的CLS模型在大规模、高质量的标记数据基础上取得较优的性能,这些标记数据通常是利用机器翻译模型将单语摘要语料库翻译成CLS语料库而构建的。然而,由于低资源语言翻译模型的性能受限,因此翻译噪声会被引入到CLS语料库中,导致CLS模型性能降低。提出基于多策略的低资源跨语言摘要方法。利用多策略强化学习解决低资源噪声训练数据场景下的CLS模型训练问题,引入源语言摘要作为额外的监督信号来缓解翻译后的噪声目标摘要影响。通过计算源语言摘要和生成目标语言摘要之间的单词相关性和单词缺失程度来学习强化奖励,在交叉熵损失和强化奖励的约束下优化CLS模型。为验证所提模型的性能,构建1个有噪声的汉语-越南语CLS语料库。在汉语-越南语和越南语-汉语跨语言摘要数据集上的实验结果表明,所提模型ROUGE分数明显优于其他基线模型,相比NCLS基线模型,该模型ROUGE-1分别提升0.71和0.84,能够有效弱化噪声干扰,从而提高生成摘要的质量。

基于梯度权重变化训练策略的低资源机器翻译

近年来Transformer等神经网络模型在机器翻译上取得了显著的成功,但训练这些模型需要依靠丰富的有标签数据,而低资源机器翻译因受限于平行语料库的规模,导致训练得到的模型表现不佳,同时很容易针对高频词汇过度拟合,从而降低模型在测试集上的泛化能力。为了缓解这一现象,提出了一种梯度权重变化的策略,即在Adam算法基础上为每一个新批次所产生的梯度乘以一个系数。该系数递增变化,旨在在训练早期削弱对高频特征的依赖,而在训练后期保持算法的快速收敛优势。介绍了模型改进后的训练流程,其中包括系数的调整和衰减,以实现在不同训练阶段的不同侧重。这种策略的目标是增加对低频词汇的关注度,防止模型对高频词汇的过拟合。在三个低资源的双语数据集上进行了翻译任务实验,该方法在测试集上相对于基线模型分别提升了0.72、1.37和1.04个BLEU得分。

融合音素的缅甸语语音识别文本纠错

缅甸语语音识别文本中包含大量的同音和空格错误,使用通用的文本语义信息纠正错误字符,对缅甸语空格和同音错误定位和纠正不准确。考虑到缅甸语是一种声调语言,并且音素中包含了声调信息,因此提出融合音素的缅甸语语音识别文本纠错方法。通过参数共享策略对转录文本及其音素进行联合建模,利用音素信息辅助检测并纠正缅甸语同音和空格错误。实验结果表明,本文所提方法相比基线方法ConvSeq2Seq,在缅甸语语音识别纠错任务中的F1值提升了85.97%,达到了79.15%。

基于多特征交互融合的老挝语无监督音素分割方法

针对现有方法对老挝语声调变化以及音频多样性考虑不足导致音素分割不准确的问题,提出一种多特征交互融合的老挝语无监督音素分割方法。先对自监督特征、频谱特征以及音高特征进行独立编码,避免单一特征的不足;再基于注意力机制渐进融合多种独立特征,使模型更全面地捕捉老挝语的声调变化和音素边界的信息;最后采用可学习框架优化音素分割模型。实验结果表明,相比基线方法,在老挝语音素分割任务上所提方法的R-value值提升了27.88%。