改进变分自编码器的工业时序数据异常检测

为解决传统的异常检测模型对工业时序数据异常点检测方面误判率大和抗干扰性差的问题,提出一种改进的变分自编码器模型。考虑到工业时序数据的不规律性,使用变分自编码器模型作为基础架构;由于变分自编码器本身存在难以准确检测出异常时序数据的问题,在编码和解码过程中分别引入时间卷积网络和通道注意力机制,实现扩大感受野和增强特征权重;对数据时序数据使用随机森林进行特征排序,提高检测的准确性。通过进行对比测试实验,验证了该模型可以有效提高对异常工业时序数据点检测的准确性和可靠性。

非对称策略下基于前景信息的TIoU回归损失计算

回归损失函数是目标检测网络的重要组成部分之一。现有的回归损失中,无论是L范式损失还是基于IoU的损失都采用一种对称策略处理输入的两个边界框,这使得它们对前景信息的利用不够充分,影响了回归的质量。为此,提出了一种非对称策略,用以增强前景信息在回归损失中的作用,并在该策略的指导下设计了TIoU(Target-IoU)损失来保证网络对真值框内的特征予以有效利用,使得边界框的回归更贴近真实值。实验结果表明,TIoU损失在Faster R-CNN和RetinaNet下精度分别提升了0.2个百分点和0.5个百分点,实验数据集采用的是PASCAL VOC数据集。

改进YOLOv5s的明渠漂浮垃圾实时检测方法

针对航拍图像上明渠漂浮垃圾尺寸小,且易受水面倒影、强光等因素干扰从而造成漂浮垃圾漏检和误检的问题,提出了一种基于改进YOLOv5s的明渠漂浮垃圾实时检测方法。首先,通过数据增强的方式对数据集进行扩充,避免数据量过少产生过拟合现象;然后,结合加权双向特征融合网络(BiFPN),对YOLOv5s结构的特征融合过程进行修改,以提高检测精度和速度;并且在Neck和Head部分之间添加3个改进的三维CBAM注意力机制模块,加强网络信息的提取和定位能力,能够有效地降低检测的漏检率和误检率;最后,增大网络输入的分辨率,使图像具有更加丰富的细节信息和更加精确的位置信息,有利于小目标特征信息的提取。实验结果显示改进的YOLOv5s算法检测的平均精度达到了89.9%,与原YOLOv5s算法相比提高了9.5%,而且与其他目标检测算法对比,能够提高明渠漂浮垃圾检测的精度,确保检测的实时性。

基于改进自编码模型的工业时序数据异常检测

针对传统异常检测模型在处理工业多维时序数据时特征提取不充分、抗干扰能力弱等问题,提出一种改进的自编码模型,有效结合了门控循环网络的时序信息记忆能力和收缩自编码器的鲁棒特征提取能力,能够同时捕获不同特征变量之间的非线性相关性和单个变量自身的时序相关性。采取半监督学习异常检测方法,使用正常数据训练模型收敛,并根据待检测数据输入模型后计算出的异常得分来判定异常样本。基于真实的工业传感器数据进行实验后的结果表明,该方法有效提高了异常检测的准确度和可靠性。

面向超分辨率重建的层次间局部特征增强网络

基于卷积神经网络的超分辨率重建模型以单项传播为主,层次越靠后感知信息的能力越微弱,导致层次间局部特征部分丢失,难以实质提升网络的特征表达能力。针对此问题,提出层次间局部特征增强网络。该方法由级联残差模块、层次间特征增强块和特征感知注意力机制组成。级联残差模块通过有效残差连接增加对残差分支信息的利用;层次间特征增强块提取不同深度特征的依赖关系,自适应调整中间层特征权值增强捕获关键信息的能力;特征感知注意力机制采用方向感知和位置判断的方式准确定位和识别感兴趣对象。多项标准数据集的实验结果表明,该方法能改善超分辨率的视觉重建效果,整体性能优于现有方法。

基于注意力改进残差网络结构的表情识别方法

针对目前CNN在复杂图像中特征提取不充分的问题,提出一种基于注意力的改进残差网络的表情识别网络。设计一个双流网络在完成粗特征表情识别的同时检测关键点,并使用注意力机制增大关键点周边特征的权重。随后以残差网络为基础模型,改进残差块之间的跳跃连接方式,并将残差块中的普通卷积改进为分组卷积来强化特征提取能力。最后联合两个表情识别网络进行分类,实验结果验证了该模型方案有着更卓越的性能。

基于字典的压缩加密查询方案研究

RDF(资源描述框架,Resource Description Framework)压缩方案可以有效压缩庞大的RDF数据集,RDF加密方案可以有效提高数据的安全性。结合这两种方案,该文提出了一种基于字典的压缩加密查询方案。首先,通过原始的RDF数据集构建字典集,实现数据的压缩;然后,通过字典集生成密文ID三元组,实现数据的加密。将字典集存放在可信区域,密文ID三元组存储在不可信区域。查询时,首先通过字典集将查询语句中的关键词转换成对应的密文关键词,然后在密文ID三元组上查询与密文关键词相关的数据,将得到的密文数据传送至可信区域,在可信区域进行解密和解压缩操作,得到最终的明文数据。该方案将查询操作与解密解压缩操作分开,查询只在不可信区域操作,解密解压缩则在可信区域操作,从而进一步提高数据的安全性。最后,在5个数据集上与其他RDF加密方案进行了对比实验,实验结果证明了该压缩加密查询方案在查询性能上有一定的提升,验证了该方案是可行的和有效的。

通道加权下的双判别GAN超分辨率网络

针对现有基于生成对抗网络的单图超分辨率重构方法特征利用率不足,生成图像包含少量无意义噪声的问题,提出一种基于通道注意力机制的双判别生成对抗网络。通过对生成网络中密集残差块进行通道加权,优化网络的特征利用率。同时在对抗网络中对生成图像进行像素域和特征域的双重判别,促使生成网络产生更丰富的结构特征和高频信息。实验结果表明,与现有的SRGAN、ESRGAN两种算法相比,该算法能够重构出感官质量更高的图像。

引入信息熵的CURE聚类算法

为了提高传统CURE(clustering using representatives)聚类算法的质量,引入信息熵对其进行改进。该算法使用K-means算法对样本数据集进行预聚类;采用基于信息熵的相似性度量,利用簇中元素提供的信息度量不同簇之间的相互关系,并描述数据的分布;在高、低层聚类阶段,采取不同的选取策略,分别选取相应的代表点。在UCI和人造数据集上的实验结果表明,提出的算法在一定程度上提高了聚类的准确率,且在大型数据集上比传统CURE算法有着更高的聚类效率。

融合自注意力的SOFC表面缺陷图像分割

固体氧化物燃料电池(SOFC)表面缺陷的图像分割,对单片SOFC质量检测具有重要意义.针对单片SOFC表面缺陷图像边缘模糊、背景复杂等问题,提出一种融合自注意力的SOFC表面缺陷图像分割方法.首先,提出多通道自注意力模块,以增强多通道间关联和提升通道表示;其次,利用多尺度注意力融合模块,进一步提升网络对不同尺度缺陷特征的提取能力;最后,提出三元联合损失函数对训练过程进行监督.实验表明,提出方法在提升网络分割性能的同时可有效提取单片SOFC表面缺陷.

MedKGGPT:基于知识图谱的医疗大型语言模型设计方法

大型语言模型(Large Language Models,LLM)已经成为现今主流的研究热点,而垂直领域行业大模型则成为落地应用的关键点,以医疗为代表的大型语言模型有着可解释性、可靠性、高安全性等要求。针对这类问题,提出MedKGGPT模型,一个基于ChatGLM的模型,并提出一种面向医疗领域的知识图谱(Knowledge Graphs,KGs)和LLM相结合的框架。框架主要包含两个部分:首先,通过KG三元组中的实体和关系,提出了一种基于KG结构数据的提示工程方法,使得LLM更加具有医学领域的专用知识,提高LLM的可解释性;其次,提出一种利用KG来对齐LLM的方法,将LLM的输出与KG的相关知识进行比较,验证LLM输出结果的一致性和准确性,从而增强了LLM在医疗领域的安全性。实验结果表明,最终生成的MedKGGPT模型能够输出更加具有安全性的结果,说明KG能够有效增强LLM的可解释性,为LLM应用在医疗领域提供了帮助。

融合多尺度门控卷积和窗口注意力的结肠息肉分割

结肠息肉的准确分割对于切除异常组织和降低息肉转换为结肠癌的风险具有重要意义.目前的结肠息肉分割模型在对息肉图像进行分割时存在着较高的误判率和分割精度较低的问题.为了实现对息肉图像的精准分割,提出了一种融合多尺度门控卷积和窗口注意力的结肠息肉分割模型(MGW-Net).首先,设计一种改进的多尺度门控卷积块(MGCM)取代U-Net的卷积块,来实现对结肠息肉图像信息的充分提取.其次,为了减少跳跃连接处的信息损失并充分利用网络底部信息,结合改进的空洞卷积和混合增强的残差窗口注意力构建了多信息融合增强模块(MFEM),以优化跳跃连接处的特征融合.在CVC-ClinicDB和Kvasir-SEG数据集上的实验结果表明,MGW-Net的相似性系数分别为93.8%和92.7%,平均交并比分别为89.4%和87.9%,在CVC-ColonDB、CVC-300和ETIS数据集上的实验结果表明其拥有较强的泛化性能,从而验证了MGW-Net可以有效地提高对结肠息肉分割的准确性和鲁棒性.

对等云存储系统中抗Sybil攻击的准入控制机制

提出了一个对等云存储系统中基于身份密码的准入控制机制,包括4个协议,分别为不同实际场景中的用户安全高效地分配身份标识,并有效地抵抗Sybil攻击。在基本协议中,云服务器使用回叫的方式认证用户,再为合法用户基于其IP地址分配随机的身份标识并产生对应的公私钥对。扩展协议1使云服务器能够将工作代理给多个可信节点。另外两个协议针对使用网络地址转换的用户,对上述协议进行扩充,基于用户的IP地址和端口号来为其分配身份,并在分发私钥时加入密码难题,无需进行复杂的身份证书管理,具有高安全性;协议维持合理的计算时间,可限制恶意用户获取身份的速率,具备良好的可扩展性。

基于加减性色彩系统的视频偏色盲估计方法

针对视频图像在获取过程中产生的偏色现象,提出了一种基于加减性色彩系统的视频偏色盲估计方法。计算图像RGB三通道的颜色比率和能量差,根据颜色比率判断图像的色彩系统类型及偏色通道,融合偏色通道的颜色比率和能量差得到偏色因子,实现偏色图像的检测及偏色程度估计。依据本文所设计的评价标准,对图像库进行实验测试,实验结果表明,基于加减性色彩系统的视频盲估计方法与主观评价结果具有较好的吻合。

基于YOLOv5-SSA的水炮射击半遮挡目标检测

船舶水炮射击时容易产生水花,造成对射击目标的遮挡,现有水炮控制跟踪系统在水炮射击场景中容易丢失目标,难以获得有效的瞄准效果。论文提出一种基于深度学习的目标检测方法,将水炮射击时拍摄的图像作为输入,实时检测出要射击目标的位置,来达到良好的瞄准效果,实现对目标准确有效的射击。论文设计一个轻量级的深度学习目标检测网络YOLOv5-SSA对水炮射击的目标进行实时检测,在实际场景中进行测试时,在目标检测准确率达到93.2%的前提下,处理速度达到了21.18ms,实现了对目标的实时检测。

基于小波融合的SOFC燃烧室火焰图像增强方法

当固体氧化物燃料电池系统因某些原因未全额功率运行时,燃烧室会进行不充分燃烧。火焰图像会具有亮度高、对比度低等特点,不利于图像特征的提取与系统分析。针对此问题,提出了一种基于小波融合的固体氧化物燃料电池燃烧室火焰图像增强方法。首先,利用感知启发的变分框架,提升颜色混合区域的对比度,实现图像预增强;然后,利用提出的细节保持模块进行二次图像增强;最后,利用小波融合方法将已有的增强图像进行融合,获得最终图像。实验结果表明,相比于传统方法,提出的方法不仅可有效保持图像的细节信息,而且可显著增强图像的对比度,提高图像质量。

基于改进DenseNet模型的滚动轴承故障诊断

滚动轴承是机械设备的关键部件,为了检测滚动轴承设备的正常运转并且提高识别轴承故障的准确率,提出一种优化变分模态分解(VMD)结合改进密集神经网络(DenseNet)的故障诊断模型方法。首先,使用多种群差分进化(MPDE)算法以局部极小包络熵为优化搜索的目标函数,对VMD方法中的相关参数进行优化搜索以获取最佳参数组合;然后,使用最佳参数组合优化的VMD方法分解处理原始滚动轴承的故障信号,并得到若干本征模态分量信号(IMFs);最后,通过引入通道注意力模块(MECANet)的改进密集神经网络模型对分解得到的IMF分量信号进行深层故障特征提取与识别,最终完成滚动轴承的故障诊断。实验结果表明:提出的优化VMD结合改进DenseNet模型对滚动轴承故障识别的准确率达到了99.23%,并且对比一些其他常见故障诊断模型的准确率有明显的提升,而且与先进的故障诊断模型对比其准确率存在较小差距,验证了此模型在滚动轴承故障诊断方面的有效性。

边缘场景下基于DDQN的容器组调度策略

工业互联网中存在大量部署于边缘服务器上的在/离线容器服务,这些容器服务一方面承载着低延时,高响应的需求,另一方面又具有错综复杂的调用关系。通常边缘集群的调度策略并未考虑到容器服务之间的依赖关系,这导致具有依赖关系容器服务可能在调度过程中被分散到不同的边缘节点上,并由此产生大量跨节点调用造成额外资源损耗。针对具有依赖关系的容器,该文提出面向边缘场景的容器组调度优化策略。首先通过容器聚类算法CDSC(Container Dependency Spectral Clustering)将有依赖关系的容器划分为一个或多个容器组,使得组内容器依赖强度尽可能的大,组间依赖强度尽可能的小,以减少其进行跨节点调用的频率;再通过引入双深度Q网络模型(Double DQN)将容器组作为基本调度单位,以容器依赖开销,集群和节点内部负载为优化目标,根据边缘节点实际情况自适应学习优化调度策略,使其能应对复杂多变的边缘集群情况。经实验表明,相比于传统的启发式算法和其他深度强化学习算法,该算法在容器服务响应时间、集群和节点负载方面具有明显的优势。

面向销售数据的多项缺失值关联性的增量填补

数据缺失会影响数据的质量,可能导致分析结果的不准确和降低模型的可靠性,缺失值填补能减低偏差方便后续分析.大多数的缺失值填补算法,都是假设多项缺失值之间是弱相关甚至无相关,很少考虑缺失值之间的相关性以及填补顺序.在销售领域中对缺失值进行独立填补,会减少缺失值信息的利用,从而对缺失值填补的准确度造成较大的影响.针对以上问题,本文以销售领域为研究目标,根据销售行为的多维度特征,利用不同模型输出值的空间分布特征特性,探索多项缺失值的填补更新机制,研究面向销售数据多项缺失值增量填补方法,根据特征相关性,对缺失特征排序并用已填补的数据作为信息要素融合对后面的缺失值进行增量填补.该算法同时考虑了模型的泛化性和缺失数据之间的信息相关问题,并结合多模型融合,对多项缺失值进行有效填补.最后基于真实连锁药店销售数据集通过大量实验对比验证了所提算法的有效性.

边缘计算中基于区块链的轻量级密文访问控制方案

密文策略属性基加密(ciphertext-policy attribute-based encryption,CP-ABE)技术可以在保证数据隐私性的同时提供细粒度访问控制.针对现有的基于CP-ABE的访问控制方案不能有效解决边缘计算环境中的关键数据安全问题,提出一种边缘计算环境中基于区块链的轻量级密文访问控制方案(blockchain-based lightweight access control scheme over ciphertext in edge computing,BLAC).在BLAC中,设计了一种基于椭圆曲线密码的轻量级CP-ABE算法,使用快速的椭圆曲线标量乘法实现算法加解密功能,并将大部分加解密操作安全地转移,使得计算能力受限的用户设备在边缘服务器的协助下能够高效地完成密文数据的细粒度访问控制;同时,设计了一种基于区块链的分布式密钥管理方法,通过区块链使得多个边缘服务器能够协同地为用户分发私钥.安全性分析和性能评估表明BLAC能够保障数据机密性,抵抗共谋攻击,支持前向安全性,具有较高的用户端计算效率,以及较低的服务器端解密开销和存储开销.