非独立同分布工业大数据下联邦动态加权学习方法

联邦学习在不交换本地数据的情况下可以完成多方协作训练,很好地解决了工业物联网领域数据隐私保护及共享问题。但是传统的联邦学习在面对非独立同分布的工业数据时,会因为局部模型更新导致模型的偏移。针对上述问题,提出非独立同分布工业大数据下联邦动态加权学习方法,该方法分为局部更新和全局聚合两个阶段。在局部更新阶段,利用联邦距离算法消除偏移程度过大的局部模型的影响;在全局聚合阶段,提出动态加权算法,动态的给对全局模型更有利的局部数据分配更大的训练权重。该方法既考虑了局部更新导致的模型偏移程度问题,又兼顾了偏移局部模型对全局模型的影响。通过实验验证了该方法在面对非独立同分布的工业数据时具有良好的效果。

人工智能在医学影像中的应用

阐述“人工智能+医学影像”的含义,介绍人工智能技术在疾病筛查、辅助治疗、病理分析中的主要应用,指出现阶段人工智能在医学影像应用中面临的主要问题,展望人工智能助力智能医疗的发展前景。

面向抓取检测的位姿估计数据集自动采集标注系统

机器人抓取在物流分拣、自动装配和医疗手术等领域中具有广泛的应用.抓取检测是机器人抓取中的重要步骤之一,随着三维传感器的成本逐渐降低,抓取检测任务中越来越多地使用深度相机采集彩色图像和深度图像对(RGB-D),并采用基于位姿估计的方法实现机器人抓取.然而,目前已经公开的基于RGB-D图像的位姿估计数据集,大多需要借助价格昂贵的三维激光扫描仪获得目标物体的三维模型,而且标注过程依赖人工操作,费时费力,不利于大规模数据集的制作.为此,本文设计并实现了一个面向位姿估计的数据集自动采集标注系统.该系统无需使用三维激光扫描仪,只通过采集、分析由深度相机获得的RGB-D图像序列即可重建出目标物体的三维模型,并自动标注目标物体的位姿信息,生成二维图像中的分割掩码.实验中,使用该系统制作了包含84个物体、8400张RGB-D图像的位姿估计数据集,并将自动标注数据与手动标注数据进行了对比,发现两者分割掩码重合率可以达到98%,并且自动标注的位姿信息能够使模型点云与场景点云的对齐率达到100%,充分说明了所提系统自动标注结果的准确性与可靠性.

基于双层链的个人隐私数据保护和授权框架

针对隐私泄露事件频繁发生且当前的保护方法无法避免恶意收集和恶意攻击的问题,提出了基于双层链的个人隐私数据保护和授权框架。该框架由验证链和授权链构成,通过跨链技术进行通信,不需要用户向服务商提供隐私数据就能获得服务。验证层负责验证数据并生成数据证明,授权层负责用户的授权,避免服务商得到用户隐私数据。此外,提出了基于顺序选举的RAFT改进算法和代理受益证明算法,分别应用在验证层和授权层,从而提高了共识速度和数据处理速度,解决了在没有激励机制的情况下如何维护公有链的问题。实验结果表明,所提框架保证了数据的真实性、安全性和可扩展性,平衡了隐私性和可追溯性。

基于循环特征推理的大间距缺失地震数据重建方法

【目的】由于急流、裂谷、高山等自然环境的限制,采集的地震数据会出现大间距缺失的现象,影响后续的地震数据处理和地质分析工作,需要对缺失数据进行插值重建。【方法】为解决大间距地震数据缺失问题,提出一种基于循环特征推理的重建方法。首先缺失的地震数据经过部分卷积运算,在计算过程中根据感受野内有效特征图数据的占比,自适应地调整卷积运算结果的权重,避免在连续缺失的地震道上执行无效的卷积操作。然后采用循环特征推理的方式,逐步对缺失部分进行渐进式重建。部分卷积运算和循环特征推理交替进行,直至所有缺失数据重建完成。最后特征融合每次迭代产生的重建特征,以保证推理的准确性。为增强模型对大间距缺失区域纹理细节的学习能力,结合纹理损失和均方误差函数作为复合损失函数,进一步提高重建精度。【结果和结论】结果显示:(1)基于循环特征推理的方法可以有效重建大间距缺失的地震数据,信噪比在原缺失数据的14.89 dB的基础上提升至28.15 dB。(2)连续缺失30道至80道的多次重建实验中,本方法的重建结果信噪比、结构相似性、均方误差等评价指标均优于U-Net方法。采用6种不同公开数据集测试了本方法的重建效果,进一步证明了本方法的有效性。(3)对比实验探究部分卷积核大小对重建结果的影响表明,当部分卷积核大小为3×3时重建结果信噪比更高并且迭代时间更短。研究成果为大间距缺失地震数据的重建方法提供了新的解决思路。

人工智能时代的伦理道德思考

人工智能给人们的生活带来极大便利的同时,也引发了一系列伦理道德问题。文章首先介绍国内外人工智能伦理道德研究现状,其次讨论人工智能带来的道德伦理问题及对策研究,最后提出解决思路,从而使人工智能发展为可控制的科学。

基于联邦增量学习的工业物联网数据共享方法

针对工业物联网(IIOT)新增数据量大、工厂子端数据量不均衡的问题,提出了一种基于联邦增量学习的IIOT数据共享方法(FIL-IIOT)。首先,将行业联合模型下发到工厂子端作为本地初始模型;然后,提出联邦优选子端算法来动态调整参与子集;最后,通过联邦增量学习算法计算出工厂子端的增量加权,从而使新增状态数据与原行业联合模型快速融合。实验结果表明,在美国凯斯西储大学(CWRU)轴承故障数据集上,所提FIL-IIOT使轴承故障诊断精度达到93.15%,比联邦均值(FedAvg)算法和无增量公式的FIL-IIOT(FIL-IIOT-NI)方法分别提高了6.18个百分点和2.59个百分点,满足了基于工业增量数据的行业联合模型持续优化的需求。

采用改进人工势场法的动态无人车路径规划

针对无人车在动态转向避障过程中的,基于结构化道路改进人工势场模型进行了转向避障路径规划。首先应用椭圆化距离代替斥力势场的中的实际距离,其次,引入道路边界斥力势场模型,从而在较小车道空间内获得局部避障路径,为了更加准确的描述无人车行驶环境及动态障碍物信息,引入障碍物速度斥力势场。最后,建立了以转角为控制变量的纯追踪算法模型进行路径跟踪。Matlab仿真结果表明,对比传统人工势场法,应用改进的人工势场模型能够获得平顺且安全的局部避障路径,纯追踪控制器模型具有良好的路径跟踪性能。

联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型

针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题,提出一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型(GDM)。GDM包括时空注意力(TSA)、双向图神经长短期记忆(DG-LSTM)网络编码和边-点转换双向门控循环网络解码(EN-GRU)模块。首先使用TSA模块提取MOD11A1图像特征并形成多个虚拟气象站点的温度时间序列,缓解地面气象站点分布稀疏对站点间关系的影响;然后用DG-LSTM编码器通过融合两组温度时间序列来计算地面气象站点间和虚拟气象站点间的关系强度;最后用ENGRU解码器通过结合站点间的关系强度对地面气象站点的温度时间序列关系进行建模。实验结果表明,相较于二维卷积神经网络(2D-CNN)、长短期记忆全连接网络(LSTM-FC)、长短期记忆神经网络扩展网络(LSTME)和长短记忆与自适应提升集成网络(LSTM-AdaBoost),GDM在10个地面气象站点24 h内温度预测的平均绝对误差(MAE)分别减小0.383℃、0.184℃、0.178℃和0.164℃,能提高未来24 h多个气象站点温度的预测精度。

大数据时代的智能医学工程专业建设

国内目前的智慧医疗市场难以满足人们的需求,对传统医疗领域提出了新的要求,智能医学工程专业是满足国家发展规划的新兴交叉学科,立足于大数据、机器学习和医学,发展数据医疗产业,促进传统医学领域的发展,可培育综合性人才。

基于数据驱动的锂离子电池RUL预测综述

剩余使用寿命预测技术对于锂离子电池的安全使用及维护具有重要意义。由于锂离子电池的长寿命特性以及复杂的非线性退化机制,目前剩余使用寿命预测仍是电池状态预测的难点问题。数据驱动方法不需要考虑电池内部电化学特性,而仅从数据角度出发,是目前主流的预测方法。通过实例介绍了剩余使用寿命概念,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,针对现有方法的不足,提出未来需要改进的方向。

一种提高N-Code可扩展性的数据重组方案

在原有大规模存储系统中增加磁盘可以提高I/O带宽和存储容量,为了恢复原磁盘阵列的编码布局,数据需要在所有磁盘上重新分布.RAID6在充分利用存储空间的基础上提高了容错能力,但由于其编码的复杂性给存储系统扩容带来困难.本文提出了一种加速N-Code RAID6扩容的新型数据重组方案Cross-Scale,方案中定义了扩容阈值,根据扩容阈值与磁盘阵列剩余空间的关系提出两种阵列标准化和数据迁移策略,使扩容后阵列维持原编码布局,并有效减少了奇偶校验更新的开销,提高了扩容效率.实验表明,与现有的方案相比最多可降低97.40%的数据迁移率,I/O操作数可减少6.74%~73.37%,XOR操作次数可降低6.13%~100%,节省6.81%~73.39%的扩容总时间.

基于Gabor纹理学习的地震数据重建算法

地震数据重建技术主要用于解决地震数据采集过程中出现的地震道缺失或空间采样不足等问题。针对支持向量回归(SVR)地震数据重建方法未充分利用地震数据物理信息的不足,引入可提取不同尺度和方向纹理特征的Gabor变换,旨在充分挖掘地震数据的物理信息,并基于SVR算法框架重建缺失的地震数据。即首先利用Gabor滤波器提取地震数据的纹理特征,并与原始数据特征相结合,构建新的特征向量数据库;然后通过SVR算法学习回归模型,用于重建缺失的地震数据。通过大量合成地震数据与实际地震数据重建实例,表明由Gabor变换提取的纹理特征能有效提高SVR算法的重建精度,并获得更高信噪比。

考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。

基于观测方程重构滤波算法的锂离子电池荷电状态估计

滤波算法中观测方程的准确性在电池状态评估中起着决定性作用。然而,该文通过试验发现,由于温度、工作电流和荷电状态(SOC)的影响,即使使用精度较高的电池模型,扩展卡尔曼滤波(EKF)算法中观测方程的输出值与实际电压之间仍会存在较大误差,即产生了较大的新息。该文提出一种基于观测方程重组的增强型扩展卡尔曼滤波(E-EKF)算法。该算法的核心思想是利用具有温度、SOC和电流自适应能力的误差修正策略对观测方程进行重组,实现算法中新息的降低,进而提高SOC估计的准确性。使用两种不同温度下的典型工况试验对E-EKF算法的性能进行了验证。试验结果表明,该算法能够适应不同的温度和工况,并具有较高的SOC估计精度。

基于VMD-改进最优加权法的短期负荷变权组合预测策略

为提升短期电力负荷预测精度,提出了一种变权组合预测策略。首先,为了降低负荷数据的不平稳度,使用变分模态分解(variational mode decomposition,VMD)将负荷数据分解成了高频、低频、残差3种特征模态分量。其次,充分计及负荷数据的时序特点,参考指数加权法原理设计自适应误差重要性量化函数,并结合组合模型在时间窗口内的历史负荷数据的均方预测误差设计改进最优加权法的目标函数和约束条件,以完成子模型的准确变权。最后,针对波动较强的高频分量选定极端梯度提升(XGBoost)和卷积神经网络-长短期记忆(CNN-LSTM)模型并使用改进最优加权法进行组合预测、低频分量使用多元线性回归(MLR)模型预测、残差分量使用LSTM模型预测,叠加各模态分量的预测结果,实现了短期负荷数据的准确预测。实验结果表明,使用策略组合模型的平均绝对百分比误差为4.18%。与使用传统组合策略的组合模型相比,平均绝对百分比预测误差平均降低了0.87%。

基于储能有功功率与OLTC协调的配电网电压控制

高比例光伏系统接入配电网会引起电压越限,传统无功电压调整方案在高阻抗比配网中失效,利用储能系统有功功率实现电压控制的技术方案被广泛采用,但现有技术方案中的储能系统在电压控制过程中可能产生过度充放电问题。针对这些问题,提出了一种基于储能有功功率与有载调压变压器(on-loadtapchanger,OLTC)协调的配电网电压控制策略。在分析光伏接入对配电网电压影响的基础上,利用测量得到的电压数据控制储能有功功率,实现对接入节点电压水平的快速调控;同时在OLTC控制环节加入储能荷电状态参考量,利用节点电压信息与储能荷电状态共同控制OLTC分接头动作,实现对配电网整体电压水平调控的同时避免了储能系统过度充放电。最后在IEEE 13节点系统中进行仿真验证,结果表明所提策略能够解决配电网内电压越限问题,避免储能系统过度充放电,从而延长储能系统的使用寿命,实现对配电网内资源的合理利用。

基于变论域云PI的含风电负荷频率控制方法

随着风电渗透率不断提高,其不确定性严重影响了电力系统频率稳定。基于此问题,建立了含风电的互联电力系统负荷频率控制模型,其中风机通过附加下垂与虚拟惯性控制参与频率调节。在此基础上,为解决风电接入系统引起的频率波动问题,提出变论域云PI负荷频率控制策略,对云模型输入和输出论域动态调整。为避免增加控制器的复杂程度,基于函数形式设计论域的伸缩因子。最后,仿真结果表明,所设计的控制器能进一步提高云PI控制器的自适应能力,更好地处理风电不确定性对系统频率的影响。

基于积极体验与反向传播算法的护理床形态设计评价方法

目的:为提升用户使用护理床时的积极情感体验,提出了一种符合用户积极体验需求的护理床形态设计评价方法。方法:依据积极体验影响因素与行为分析法,获得用户使用护理床时的行为特征与对应的积极体验需求,并应用层次分析法和质量屋构建积极体验需求与护理床功能模块的匹配关系模型;采用因子分析和语义差异法对护理床形态进行感性意象评价,结合幸福感评价构建积极意象线性回归公式;应用反向传播(BP)神经网络建立护理床形态特征要素与感性意象的映射模型;基于映射模型与线性回归公式建立护理床形态积极意象评价模型。结果:将符合用户积极体验需求的护理床功能造型特征要素编码重组,输入到评价模型中,输出4组幸福感评分较高的整体设计方案,结合眼动实验对比李克特量表法与模型预测的幸福感评分,误差<0.1证实了模型有效性。结论:该方法构建的积极意象评价模型可有效获得符合用户积极情感需求的护理床形态设计方案,拓宽了相关产品的积极体验设计研究思路。

漂浮式海上风力机三维尾流模型研究

针对漂浮式海上风电机组接地系统所处的深海环境及特殊的系泊系统,综合考虑纵荡运动对入流风速和尾流区域膨胀的影响,基于二维BP工程尾流模型,提出一种三维尾流模型(3Dksg_BP),将该模型用于全尾流区域横向和垂向风速剖面的预测。预测结果与风洞实验数据对比发现,下游1.7D、2.3D、5.0D和10.0D(D为风轮直径)等位置的预测精度均不低于97.6%。基于3Dksg_BP,研究不同频率和振幅下的纵荡运动对尾流造成的影响,结果表明:纵荡运动对尾迹的影响随频率和振幅的增大而增大,且随着下游距离的增加,纵荡运动对尾迹的影响逐渐减小。