基于增量式等距映射同双重局部密度方法的工业过程故障检测

针对工业过程的非线性和动态性问题,提出一种基于流形学习下的增量式等距映射(IISOMAP)与双重局部密度(DLD)相结合的故障检测方法(IISOMAP-DLD).利用IISOMAP将原始数据映射到低维流形特征子空间和剩余子空间;然后,在两个子空间中分别引入双重局部密度方法构建统计量对过程进行监控;最后,将IISOMAP-DLD方法应用到田纳西-伊斯曼(TE)过程.实验结果表明,IISOMAP-DLD对比其他方法有更高的故障检测率.IISOMAP在保留数据内在特征的同时,解决了过程的非线性问题,而双重局部密度方法可消除过程的动态性.

压电俘能器接口电路的仿真与实验研究

为了提高涡致振动压电俘能器的能量收集效率和更好地适应接口电路负载变化,提出了一种增强型串联同步开关电感接口电路(ES-SSHI)。通过理论分析得到了接口电路能量收集效率的计算公式,然后利用Multisim电路仿真软件对增强型串联同步接口电路进行仿真分析,得到了接口电路输出功率随负载的变化曲线。最后实际搭建了涡致振动压电俘能器风洞测试装置和接口电路,对俘能器接口电路的实际采集功率进行测试和分析。结果表明ES-SSHI电路的理论功率为220μW,仿真最高输出功率为265.1μW,实验最高输出功率为98.2μW,输出功率相比目前比较流行的电路明显较高,同时负载适应性更强。

基于大数据技术的Cochran-Armitage算法的分布式研究与实现

Cochran-Armitage趋势检验是在基因组分析中非常重要的算法,其主要被用来完成基因型频率差异的统计检验。针对传统串行Cochran-Armitage趋势检验算法的计算耗时高和资源占用率高的问题,本文提出了基于大数据技术的分布式并行化Cochran-Armitage算法。首先将数据存储至分布式文件系统HDFS。然后逐条读取数据记录并提交至集群执行并行化的Map阶段和Reduce阶段。实验结果表明,分布式并行化的Cochran-Armitage算法相比于传统串行Cochran-Armitage算法,具有更快的计算速度和更少的资源占用等优点。

基于IMDS-DLNS方法的工业过程故障检测

针对多维尺度变换(multidimensional scaling,MDS)方法对高维数据进行维数约简时,新样本缺少映射矩阵无法进行低维嵌入的问题,提出了增量式多维尺度变换(incremental multidimensional scaling,IMDS)方法。首先,引入双重局部近邻标准化(dual local nearest neighbor standardization,DLNS)技术以解决IMDS方法降维后数据仍然具有多中心、方差差异明显等问题;其次,采用Hotelling T^(2)统计量对过程进行监控,组成增量式多维尺度变换和双重局部近邻标准化的故障检测方法(IMDS-DLNS);最后,通过数值模拟过程和青霉素发酵过程,将IMDS-DLNS方法分别与PCA,KPCA和FD-KNN等方法作对比分析。结果表明,IMDS-DLNS对比其他方法有更高的故障检测率。IMDS-DLNS方法对多变量、多模态过程具有良好的故障检测能力,能够保障产品质量和生产的安全性,可为工业过程故障检测研究提供参考。

基于上下文方面记忆网络的方面级情感分析

基于深度记忆网络在方面级情感分析中的优势及针对相关工作中忽略上下文词与方面之间位置信息的不足,提出一种基于上下文方面记忆网络的方面级情感分析方法。不同记忆网络层关注上下文记忆不同部分,获取丰富方面感知上下文信息。为充分利用方面间信息,设计方面记忆网络更新模块,为所需方面生成邻近方面的语义和关系信息,在多计算层中的多头注意力机制输入采用两种策略计算上下文和方面词的相关性。在3个基准数据集上的实验结果表明,所提模型在性能评价指标的准确率和Macro-F1-score上与相关工作比较有一定提升。

采用双流网络结构的虹膜卷缩轮检测方法

针对虹膜卷缩轮检测易受干扰而导致边界定位波动的问题,提出一种基于双流网络结构的虹膜卷缩轮检测方法。在归一化图像中,利用双流网络结构分别提取结构特征和纹理特征。融合模块融合来自不同流的特征,得到初定位区域。对该区域进行滤波操作,去除噪声干扰。利用边缘梯度算子检测、提取卷缩轮。实验结果表明,该方法正确检出率为91.2%,边缘定位AP值为0.706,平均检测速度为2.3秒/幅,相比其它算法,存在复杂干扰的情况下,保证检出率和检测速度的基础上,降低了边界波动。

基于并行多尺度时间卷积网络的运动想象信号分类方法

运动想象信号的非线性和低时空域分辨率会导致基于深度学习分类方法的准确性较低。因此,提出一种并行多尺度时间卷积网络分类方法对运动想象信号进行分类。所提方法可提取运动想象信号在时间和空间上的信息,并在时间维度上使用并行卷积计算方法,更好地提取信号的时间特征。此外,在不影响分类准确率的前提下,使用一种简化的预处理方法,简化复杂的预处理过程。实验结果表明,所提方法在BCI Competition IV数据集上的分类准确率为74.4%,待训练的参数量减少到35663;对比FBCSP和DeepNet等经典分类方法,分类准确率分别提高了2.2%和6.6%,参数量分别降低了86.4%和87.5%,验证了所提方法的有效性。

基于IVPSIC-Net的小样本热轧钢带表面缺陷检测研究

针对钢带表面缺陷检测样本不足、检测精度较低等问题,提出IVPSIC-Net模型,不需要对缺陷图像扩增或合成,仅需较少的数据样本,即可对钢带表面缺陷进行较为准确的分类和分割。经由ImageNet数据集进行预训练,通过调整宽度因子、引入多层感知机和空洞卷积等对特征提取模块进行优化与改进。基于MobileNet121将训练得到的模型权重迁移至IVPSIC-Net模型,大幅度减少了模型计算量。结合位置信息,融合改进的自注意力机制实现对缺陷的有效检出。实验证明,模型对热轧钢带的6种典型表面缺陷均可较为准确地分类和分割。所提出的方法在分类任务中准确度达到85%,相较其他缺陷目标检测算法(YOLOv4、MPF-DNN、FAR-Net、PSIC-Net等)提升了4.79%~6.97%;在分割任务中,相较其他分割算法(Deeplabv3plus、VGG-Unet、RDUnet-A、PSIC-Net等),错误率降低了8.00%~20.03%,能够更准确地分割出钢带表面的缺陷区域。

基于切比雪夫混沌映射和PUF的RFID三方认证协议

针对射频识别(RFID)三方认证协议存在的安全需求和资源开销的平衡问题,利用切比雪夫多项式的半群性质以及混沌性质提出了一个基于切比雪夫混沌映射和物理不可克隆函数(PUF)的RFID三方认证协议:使用切比雪夫混沌映射来实现标签、阅读器和服务器三方共享秘密;使用随机数实现协议每轮会话的新鲜性以抵抗重放攻击,同时也实现了阅读器与标签的匿名性;使用PUF函数实现标签本身的安全认证以及抵抗物理克隆攻击。安全分析表明,该协议能有效抵抗追踪、重放、物理克隆和去同步攻击等多种恶意攻击,使用BAN逻辑分析方法和Scyther工具验证了其安全性。与近期协议对比分析表明,该协议弥补了同类RFID协议的安全缺陷,在满足各种安全属性需求的同时尽量平衡硬件开销,契合了RFID硬件资源受限的处境,适用于RFID三方认证场景。

情感分析的跨模态Transformer组合模型

基于Transformer的端到端组合深度学习模型是多模态情感分析的主流模型。针对相关工作中此类模型存在的低资源(low-resource)模态数据的情感特征提取能力不足、不同模态非对齐数据的特征尺度差异导致对齐融合过程中易丢失关键特征信息、基础注意力模型并行处理多模态数据导致多模态长期依赖机制不可靠的问题,提出了一种基于轻量级注意力聚合模块与跨模态Transformer的能使用多模态非对齐数据执行二分类和多分类任务的多模态情感分析模型LAACMT。LAACMT模型提出采用门控循环单元与改进的特征提取算法提取低资源模态信息,提出位置编码配合卷积放缩方法用于对齐多模态语境,提出跨模态多头注意力机制融合已对齐的多模态数据并建立可靠的跨模态长期依赖机制。LAACMT模型在包含文本、语音和视频的三种模态非对齐数据集CMU-MOSI上的实验结果表明该模型的性能评价指标较SOTA有稳定提升。其中Acc7提升了3.96%、Acc2提升了4.08%、F1分数提升了3.35%。消融实验结果数据证明所提模型解决了多模态情感分析相关工作中存在的问题,降低了基于Transformer的多模态情感分析模型的复杂度,提升了模型性能的同时避免了过拟合问题。

融合时序关联动态图与常微分方程的区域间出租车需求预测

为解决出租车行业中的高空驶率和不均衡的需求分布问题,通过对出租车出行的区域进行深入研究,提出了一个融合时序关联动态图与常微分方程的需求预测模型TCG-ODE(temporal correlation graphs-ordinary differential equations)。首先,模型使用ODE(ordinary differential equation)对图卷积神经网络(graph convolutional network,GCN)进行微分方程建模,将堆叠局部特征信息抽象为动态图,以节点的时序特性来推进局部节点状态;然后,设计了一种基于注意力分数调整采样策略的蒸馏方案,提高对多层稀疏图的适应效果,以更稳定地表征复杂时空特征,最终实现对区域间出租车需求量的预测。在真实的出租车订单数据集上进行实验,研究结果表明,TCG-ODE模型的预测效果均优于对照模型和改进前的模型。通过精准预测不同区域之间的出租车需求量,可以为出租车司机和乘客出行提供决策支持信息,从而优化供需关系。

一种基于灰狼优化算法和Dijkstra的分簇路由协议

针对无线传感器网络分簇路由中簇头能量消耗过快导致生命周期过短的问题,提出一种基于灰狼优化和Dijkstra算法的分簇路由协议。簇头选举过程中采用灰狼优化算法选取最优簇头,改进适应度函数,综合考虑节点能量、密度、位置、当选簇头频率4个因素;簇间路由采用能量与距离最小权值的Dijkstra算法进行路径选取,完成传感器信息传输。通过仿真实验显示,该算法与LEACH、PEAGASIS、ABC算法相比,能有效地降低节点死亡速率,均衡网络整体能耗,延长网络寿命。

融合TCN和BiLSTM的文本情感分析

为在短文本语义情感分析过程中对词嵌入对情感语义充分表达,挖掘深层次语义信息,提出一种融合TCN和改进BiLSTM的文本情感分析算法。通过混合词嵌入对短文本向量化;将训练后的词向量先输入时序卷积网络,后输入到改进的双向长短时记忆网络中提取情感特征;强制向前注意力机制对提取到的特征进行加权;通过softmax函数进行情感分类输出。通过在新冠疫情评论数据集建模,模型的各项指标均达到92%以上,相较于其它模型性能更优。

面向嵌入式设备部署的轻量化织物瑕疵检测算法

针对现有织物瑕疵检测算法参数量大、计算复杂度高,难以部署在计算资源有限的嵌入式设备上的问题,提出一种基于YOLOv5s改进的轻量化织物瑕疵检测算法SSPY(ShuffleNetv2-S,SimAM-S,Pruning-P,YOLOv5s-Y)。首先,主干特征提取网络采用ShuffleNetv2网络,实现模型的轻量化。在主干网络和小目标检测层引入SimAM无参注意力机制,在不增加额外参数量的情况下增强算法的特征提取能力。通过结合稀疏训练评价特征提取层中卷积核的重要性进行剪枝的方法,进一步实现模型压缩。最后,将SSPY算法部署到瑞芯微RK3568平台上,完成织物瑕疵实时检测算法在嵌入式设备上的部署。在织物瑕疵数据集上进行多组对比实验。实验结果表明,SSPY与YOLOv5s相比,平均精度均值mAP值提升了0.8%,参数量下降了80.3%。将SSPY部署在RK3568上,检测速度可达49 FPS,满足了织物瑕疵检测算法在工业应用中实时性、嵌入式设备部署等需求。

基于并行混合网络的短文本情感分析模型

针对目前在短文本语义情感分析过程中会存在的传统词嵌入对情感语义表达不充分,特征挖掘不全面,准确率较低等问题,提出一种基于多头注意力机制的MACGRU并行混合网络模型。首先,根据胶囊网络(CapsNet)与双向门限循环单元网络(BiGRU)不同的特点选择BERT词嵌入与Glove词嵌入对短文本做向量化表示,并对Glove词嵌入改进加入位置嵌入和词性嵌入,使短文本在词嵌入阶段获取更丰富的短文本信息;其次,将BERT训练的词向量和Glove训练的词向量分别输入CapsNet和BiGRU中提取短文本局部语义信息和短文本的上下文语义信息;然后,在CapsNet和BiGRU的特征输出后都加入多头注意力机制对提取到的情感特征进行加权处理;最后,将多头注意力机制加权后的局部特征和上下文语义特征进行融合并通过softmax函数进行情感分类输出。上述模型在公开数据集COVID-19上进行实验验证,其模型的准确率,精准率,召回率,F1指标都达到了95%以上,相较于其它基准模型性能更优,也充分证明了该模型的优越性。

基于STAGCN-Informer时空组合模型的风电功率预测方法

针对风电功率预测中,空间信息受时空波动性和随机性影响无法有效提取,导致预测精度不足的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)、融合时空注意力图卷积网络(Spatiotemporal Attention Graph Convolutional Network,STAGCN)和改进Informer的组合模型(STAGCN-Informer-DCP)。首先运用VMD对原始特征进行模态分解,提取出不同时间尺度上的特征信息。同时利用北方苍鹰算法(Northern Goshawk Optimization,NGO)优化VMD的核心参数(惩罚因子和K值)选择。其次,利用融合时空注意力的STAGCN模块动态捕捉目标风机与近邻相似风机的时空特征,并将其与原始的信号分量融合获得携带空间尺度信息的特征向量。最后使用改进的Informer模型提取时序上下文的长期依赖关系,并实现多步输出预测。实验结果表明,该组合模型能较好地捕捉动态时空依赖,并有效提高了中长期风电预测的准确度。

基于Transformer与FasterRCNN的多模态特征提取与融合

传统人机对话中仅使用文本单一模态存在对话中包含的信息量不够的问题,而使用文本和图片两种模态能丰富对话中的信息量,也更符合实际生活中的聊天场景。由于文本和图片两个模态的不同特点,对话模型只采用单一的传统NLP和CV领域的模型,不能同时很好地处理这两种模态。针对在多模态特征提取与融合模型上的问题,提出一种基于Transformer与FasterRCNN融合的多模态特征提取与融合模型,更好地进行两种模态的特征提取、融合,达到提高多模态对话的性能的目的。模型中,Transformer对文本进行特征提取,FasterRCNN对图片进行特征提取,然后通过Late Fusion融合技术将图片和文本两种模态的特征融合。实验结果表明,相较于传统的单一模型,提出的模型在多模态对话的几种性能评价指标上均取得了比较理想的效果。

基于涡致振动的T型悬臂梁压电俘能结构的仿真与实验研究

为了解决微型传感器等低功耗产品稳定持续的供能问题,提出了一种基于涡致振动的小型单自由度T型悬臂梁压电俘能结构。通过流固耦合和压电耦合仿真,对风速、前置阻流体形状和尺寸以及间距直径比等参数与俘能结构输出电压的关系进行了研究,并与风洞实验数据进行了对比。仿真与实验结果表明,T型悬臂梁压电俘能结构产生的电压随风速的增大而增大。当风速为6.5 m·s-1,阻流体为直径0.02 m、高0.05 m的圆柱体,与压电悬臂梁的间距直径比为2时,实验测得俘能结构产生的电压和输出功率最大分别为1.02 V和1.04μW。仿真和实验结果为实际研制风中涡致振动压电能量收集结构提供了重要参考。

基于涡致振动的压电能量收集阵列的仿真与实验

为了解决部分微电子设备供电需求大,而单一的压电能量收集结构无法满足的问题,该文对基于涡致振动的压电能量收集阵列进行流-固-电耦合仿真,并与风洞实验数据进行对比。首先对前置阻流体的俘能结构进行测试,验证结构的可行性,然后对串列、并列、错列、长方阵型的压电俘能结构进行研究。仿真与实验结果表明,压电能量收集阵列随风速的增大呈现整体增大的趋势,随间距的增大呈现先增大后减小的变化趋势,前置阻流体的俘能结构直径D=0.02 m,在风速为6 m/s,中心距L=5D的条件下,输出电压峰值为4.35 V,长方阵型的发电性能最优;在风速为6.5 m/s,L=1.5D时,电压峰值为9.98 V。结果表明,压电能量收集阵列具有一定的优势,为涡致振动压电能量收集的研究提供了参考。

基于自适应时序窗口加权k近邻的故障检测方法

为了解决在工业生产过程中时序和多阶段的问题,提出了一种基于正交局部保持投影(OLPP)和自适应时序窗口加权k近邻(ATSWKNN)的故障检测方法。首先,采用OLPP方法,在保持样本近邻关系的基础上,将原始数据投影到低维特征空间;其次,在特征空间中选取某类时序窗口,并计算时序平方距离;然后,将窗口内样本到其空间上近邻集的平均累积平方距离的倒数作为权重;最后,构造统计量对过程进行监控。OLPP-ATSWKNN通过时序信息的提取和窗口内权重的引入降低了过程的自相关性和解决了多阶段的统计差异问题。此外,自适应的窗口切换策略解决了阶段切换时统计指标异常的问题。通过对数值模拟过程和青霉素发酵过程的监控实验,检验了OLPP-ATSWKNN的监控性能,监控结果显著优于经典方法。