为了提高短期电力负荷预测的精度和运算效率,提出了一种基于聚类集合的经验模态分解法(Empirical Mode Decomposition,EMD)、卷积神经网络(Convolutional Neural Networks,CNN)、自注意力机制(Self-Attention,SAM)及双向长短期记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)的混合预测模型。该模型利用EMD算法和K均值聚类算法将电力负荷数据分解与分组,并选取最优聚类分组数。随后,将各组数据送入CNN-BiLSTM自注意力机制神经网络中进行预测并融合得到完整的负荷数据。实验结果显示,所提方法的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别仅为3.436、1.049%和4.606,相较于传统算法,该模型在预测精度和效率上均有显著提升。
为了有效应对玉米地杂草对玉米产量和品质的影响,实现玉米与杂草的快速、准确检测,提出了一种基于改进YOLOv8n(You Only Look Once Version 8 nano)的玉米与杂草检测模型。首先,提出了ACMConv(Accurate and Computationally Minimal Convolution)新型卷积方式,显著减少了模型计算量,使模型更加轻量化;其次,使用SELU激活函数,引入非线性因素,有效缓解了梯度消失问题;最后,引入Focal Loss作为边界框损失函数,使模型更加容易收敛。实验结果表明,相较于原始YOLOv8n模型,改进后的YOLOv8n模型的平均精度均值提升了1.3百分点,计算量降低了7.3%,实现了对玉米与杂草的高效、准确检测。
现有的大多数视频超分辨率(Video Super-Resolution,VSR)方法只关注临近几帧间的信息,忽视了长时间段内场景中包含的先验信息。针对这一问题,提出了一种场景先验学习(Scene Prior Learning,SPL)模块。SPL模块是一个轻量级的插件模块,可以在模型推理阶段显式地对长时间段内场景中包含的先验信息进行建模,并利用先验信息增强原始网络中的注意力机制。将SPL模块集成到不同VSR方法中后,其PSNR(峰值信噪比)提升了0.03~0.09dB。实验结果证明,SPL模块可以显著提升VSR方法的性能。
丝巾作为传统配饰享誉世界。对丝巾花型图案的风格进行分类,可以揭示丝巾花型之间的共性或差异,帮助企业和设计师有针对性地生产和设计产品。文章以丝巾为研究对象,提出了一种基于特征融合的丝巾花型艺术风格分类算法。首先,该算法使用风格迁移模型提取丝巾全局风格特征;其次,使用SIFT(Scale-Invariant Feature Transform)算法提取丝巾局部特征;最后,使用特征融合算法对丝巾进行风格分类。实验结果显示,该算法在丝巾花型生成数据集上的分类总准确率高达91.90%,在实际丝巾产品数据集上的分类总准确率也达到89.06%。实验结果表明,该算法从多个角度对丝巾花型图案风格进行有效评估,并成功完成丝巾花型图案风格分类任务。
杂草是百合生长过程中的一大危害,会干扰百合生长并吸收其营养,导致产量下降。文章以百合及其伴生杂草为主要研究对象,将YOLOv8模型引入百合与杂草的检测中,并进行了针对性的改进。首先,构建基于BiFormer双层路由注意力机制的C2f_BF模块;其次,在头部网络Neck端引入GSConv(Grouped Shuffle Convolution)和Slim-neck(轻量化特征融合网络)技术;最后,使用MPDIoU(Multi-Perspective Distance)损失函数克服CIoU(Complete Intersection over UnIon)损失函数的局限性。实验结果表明,改进后的YOLOv8-LWD(Lily Weed Detection)模型的平均精确率为90.3%,相比于原始YOLOv8n检测模型的平均精确率提升了2.9百分点。该方法可以为百合草害防治提供重要的技术支持,具有实际的应用价值。
为丰富数字艺术图形的空间结构以及纹理细节的变化形式,提出了一种基于彭罗斯铺砌的数字艺术图形生成算法。该算法引入具有丰富纹理细节和艺术美感的准规则斑图作为纹理生成模型,将彭罗斯铺砌结构与准规则斑图的着色方法相结合,实现了图形空间结构的构建与精细着色。实验结果表明,相比于同类算法如周期铺砌的动力系统方法,该方法生成的数字艺术图形展现出4种空间结构的变换,并通过数干种准规则斑图模型呈现出丰富的颜色和纹理,具有显著的美学特征和应用价值。
通过引入条件特征融合与特征对齐增强技术,开发出一种基于条件特征引导与特征对齐增强的骶骨模板生成方法,旨在生成可靠且准确的骶骨模板。为验证其实际应用效果,研究共收集了953例中国老年人的骶骨影像数据,并据此构建了涵盖不同年龄段和性别特征的骶骨模板。实验结果显示,该方法相较于原有的VoxelMorph(VXM)方法,生成的模板在Dice系数上平均提升了3.5百分点,均方误差降低了9.9百分点,能够更准确地捕捉真实骶骨的形态特征。这一成果为老年人群骶骨相关疾病的预防、诊断及治疗规划提供了有力的支持。
真实失真图像的无参考图像质量评价(NO Reference Image Quality Assessment,NRIQA)是图像处理领域的一个具有挑战性的问题,现有的模型难以捕获有效的质量感知特征。为了学到更准确的质量感知特征表示,提出一种基于卷积调制和自注意力机制的NRIQA网络。网络浅层使用卷积调制捕获图像的局部特征,网络深层通过双支路自注意力特征融合模块与线性注意力捕获图像的全局特征。在6个具有代表性的数据集上进行的实验结果表明,该网络表现优异。其中,在KADID-10K(Konstanz Artificially Distorted Image Quality Database 10K)和LIVEC(LIVE In the Wild Image Quality Challenge Database)数据集上的斯皮尔曼等级相关系数(Spearman Rank-order Correlation Coefficient,SRCC)分别达到了0.918和0.882,优于DEIQT(Data-Efficient Image Quality Trans-former)和MUSIQ(Multi-Scale Image Quality Transformer)等先进的无参考图像质量评价算法,预测结果更准确。
针对文本分类数据非均衡问题,在数据层面提出一种新的基于大模型的样本平衡算法——LMSBA算法(Based on Large Model Sample Balancing Algorithm)。LMSBA算法是一种新型的样本平衡方法,旨在解决文本分类中的类别不平衡问题。该算法通过生成少数类样本和筛选多数类样本,有效实现样本均衡化,同时利用特定提示词引导模型结合样本的生成与筛选。实验结果显示,在FastText、TextCNN、TextRNN和TextRCNN 4种文本分类模型上,LMSBA算法使宏平均F1分数平均提高约37.37百分点,证明了其在处理非均衡样本问题上的有效性。
为避免铁路接触线异物影响火车的正常行驶,文章提出一种基于脉冲神经网络的模型对接触线异物进行检测。首先,基于正常和异常的接触线图像编码得到的深度特征之间存在差距,实现对接触线异物的有效检测;其次,通过倒残差结构搭建脉冲序列生成模块;最后,基于脉冲神经网络的编码器提取特征信息。实验结果表明,在接触线异物检测数据集上,该模型的准确率和F1分数分别为99.70%和99.70%。同时,在CIFAR-10(Canadian Institute for Advanced Research-10)和CIFAR-100(Canadian Institute for Advanced Research-100)数据集上的对比实验中,模型的准确率分别达到91.16%和79.54%。综上所述,该模型具有较强的分类检测能力,能够更准确地检测出异常接触线图像。
近年来,随着可再生能源发电逐步替代化石能源成为主流的发电方式,其发电过程中的不稳定性为电力运营带来了诸多挑战。为了应对挑战,文章结合使用了数字孪生技术和深度学习模型,提出了一种新的可再生能源功率预测方法。通过构建基于数字孪生的监控平台,实现了对可再生能源发电系统的实时监控,并构建了深度学习模型ELNet(ElectricNet)预测未来特定时间段的发电量。同时,采用网格搜索法自动优化超参数,有效地减少了人工调参的时间成本。通过4组数据集的测试验证,本研究所提出的模型在均方误差(MSE)评估标准下,相较于其他模型的性能平均提升了25.246百分点,能够更精准地预测发电量,有效降低损失。
针对工业缺陷检测中的缺陷样本稀缺及受限于二维RGB图像(即二维红绿蓝色彩图像)无法表征几何缺陷特征的问题,提出了一种基于多模态记忆库(Memory Bank)的三维缺陷检测方法。该方法通过对比学习对齐匹配不同模态的特征;使用缺陷过滤器滤除缺陷样本中的大量噪声,并构建高质量的多模态记忆库;利用弹性特征分类器检测缺陷。实验结果显示,在每一种缺陷仅有4张训练图像的极端条件下,相较于最优的二维缺陷检测方法PatchCore在公开数据集上仅能达到38.72%的准确率,提出的三维缺陷检测方法则能达到43.14%的准确率,更适用于缺陷样本稀缺的工业场景。
文章分析了工业互联网装备运行数据特点,提出了基于生产节拍的数据抽象,并基于此提出一种边缘存储解决方案——工业装备数据库。首先,探讨了工业装备数据库部署场景和存储原理,主要介绍存储引擎、查询引擎等模块的设计。其次,针对生产节拍专门设计了缓冲和磁盘写入策略,在数据持续插入方面具有远高于常见关系型数据库的吞吐量。此外,特殊优化的索引和缓存模块赋予了工业装备数据库针对此类型数据的优异的查询性能,在持续随机时间范围查询中相较于IoTDB(Database for Internet of Things)领先57.3%以上。
致密油藏压裂裂缝参数的反演对提高油气采收率具有重要意义。针对裂缝的三维表征参数,基于前期建立的三维离散裂缝模型,通过方差分析评估了致密油藏水平井衰竭式开采三维裂缝参数对产量影响,并明确了其中对产量起主导作用的主控因素,并基于粒子群算法对三维裂缝的参数进行了反演,同时结合主控因素对反演结果进行讨论。研究结果表明,三维裂缝的渗透率、长度和高度为影响产量的主控因素,基于数值模拟反演得到的裂缝参数(渗透率、长度和高度)的可靠性较高;所建立的反演方法以98.5%的精度成功识别三维裂缝的主控因素。