南水北调东线调水区及受水区降水径流变化特征

为给南水北调工程规划与运行提供科学依据,基于比《南水北调工程总体规划》制定水平年更加完整的水文观测数据识别2001年以来工程区降水、径流变化特征,采用Mann-Kendall趋势检验、小波分析等方法分析了比较期(2001—2016年)相对于基准期(1956—2000年)的降水、径流统计特性差异和变化特征。结果表明：相对于基准期,比较期调水区降水量变化不明显,长江大通水文站天然径流量下降3.5%,调水区水资源条件较为稳定;比较期受水区降水量较基准期基本无变化,天然径流量较基准期上升3.9%,但山东省、河北省和天津市受水区天然径流量下降6.6%,3省市天然径流量呈明显衰减态势。     

基于复合混沌的鲁棒型医学图像加密算法

当前单一混沌图像加密算法的图像置乱程度低,导致加密结果易受到已知明文攻击,存在安全性低的问题。本文提出基于复合混沌的鲁棒型医学图像加密算法。设置图像密文反馈机制作为算法实现的理论支持,并读取鲁棒型医学原始图像。根据混沌模型的建立条件,构建复合混沌模型。选择Logistics混沌映射,生成复合混沌序列并进行多次迭代后,置乱加密鲁棒型医学初始图像像素值并进行替换与扩散,生成对应的密钥,从而实现鲁棒型医学图像的加密。通过与传统加密算法的对比,本文方法的置乱位数增加了886位,即置乱程度提升了8.7%,且明密文序列相关性较低、抗明文攻击能力较强,实验结果表明该鲁棒型医学图像加密算法的安全性较高。     

一种卷积神经网络的模型压缩算法

卷积神经网络的研究取得一系列突破性成果,其优秀表现是由深层结构支撑的。针对复杂的卷积神经网络在参数量及计算量上存在大量的冗余问题,提出一种简洁有效的网络模型压缩算法。首先,通过计算卷积核之间的皮尔逊相关系数判断相关性,循环删除冗余参数,从而压缩卷积层。其次,采用局部-全局的微调策略,恢复网络性能。最后,提出一种参数正交正则,促使卷积核之间的正交化,进而减少冗余特征。实验结果表明,在MNIST数据集上,该压缩算法能够在不损失测试精度的前提下,使AlexNet卷积层的参数量压缩率达到53.2%,浮点操作计算量可以减少42.8%,并且网络模型收敛后具有较小的误差。     

面向纸板三维装箱问题的剩余空间最优算法

针对瓦楞纸板在装箱过程中遇到的多种实际约束,提出一种基于剩余空间最优和多种实际约束的快速求解算法。该算法先根据纸板的先进后出和组合装载约束,确定纸板的装箱序列,接着将三维装箱问题转换成带高度约束的二维装箱问题,再基于剩余空间最优策略,选择空间的分割方式和纸板的放置方式,并对剩下的空间进行合并和重新分割,从而求解得到纸板装载放置的结果,实现容器空间利用率最高和使用数目最小的目标。通过计算随机算例和实际算例,以及对结果的三维可视化显示,验证该算法能实现多种约束,空间利用率高,运算效率高并具有有效性和实用性。     

面向空铁联运的枢纽航线网络优化模型

为减缓枢纽机场的客流量拥堵问题,减少机场运营成本,设计面向空铁联运的枢纽航线网络优化模型.在枢纽航线网络基础上,引入高铁线路建立优化模型;设计高维多角标变量表示方法和禁忌搜索算法的求解方法,减少算法的计算负担,科学规划线路客流量和运输方式.实验结果表明,与严格和非严格的枢纽航线网络相比,该优化模型可以较好减缓枢纽机场的拥堵,降低枢纽机场的负荷率,减少网络成本.该模型求解算法具有收敛速度快且解分布稳定的特点.     

基于超列注意力机制的京剧人物识别

为了克服京剧人物视觉特征提取的难点及满足京剧人物实时识别的需求,提出基于超列注意力机制的卷积神经网络（HCA-CNN）来实现面向京剧人物的细粒度特征提取和识别。该网络中用于关键区域定位的注意力机制借鉴了用于图像分割和细粒度定位的超列（HyperColumn）特征思想,通过超列集基于像素点的形式串联主干分类网络来形成多层叠加特征,从而更好地兼顾早期浅层空间特征与后期深度类别语义特征,并提高定位任务与主干网络分类任务的准确度。同时,该网络的主干网络采用轻量级的MobileNetV2,从而更好地满足视频应用场景下的实时性要求。此外,还创建了京剧人物（BJOR）数据集,并在此数据集上进行了相关消融实验。实验结果显示,HCA-CNN与传统细粒度循环注意力网络（RA-CNN）相比,除了在准确率（Accuracy）指标上提高了0.63个百分点以外,其内存使用量（Memory Usage）、参数量（Params）分别减少了162.84 MB、131.5 MB,乘加次数（Mult-Adds）、每秒浮点运算次数（FLOPs）分别减少了39 885×10⁶、51 886×10⁶。可见,针对京剧人物视觉特征提出的HCA-CNN能有效提高京剧人物识别的准确率和效率,满足实际应用的需求。     

基于张量距离算法预测空调系统的室内温度及供水温度

以维持室内温度舒适和提供运行策略、节约能源为目的,设计了张量距离模型用于挖掘不断增长的历史数据中的有效信息解决空调供暖问题.考虑到空调运维数据的时空特性及各参数的多维特性,将历史数据确定日类型、划分时间段、扩充室外温度后,构造历史温度特征张量,爬虫建筑物所在地的未来室外温度插值后按同样方法扩充数据为未来温度特征张量作为输入,衡量历史时间段与预测时间段中各输入参数的张量距离,找到最小值的索引及对应的纤维,逐小时输出预测时间段空调系统的室内温度及其供水温度.连续7日的预测数据表明:基于张量距离模型预测的室内温度与实际的温度差为0.46℃,比基于支持向量回归(SVR)模型预测的温度差(0.75℃)小,更接近实际温度;基于张量距离模型预测的供水温度与实际的温度差为2.08℃,可用作供水策略.     

基于多特征融合的细粒度视频人物关系抽取

视频人物关系抽取是信息抽取问题中的重要任务,在视频描述、视频检索,以及人物搜索、公安监察等方面具有重要价值。由于视频数据的底层像素与高层关系语义之间存在巨大的鸿沟,现有方法很难准确地抽取人物关系。现有研究大多通过粗粒度地分析人物共现等因素来抽取人物关系,忽略了具有丰富语义的视频中的细粒度信息。为解决现有算法难以准确、完整地抽取视频人物关系的问题,文中提出了一种基于多特征融合的细粒度视频人物关系抽取方法。首先,为了准确识别视频人物实体,提出了一种基于多特征融合的人物实体识别模型;然后,提出了一种基于细粒度特征的人物关系识别模型,该模型不仅融合了视频中人物的时空特征,而且考虑了与人物相关的细粒度物体信息特征,从而建立更好的映射关系来准确识别人物关系。以电影视频数据和SRIV人物关系识别数据集为实验数据,实验结果验证了该模型的有效性和准确性,与现有同类模型相比,所提模型的人物实体识别F 1值提高了约14.4%,人物关系识别的准确率提高了约10.1%。     

基于图卷积神经网络的SDN网络流量预测

精确和实时的网络流量预测在SDN网络中扮演着重要角色,同时对流量工程、网络控制起到重要作用.由于网络拓补的约束和时间的动态变化,即空间和时间特征,使得网络流量预测问题已经成为一个公认的科学问题.为了有效提取空间和时间特征,提出一种基于神经网络的预测模型,即结合了图卷积和门控循环单元的模型.图卷积网络可以有针对性地提取到复杂拓补的空间特征,同时门控循环单元能提取到流量的时间特征,两者的结合可以有效地预测软定义网络中的流量.在模型性能比较方面,将提出的GCGRU与经典方法进行了比较.评估指标包括MSE,RMSE,MAE.实验结果表明,GCGRU能够更有效地进行流量预测.     

结合模拟退火与规则约简的模糊系统优化方法

从数据中学习模糊系统是其智能建模的重要方法之一,针对目前模糊系统建模及优化方法对于学习后的模糊系统的规则数以及结构优化关注不足而影响了其精度和可解释性的问题,提出了一种结合模拟退火与基于支持度约简规则的模糊系统优化方法。该方法通过支持度约简系统冗余规则进而提高模糊系统的可解释性;同时利用模拟退火算法优化模糊系统的隶属度函数参数进一步提高模糊系统的精度。针对回归任务,与BP（Back Propagation）神经网络、径向基（Radial Basis Function,RBF）神经网络以及经典的模糊算法WM（Wang-Mendel）在不同领域的3个经典数据集上进行实验比较,实验结果表明：该算法在预测方面取得了更高的精度;与WM算法相比,所提算法中规则数明显减少,进一步提高了系统的可解释性。