基于图像分割技术的图像数字水印算法研究

针对数字图像水印技术,通过对闭运算得到的图像再进行开运算,使实验得到的图像区域较为完整,采用4×4的正方形结构元素,使得图像区域有更多的白色像素被置为黑色,对图像进行取反操作,能够对图像区域的非连通区域进行填充.希望能够利用精确的图像分割算法,实现对复杂版面的文档图像的有效切割,在一定程度上对图像数字水印的推广起到促进作用.     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

基于PMU的电力系统监控体系结构优化设计

文中提出了一种利用有限数量的相量测量单元(PMU)和相量数据集中器(PDC)设计最优监控结构的方法。通过在大量的设定值场景下,使电力系统可观测性曲线的期望值最大化,同时使通信基础设施成本最小化,最终确定PMU和PDC的最佳位置。提出了一种非线性动态扩展卡尔曼滤波(EFK)状态观测器。这种状态观测器可以将暂态行为转换为由代数微分方程描述的广域电力系统,而无需非线性反演技术。最后以IEEE-5电力系统为例,说明了该方法的有效性。     

坛紫菜蛋白质提取工艺优化及其特性分析

为了开展坛紫菜高值化加工利用，以坛紫菜为原料、蛋白质提取率为评价指标，通过考察提取溶剂、超声时间和功率、料液比、pH等单因素实验、正交试验设计优化超声波提取工艺，对其等电点、乳化性、起泡性等基础特性进行分析，并进行抗氧化活性测定。结果表明，在超声全程时间50 min、超声功率1350 W条件下，坛紫菜蛋白质提取率为60.98%±1.01%。同时通过对所提取的坛紫菜蛋白质特性分析结果显示，坛紫菜蛋白质的等电点为4.5，在等电点附近，坛紫菜蛋白质有较好的泡沫稳定性，可达80.84%±2.95%；抗氧化测定结果显示，坛紫菜蛋白质在5~50 mg/mL范围内具有较强的抗氧化活性，浓度为50 mg/mL时，总抗氧化能力为2.89±0.09 U/mL，ABTS+自由基清除能力相当于0.83±0.08 mmol/L Trolox，DPPH清除率在10 mg/mL时达到68.04%±0.73%。该研究可以为坛紫菜资源的开发利用提供一定的理论依据和技术支持。     

基于GR4J-LSTM混合模型的洪水预报研究

为提高洪水过程预报的准确性，将概念性水文模型GR4J (modèle du Génie Ruralà4 paramètres Journalier)的预报流量耦合到长短时记忆神经网络(Long Short-Term Memory Neural Network, LSTM)中，构建了GR4J-LSTM混合模型，并与GR4J、LSTM模型进行对比。基于2012～2019年陆水水库汛期与洪水事件相关的数据集，并结合欧洲中期天气预报中心的3 h预报降水产品，驱动GR4J-LSTM混合模型，预报陆水水库3～12 h预见期的入库流量。最后采用平均影响值(Mean Impact Value, MIV)算法评估输入变量的相对重要性。结果表明：GR4J、LSTM和GR4J-LSTM模型均具有较好的模拟预报能力，但GR4J-LSTM混合模型的预报性能最优，既可以学习GR4J模型的产汇流过程，又提高了洪水预报的精度。研究成果可为洪水预报方案制定提供参考。     

人工智能在移动通信中的应用

阐述移动通信技术的特点和应用状况，通信网络的优化框架，网络智能优化中的机器学习算法分析，完善后台监控系统，建立软件平台提高服务质量，形成安全的网络环境，保证高效运行。     

能耗优化的神经网络轻量化方法研究进展

近年来，神经网络在语音识别、计算机视觉、自然语言处理等领域都取得了良好的进展.大量的神经网络被部署于诸如手机、摄像头等依赖电池或太阳能供电的小型设备.但神经网络参数量大计算复杂，需占用大量计算资源并消耗电能，从而限制了其在资源受限平台上的应用.学术界和工业界逐渐关注于神经网络的高能耗问题.神经网络轻量化方法可以有效地减少参数数量、降低参数精度或优化计算过程从而降低神经网络能耗.本文从能耗优化的角度梳理了神经网络能耗估算方法和神经网络轻量化方法的基本思路，综述了近年来该领域主要研究成果，并提出了能耗估算和能耗优化的神经网络轻量化方法存在的挑战及进一步研究的方向.其中神经网络能耗估算方法包括测量法、分析法和估算法.能耗优化的神经网络轻量化方法包括剪枝、量化、张量分解和知识蒸馏.对于进一步研究方向我们认为，首先需要建立可自适应网络类型的能耗模型；然后需要考虑平衡精度和能耗的轻量化方法.其次需要实现硬件平台可泛化的轻量化方法；最后开发搜索空间可约束的轻量化方法.