基于深度森林的热轧带钢凸度预测模型

在热轧现场轧制规格切换或工况异常的情况下板凸度控制模型偏差较大,为了提高模型精度,提出了一种基于深度森林的热轧带钢凸度预测模型。深度森林模型融合了集成学习和深度学习的思想,采用了多粒度扫描增加数据特征多样性,采用级联森林逐层处理,使得模型具备强大数据拟合能力。将热轧数据经前期预处理导入模型,并对模型参数进行了网格搜索寻优,对比随机森林模型,深度森林模型的效果更优。基于深度森林的热轧带钢凸度预测模型得到了MSE值为6.537,MAE值为1.587,MAPE值为2.903%和R值为0.985的预测性能。     

基于机器视觉的钛合金焊接过程非平衡凝固组织性能智能控制

信息技术的发展使制造业逐步向“智造”转变。人工智能技术已成为精密铸造、焊接和增材制造等制造工艺由控形走向控性的共性关键技术。在这些工艺中非平衡凝固组织性能调控机理是限制其发展的基础科学问题。基于先进的人工智能技术发展控形控性一体化技术、构建完善的工艺质量体系对推动铸造、焊接、增材制造等制造工艺迈上新的台阶至关重要。与传统的物理冶金和铸造相比,增材制造、焊接、激光熔覆修复、单晶生长等过程的核心理念是“控制微区冶金过程”,即通过控制温度梯度、凝固速率、熔池尺度等关键工艺参量的作用机制,从微观上揭示非平衡条件下固液两相区组织结构和形貌演化规律,特别是合金元素的偏聚行为,界面的传热和传质特性、形核与长大、柱状晶-等轴晶转变、枝晶的竞争生长等。集成计算和实验方法的结合将为智能制造、增材智造和太空智造中先进金属材料的成分-工艺-组织-性能调控提供共性技术和理论支撑。本文以典型的焊接中非平衡凝固组织性能调控为研究方向,对近年来基于视觉传感的焊接调控技术取得的研究成果和进展进行了梳理。归纳了面向复杂工业环境的智能焊接关键技术、先进应用和技术挑战等,展示了基于数字孪生车间的钛合金焊接视觉学习结果。     

岩体爆破效应预测的一种新方法

高斯过程是一种最近发展起来新的机器学习技术,对处理非线性复杂问题具有很好的适应性。岩体爆破效应与其影响因素之间是复杂的非线性关系,针对传统方法的局限性,提出一种基于高斯过程的岩体爆破效应预测的新方法,建立相应的岩体爆破效应预测模型,并应用于三峡工程坝区岩体爆破振动速度、爆破损伤深度与损伤半径的预测。通过三峡现场爆破试验数据,建立训练数据集和测试数据集,采用高斯过程方法建立爆破效应与影响因素之间的各影响因素之间的非线性映射关系。研究结果表明,岩体爆破振动速度、爆破损伤深度与损伤半径的预测结果与现场试验结果比较吻合,用高斯过程方法预测岩体爆破效应是科学可行的。与神经网络方法相比,高斯过程方法具有算法参数自适应化的特点,且适用于小样本问题,预测精度高,并易于实现,具有良好的工程应用前景。     

图像质量评价研究综述——从失真的角度

随着多媒体技术的快速发展及广泛应用,图像质量评价因其在多媒体处理中的重要作用得到越来越多的关注,其作用包括图像数据筛选、算法参数选择与优化等。根据图像质量评价应用时是否需要参考信息,它可分为全参考图像质量评价、半参考图像质量评价和无参考图像质量评价,前两类分别需要全部参考信息和部分参考信息,而第3类不需要参考信息。无论是全参考、半参考还是无参考图像质量评价,图像失真对图像质量评价的影响均较大,主要体现在图像质量评价数据库构建和图像质量评价模型设计两方面。本文从图像失真的角度,主要概述2011—2021年国内外公开发表的图像质量评价模型,涵盖全参考、半参考和无参考模型。根据图像的失真类型,将图像质量评价模型分为针对合成失真的图像质量评价模型、针对真实失真的图像质量评价模型和针对算法相关失真的图像质量评价模型。其中,合成失真是指人工添加噪声,如高斯噪声和模糊失真,通常呈现均匀分布;真实失真是指在图像的获取中,由于环境、拍摄设备或拍摄操作不当等因素所引入的失真类型。相对合成失真,真实失真更为复杂,可能包括一种或多种失真,数据收集难度更大;算法相关失真是指图像处理算法或计算机视觉算法在处理图像时,由于算法本身的缺陷或性能不足等原因而出现在结果图像中的降质,相对合成失真和真实失真,算法相关失真的显著特点是该类型失真呈现非均匀分布。本文介绍现有的图像质量评价数据库,包括图像数据来源和数据库构建细节等;然后重点介绍图像质量评价模型的设计思想。最后总结了介绍的图像质量评价模型,并指出未来可能的发展方向。     

视觉语言多模态预训练综述

在多模态机器学习领域,为特定任务而制作的人工标注数据昂贵,且不同任务难以进行迁移,从而需要大量重新训练,导致训练多个任务时效率低下、资源浪费。预训练模型通过以自监督为代表的方式进行大规模数据训练,对数据集中不同模态的信息进行提取和融合,以学习其中蕴涵的通用知识表征,从而服务于广泛的相关下游视觉语言多模态任务,这一方法逐渐成为人工智能各领域的主流方法。依靠互联网所获取的大规模图文对与视频数据,以及以自监督学习为代表的预训练方法的进步,视觉语言多模态预训练模型在很大程度上打破了不同视觉语言任务之间的壁垒,提升了多个任务训练的效率并促进了具体任务的性能表现。本文总结视觉语言多模态预训练领域的进展,首先对常见的预训练数据集和预训练方法进行汇总,然后对目前最新方法以及经典方法进行系统概述,按输入来源分为图像—文本预训练模型和视频—文本多模态模型两大类,阐述了各方法之间的共性和差异,并将各模型在具体下游任务上的实验情况进行汇总。最后,总结了视觉语言预训练面临的挑战和未来发展趋势。     

瀚思推出国内首个企业级大数据安全分析平台

为了挑战并颠覆传统的被动式安全防御理念,瀚思安信(简称Han Sight)作为大数据安全领域的创新领导者,依托十余年的安全领域积累与四年、1000节点以上的Hadoop/Spark开发与运维经验,将大数据与安全分析有效结合,推出新一代大数据安全分析平台——Han Sight Enterprise,支持100T以上的安全日志、事件的存储、实时分析、关联分析与可视化展现。     

LTE网络中业务识别方案的研究与实现

为了实现对长期演进(Long Term Evolution,LTE)网络的业务识别,分析了S1接口用户面协议栈,利用模块化设计思想实现了对S1接口流量的业务识别。针对传统业务识别系统识别度低、统计能力不强的缺陷,在传统的业务识别系统基础上,提出了一个多识别的业务识别方案,实现了对业务类型的精确识别。经过现网数据测试验证,所设计的多识别的业务识别方案达到了预期的效果,在LTE移动通信网络业务识别领域具有推广意义。     

基于机器学习的网络异常流量检测方法

研究一种基于机器学习的网络异常流量检测方法。使用改进型ANFIS算法作为建立的网络异常流量检测方法的核心算法。由于传统的神经网络算法使用的梯度下降算法在实际应用时,存在易陷入局部极小值,训练效率低下等问题,因此研究的改进型ANFIS算法使用附加动量算法修正模型参数,使系统能够越过误差曲面的局部最小值。最后使用KDD CUP99数据库以及LBNL实验室测试的数据对改进型ANFIS算法和BP神经网络算法的检测方法进行性能测试。结果表明,使用改进型ANFIS算法检测系统的训练效率以及检测准确率均优于使用BP神经网络算法建立的模型。     

基于机器学习方法的入侵检测技术

随着信息技术的不断发展,人们生活发生了翻天覆地的变化,它给人们带来了很多便利,但与此同时,安全问题也日益突出。目前,传统的入侵检测系统已经不足以完成对越来越复杂的网络攻击的检测任务。入侵监测系统技术之中引入机器学习,可以有效地提高系统性能。文章主要介绍了几种机器学习方法在入侵检测中的应用。