基于VR技术的智能变电站运行仿真培训系统

为了更加真实、直观地呈现智能变电站的运行整体结构,构建基于VR技术的智能变电站运行仿真培训系统。该系统通过5个模块协同完成智能变电站运行仿真培训,结合实际变电站的设备情况,采用二维纹理映射方法完成变电站设备仿真建模;系统利用虚拟现实交互模块呈现培训场景,参与培训人员能够通过人机交互设备,实现场景漫游和相关培训内容操作。测试结果表明:该系统能够较好地模拟出智能变电站的实际运行情况,参与培训的人员可以身临其境地完成整个变电站的巡视,更真实、直观地呈现智能变电站的整体状态。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.     

一种最小变形度全景视频映射方法

全景视频需要经过采样映射转换成平面矩形视频,以便后续的压缩编码.针对现有映射方法存在的内容变形和采样不均匀问题,提出一种最小变形度映射方法(Minimum Deformation Projection,MDP).首先提出新的变形度计算公式求得最优解,其次结合像素排列为矩形的要求和人工边界等因素对最优解做近似,最后得到了最优的多边形映射形状和像素排列方案.实验数据表明,MDP的采样密度更均匀,结合使用x265,相对于ERP可以获得约14.47％的增益,优于其他映射方法.     

基于改进相干增强扩散与纹理能量测度和高斯混合模型的导光板表面缺陷检测方法

针对液晶屏(LCD)导光板表面缺陷检测方法存在漏检率和误检率较高,对产品表面复杂渐变的纹理结构适应性差的问题,提出一种基于改进相干增强扩散(ICED)与纹理能量测度和高斯混合模型(TEM-GMM)的LCD导光板表面缺陷检测方法。首先,构建ICED模型,基于结构张量引入平均曲率流扩散(MCF)滤波,使得相干增强扩散(CED)模型对缺陷的细线状纹理有良好的边缘保持效果,并利用相干性得到缺陷纹理增强和背景纹理抑制的滤波后图像;然后,根据Laws纹理能量测度(TEM)提取图像纹理特征,将图像的背景纹理特征作为离线阶段高斯混合模型(GMM)的训练数据,使用期望最大化(EM)算法估计GMM参数;最后,计算待检测图像各像素的后验概率,并将其作为在线检测阶段缺陷像素的判断依据。实验结果表明,该检测方法在导光颗粒随机、规则两种分布的缺陷图像测试数据组上的漏检率和误检率分别为3.27%、4.32%和3.59%、4.87%。所提检测方法适用范围广,可有效检测出LCD导光板表面划痕、异物、脏污和压伤等类型的缺陷。     

改进的多层感知机在客户流失预测中的应用

针对在传统的客户流失预测数据预处理中，使用one-hot编码处理离散属性导致数据维度增加及数据过于稀疏的问题，提出了两种基于多层感知机的改进后的客户流失预测模型。其主要思想是分别使用堆叠自编码器和实体嵌入两种方法对多层感知机进行改进，通过将离散属性的高维编码数据向低维空间映射，有效地减少了one-hot编码产生的稀疏数据，增加了离散属性值之间的关联度。在对两份公开的数据集进行交叉验证后的实验结果表明，改进后的模型既有效地提高了预测的准确度，又维持了传统多层感知机模型在并行化计算方面的优势。     

不同照度下煤矸图像灰度及纹理特征提取的实验研究

研究煤和矸石在不同照度下的响应特性，设计了差异照度煤矸图像采集系统，进行了煤矸图像采集实验，建立了煤矸灰度子图像数据库，对数据库中的子图像的灰度、纹理特征进行了提取，通过定义归一化特征差异指数以及基于支持向量机(SVM)对实验数据进行了分析与讨论。结果表明:在同一照度下，煤和矸石在灰度及纹理特征上存在差异，且随着照度的改变，煤和矸石的特征也发生变化，同时两者的变化规律存在显著差异。基于不同特征的SVM分类器的识别正确率不同，照度的变化也会对分类器的识别正确率产生影响;当考虑照度因素后，分类器的识别正确率最大增加了13.31%，此外基于多特征多照度融合的SVM分类器性能较好，识别正确率为98-39%。     

基于深度学习的两阶段联合声学回波和混响抑制技术

在现代通信系统中，通信语音的质量和可懂度会被回波与混响严重损害，人与人之间的交流因此会被严重干扰。为了同时消除回波与混响的负面影响，本文提出了一种基于深度学习的两阶段联合声学回波和混响抑制系统。该系统逐步地消除加性声学回波与多径效应产生的混响干扰，从而获得目标语音。系统首先使用基于理想比值掩蔽（Ideal Ratio Mask，IRM）的模型去除与目标信号不相关的声学回波，紧接着对于与目标信号强相关的混响干扰，系统通过利用一个基于“隐掩蔽”的谱映射模型将其去除。两阶段模型最后进行联合训练以获得更好的系统性能。一系列不同声学环境下的实验结果表明，本文所提出的系统可显著地消除回波与混响干扰，从而极大地增强了目标语音的语音质量与可懂度。      

基于自组织特征映射的变电站巡视周期分类研究

针对差异化制定变电站巡视周期问题,首先分析了变电站巡视周期的影响因素,包括变电站电压等级、重要程度、历史故障/缺陷发生频次、设备运行情况、变电站运行环境和设备负载情况六个方面。提出了基于自组织特征映射的变电站巡视周期分类方法,利用机器学习实现变电站巡视周期的科学合理分类,为供电公司提高变电站巡视效率提供技术支撑。