多模态过程的全自动离线模态识别方法

多模态是复杂工业生产过程的普遍特性.不同模态具有不同的过程特性,需要建立不同的模型,因此离线建模数据的模态划分与识别是整个多模态过程建模的关键问题之一.目前,常用的聚类算法需要对其结果进行人工分析和后续处理,无法真正实现多模态过程的全自动模态识别.因此,本文提出一种全自动的多模态过程离线模态识别方法.首先通过宽度为H的大切割窗口对数据进行切割,利用改进的K-means聚类算法对窗口单元进行聚类;根据聚类结果,对稳定模态淹没现象进行处理,得到模态的初步划分结果;最终,利用小滑动窗口L,对稳定模态及过渡模态交接区域进行细划分,准确定位稳定模态与过渡模态的分割点.算法实现了多模态过程的全自动离线识别,并给出合理有效的识别结果.仿真分析表明此方法能够实现模态的自动识别,且识别结果准确.     

多模态过程中新模态过程建模方法

多模态过程中新出现的模态过程短期内无法获得充足的建模数据,且传统统计控制方法无法有效地估计过程特性.鉴于此,提出一种基于历史模型数据相关特性建立初步模型的方法,充分利用已有多模态历史数据的相关特性,从历史数据中寻找与当前数据特征相似的数据进行补充,建立初始模型,并利用新积累的数据迭代初步模型,逐步实现准确描述过程特性的算法.通过在田纳西-伊斯曼过程中的大量仿真,表明了所提出方法的可行性和有效性.     

基于GMM的多模态过程模态识别与过程监测

多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种原因, 导致面向多模态生产过程的监测问题十分复杂. 对此, 基于高斯混合模型的监测方法, 结合定性知识和定量知识, 解决了多模态过程监测中离线数据模态划分、稳定模态和过渡模态的监测模型建立以及在线数据的模态识别等关键问题, 最终实现了对多模态过程的监测.     

基于神经网络的交通事故仿真预测方法

通过对道路交通事故影响因素的分析,建立了关于道路交通事故影响因素的层次结构模型,并根据此模型建立基于RBF神经网络的道路交通事故计算机仿真预测方法.结合我国1978～2007年道路交通事故次数对RBF神经网络进行训练、检验和预测,同时与BP神经网络预测方法进行比较.结果表明RBF神经网络的平均误差和收敛次数分别为1.19%和701次,而BP神经网络则为9.8%和2401次,可见RBF神经网络具有更快的运算速度和更高的精度.     

融合局部和全局时空特征的交通事故风险预测

交通事故预测在城市公共安全、应急处置以及建设规划方面发挥着重要的作用.然而,在预测交通事故风险时仍然存在以下问题:首先交通事故的发生受到众多因素的影响,例如天气、道路状况等.其次交通事故的发生在空间范围内存在多尺度的时空依赖,主要包括局部区域的时空相关性和全局区域的时空相似性.同时,由于实际场景中交通事故发生次数相对较少,给预测带来了零膨胀问题.因此,对交通事故进行准确的预测具有很大的挑战,现有的预测方法无法综合考虑上述问题.提出了一种新颖的融合局部和全局时空特征的交通事故风险预测模型(ST-RiskNet),同时考虑时间、天气、交通流量等影响事故发生的多源因素,通过局部区域时空相关性模块和全局区域时空相似性模块同时建模多尺度的时空相关性和相似性,并设计样本加权损失函数,针对事故风险较大的样本设置较大的权重来解决零膨胀问题.在两个真实交通事故数据集的结果表明,ST-RiskNet的预测效果优于现有的预测方法.     

面向深度学习的多模态融合技术研究综述

面向深度学习的多模态融合技术是指机器从文本、图像、语音和视频等领域获取信息实现转换与融合以提升模型性能,而模态的普遍性和深度学习的热度促进了多模态融合技术的发展。在多模态融合技术发展前期,以提升深度学习模型分类与回归性能为出发点,阐述多模态融合架构、融合方法和对齐技术。重点分析联合、协同、编解码器3种融合架构在深度学习中的应用情况与优缺点,以及多核学习、图像模型和神经网络等具体融合方法与对齐技术,在此基础上归纳多模态融合研究的常用公开数据集,并对跨模态转移学习、模态语义冲突消解、多模态组合评价等下一步的研究方向进行展望。     

基于Transformer的多模态气象预测

随着气象观测技术的快速发展,气象行业积累了海量的气象大数据,为构建新型的数据驱动的气象预测模型提供了机遇。由于气象数据中存在的长时依赖关系和大范围空间关联关系,以及多模态气象要素间存在的复杂跨模态耦合关系,基于深度学习的气象预测是一个具有挑战性的研究课题。针对“温度、相对湿度、纬向风速、经向风速”四种经典气象要素组成的等气压层时序多模态数据,提出了一种基于多模态融合的气象预测深度学习模型。首先采用卷积网络来学习各个模态的特征,并在此基础上引入门控机制实现多模态加权融合;然后引入注意力机制,以并行时空轴向注意力代替传统的注意力机制,从而有效地学习长时依赖关系和大范围空间关联关系。整体结构上,采用了基于Transformer的编码器-解码器结构。在ERA5再分析数据集（子区域）上进行了对比实验,实验结果表明了所提方法在温度、相对湿度、风速等预测任务上的有效性和优越性。     

基于Agent的股市随机过程方法预测

利用Swarm仿真平台和Agent建模技术,结合马尔可夫过程对证券市场的股指进行了研究,提出多Agent变区间马尔可夫预测方法,并对模型进行了仿真,仿真结果验证了模型的有效性。     

基于LSTM神经网络模型的交通事故预测

道路交通事故是道路交通安全水平的具体体现,为使预测数据更科学地为交通管理系统提供决策。提出建立基于LSTM（Long Short-Term Memory）神经网络的交通事故模型,训练交通事故相关的数据,对交通安全水平的指标进行预测。经过与传统回归模型和传统神经网络模型进行实验对比,实验显示LSTM拟合效果最佳,另外LSTM模型对同一趋势上的预测效果有明显优势。通过使用LSTM模型捕获数据中存在的时序依赖关系,能够更准确地对交通事故安全水平进行预测,使交通管理部门制定更加科学准确的决策。     

基于AdaBoost分类器的实时交通事故预测

传统的道路交通事故预测是对交通事故次数及其造成的损失的历史趋势进行预测,针对其不能反映交通事故与实时交通特性关系、不能有效地预防事故发生的问题,提出一种基于AdaBoost分类器的交通事故实时预测的方法。首先,将交通道路划分为正常、危险两种交通状态,利用实时采集的交通流数据作为特征变量对不同的状态进行表征,将事故的实时预测问题转化为分类问题;然后,采用Parzen窗非参数估计的方法对两种状态在不同时间尺度下候选交通流特征的概率密度函数（PDF）进行估计,利用基于概率分布的可分性判据分析估计的密度函数,选择合适的特征变量及时间尺度,确定样本数据;最后,根据样本数据训练AdaBoost分类器对不同的交通状态进行分类识别。实验结果表明,采用交通流特性的标准差特征对测试样本分类的正确率比平均值特征高7.9%,更能反映不同交通状态的差别,获得更好的分类结果。     

基于RBF神经网络的网络流量建模及预测

随着计算机网络的迅速发展,目前的网络规模极为庞大和复杂,网络流量预测对于网络管理具有至关重要的意义。根据实际网络中测量的大量网络流量数据,建立了一个基于RBF神经网络的流量模型,给出了RBF神经网络的结构设计及基于正交最小二乘的学习算法,并基于该流量模型对网络流量进行预测。仿真结果表明,该模型具有较高的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和良好的自适应性。     

交通事故信息分析与责任认定系统建模研究

交通事故信息分析和事故责任认定是交通管理工作的重要内容之一,将交通事故信息分析放入人、车、路等交通大环境中考虑,以数据仓库为基础,采用联机分析、数据挖掘、知识发现等新一代信息分析手段和计算智能技术,构建了一个实用高效的交通事故信息智能分析与责任认定系统,并阐述了系统各主要组成部分功能及其关键技术与实现方法。系统正应用于我国南方某省的交通管理部门。     

分式过程神经元网络在网络流量预测中的应用

为更好解决网络流量预测问题,依据函数逼近论中分式的函数逼近性质和拟合能力要远远大于线性函数的性质,以及过程神经元网络对时变函数的非线性变换能力,提出一种分式过程神经元网络模型及其学习算法。实验结果证明,该网络模型对具有奇异值过程函数的柔韧逼近性质和在奇异值点附近区域反应的灵敏性优于一般过程神经元网络,以网络实测数据对模型进行训练和流量预测,取得了较好的应用效果。     

基于BP神经网络的非线性网络流量预测

传统的流量分析建立在线性模型的基础上,但是由于复杂的拓扑结构和网络行为,网络流量表现为一个非线性的系统。根据实际网络中测量的大量网络流量数据,建立一个时间相关的基于神经网络的流量模型,预测和分析网络流量状况。相对于传统线性模型该模型具有较高的预测精度、自适应性和鲁棒性。     

基于多通道时空编码器的交通流量预测模型

传统的交通流量预测模型对历史数据进行时空建模,忽略了交通数据的时间周期性内部潜在关系和交通路网间节点的距离特征和相似性空间特征。据此,提出面向交通流量预测的多通道时空编码器模型MC-STGNN,用来提高交通流量预测的准确率。首先将交通数据处理成三通道的周期性时间序列,并对整体的序列数据进行时间位置编码和自适应的空间位置编码,提取路网节点间的动态相关性;其次引入具有卷积结构的多头自我注意力机制,更大程度地捕获周期数据不同程度的时间相关性;最后提出一种图生成器生成新的时空图,提取路网节点间的相似性和距离特征,并利用门控图卷积网络整合原始图和新时空图的空间信息。在高速公路数据集PEMS03和PEMS08上进行一小时的交通流量综合预测实验,结果表明,MC-STGNN模型与其他的基线模型相比,具有更佳的性能指标,说明MC-STGNN模型具有更优的建模能力。     

改进型Elman网络用于网络流量预测

为了更好地预测网络流量,提出了一种改进型Elman网络模型,并用文化算法对该模型进行了优化,获得了更佳的拟合度和预测性能。     

基于时空预测向量相关性的运动估计算法

针对UMHexagonS算法体现出来的问题,利用时间预测向量和空间预测向量的位置映射关系,提出了一种新的运动估计算法--基于时空预测向量相关性的运动估计算法。该算法首先在小范围得到最优点后,继续利用预测矢量的时空方向相关性进行特定方向的扩展搜索,避免了提前落入局部最优点,并减少了搜索点数,从而提高了搜索质量。实验结果表明,与UMHexagonS算法相比,该算法在保持码率基本不变的情况下,能有效地减少运动估计时间,并且能一定程度地提高单帧的峰值信噪比。关键词：     

自注意力时序点过程生成模型的Wasserstein学习方法

目前学界普遍通过循环神经网络(RNN)建模强度函数来刻画时序点过程,然而此类模型不能捕捉到事件序列之间的长程依赖关系,并且强度函数具体的参数形式会限制模型的泛化能力。针对上述问题,提出一种无强度函数的注意力机制的时序点过程生成模型。该模型使用Wasserstein距离构建损失函数,便于衡量模型分布与真实分布之间的偏差,利用自注意力机制描述历史事件对当前事件的影响程度,使得模型具有可解释性且泛化能力更强。对比实验表明,在缺失强度函数先验信息的情况下,该方法比RNN类的生成模型和极大似然模型在QQ图斜率的偏差和经验强度偏差这两个指标总体上分别减少35.125%和24.200%,证实了所提模型的有效性。     

基于时间点过程的时间序列预测模型

对城市中发生的事件进行有效预测,可以为政府避免、控制或减轻相关的社会风险提供决策支撑.首先,提出基于积分求导法的条件强度函数式,提高序列预测精度;其次,构建基于递归神经网络和累积危险函数的时间点过程模型,通过递归神经网络捕获历史事件的非线性依赖关系,利用全连接网络获得累积危险函数;最后,选择具有代表性的合成数据集和真实...