基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络. 该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上. 应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征. 提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合. 所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

齿轮裂纹程度识别的有序分类算法

为识别齿轮裂纹的严重程度信息,提出一种基于有序分类的故障严重程度识别方法.将故障严重程度识别问题视为不同严重程度之间存在序结构,并且部分特征和故障严重程度之间存在单调依赖关系的有序分类问题,从有序分类出发,建立有序分类的故障严重程度识别模型.研究故障严重程度识别中的特征评价和特征选择问题,利用排序互信息指标区分原始特征集中的单调特征和非单调特征,提出单调特征和非单调特征混合存在情况下的有序分类特征选择算法.齿轮裂纹程度识别实验结果表明:提出的有序分类特征选择算法可以降低特征空间维数,能选择出分类能力强的故障特征子集,提高了故障严重程度识别的准确性.     

基于多级特征并联的轻量级图像语义分割

针对当前语义分割算法普遍具有网络结构复杂和计算开销巨大的问题,为了综合提高语义分割算法实时性和精确度,提出计算高效的基于多级特征并联网络（LSSN）的轻量级图像语义分割网络.该算法综合考虑网络的参数量、运行速度和性能,能更好地应用到嵌入式设备和可移动设备上.应用微调的深度卷积神经分类网络作为特征提取网络结构,提取网络不同深浅层语义和位置特征.提出空洞残差增强模块和深度空洞空间金字塔模块分别处理来自特征提取基准网络的深层特征和浅层特征,并将深浅层特征按特定维度比例以并联的方式进行融合.所提方法在PASCAL VOC 2012数据集上准确度（平均交并比）为77.13%,与当前具有高性能的语义分割算法和实时语义分割算法相比,能更好地平衡网络的实时性和精确度,具有更优的实用价值和性能效果.     

基于多注意力机制集成的非侵入式负荷分解算法

针对输入负荷特征对分解结果的重要程度不同,以及长短时记忆网络（LSTM）在捕捉长时间用电信息的时间依赖性方面受限导致分解误差高等问题,提出一种基于多注意力机制集成的非侵入式负荷分解算法.首先,利用概率自注意力机制对一维空洞卷积提取到的负荷特征进行优化处理,实现重要负荷特征的遴选;其次,采用时间模式注意力机制对LSTM的隐状态赋予权重,从而增强网络对长时间用电信息之间的时间依赖性的学习能力;最后,利用公开数据集UKDALE和REDD对所提分解模型的有效性和创新性进行验证.实验结果表明,与其他多种现有分解算法相比,基于多注意力机制集成的分解算法不仅具备更好的负荷特征遴选能力,而且能更加精确地建立特征之间的时间依赖关系,有效降低了分解误差.     

基于SK注意力残差网络的水下图像增强

针对水下图像颜色失真、关键信息模糊和细节特征丢失的问题，提出一种基于SK注意力残差网络的水下图像增强方法.该方法通过改进生成对抗网络中的生成器结构，引入残差模块，减少编码器和解码器之间的特征丢失，增强了图像细节和颜色.为了使网络能适应不同尺度的特征图提取图像关键信息，该方法在残差模块后添加SK注意力机制，采用参数修正线性单元来提高网络的拟合能力.将本文方法分别在真实和合成的水下图像数据集中进行验证，采用传统方法和深度学习的方法进行主客观评价.在主观效果分析中发现，本文方法增强后的图像颜色、关键信息和细节特征都有很大提升.在客观评价指标中发现，本文方法指标值均高于现有的水下图像增强算法，验证了该算法的有效性.     

基于无监督深度学习的红外图像与可见光图像融合算法

红外和可见光图像表征了互补的场景信息. 现有的基于深度学习的融合方法大多通过独立提取网络分别提取两个源图像特征,从而丢失了源图像之间的深度特征联系. 基于此,提出了一种新的基于无监督深度学习的红外图像与可见光图像融合算法,针对不同模态的特点采用不同的编码方式提取图像特征,利用一个模态的信息补充另一个模态的信息,并对提取到的特征进行融合,最后根据融合特征重建融合图像. 该算法可在两个模态的特征提取路径之间建立交互,不仅可预融合梯度信息和强度信息,且能增强后续处理的信息. 同时设计了损失函数,引导模型保留可见光的细节纹理,并保持红外的强度分布. 将所提算法与多种融合算法在公开数据集上进行对比实验,结果表明,所提算法获得了良好的视觉效果,客观指标评价方面对比现有的优秀算法也有一定的提升.     

供应商网络结构特征多维层次聚集算法

针对传统算法在进行供应商网络结构特征分析时出现的聚集效果较差的问题,提出了供应商网络结构特征多维层次聚集算法.利用Spark框架对供应商网络中部分事实编码进行缓存处理;通过联机分析对编码结果进行转换,采用多维层次聚集算法实现对供应商网络结构特征的多维层次聚集处理.通过对比实验结果证明,该算法能够有效提高聚集效果,且其对供应商网络中无效节点的判断能力较好,能够有效实现对供应商网络结构特征的聚集处理.     

知识网络情绪互信息熵检测

针对互联网知识资源网络中知识层次结构与网民情绪的相互关系问题,为了准确把握知识资源网络的节点结构与情绪过程的关联性,提出情绪信息熵算法.通过构建认知的活动重要度、情绪适用度和情感距离等重要指标,有效地诠释了知识结构层面与情绪过程的适用性,实现了互联网知识资源网络的情绪疏导与知识结构的二元融合.结果表明:情绪信息熵算法能对认知过程和情绪因素进行有效疏导,并能有效促进认知效用,具有较高的实践推广价值.     

基于DPC优化动态路由的胶囊网络算法

作为一种深度神经网络结构,与卷积神经网络(CNN)相比,胶囊网络可以建立不同特征之间的空间关系,具有更好地拟合特征的能力.但是,动态路由中原有的聚类算法对初始聚类中心的选择较为敏感.针对这一问题,使用密度峰值聚类(DPC)算法对原有的聚类算法进行优化,提出DPC-CapsNet模型,以提高动态路由算法的整体性能.基于T...     

基于融合注意力机制LSTM网络的地下水位自适应鲁棒预测

地下水水位是旱天污水管网地下水入渗量的重要影响因素,快速精准地预测地下水水位能有效提升旱天污水管网地下水入渗量估算准确度,辅助优化管网病害治理与维护策略。针对目前城市复杂水文预测存在的准确度低、灵敏度低、泛化能力弱等问题,本文提出了一种新的鲁棒自适应水位预测算法。首先,对水文数据进行预处理,解决了数据时间跨度大、噪声多、缺失及异常、非平稳等问题。其次,针对不同输入特征对预测指标影响差异问题,在模型训练阶段提出一种新的空间变量注意机制,可快速识别与水位关联的关键变量,并对输入特征赋予不同的影响权重。进一步地,针对不同序列长度对预测效果影响差异问题,本文还设计了自适应时间注意力机制,帮助网络自适应地找出与不同时间序列长度预测指标相关的编码器隐藏状态,以更好地捕捉时间上的依赖关系。在此基础上,以上下文向量作为输入,提出一种融合注意力机制的LSTM水文预测算法。最后,通过意大利Petrignano水文数据验证了所提算法的有效性,并与GRU、Elman、LSTM、S-LSTM和VA-LSTM等方法进行预测性能比较。结果表明,基于融合注意力机制LSTM网络在面临复杂、大规模、噪点多的数据时有优于其它几种算法的预测效果,表明该算法的强自适应性和鲁棒性。本文研究结果可以为市政排水策略合理调整、及时控制提供参考。     

基于流统计特性的网络流量分类算法

针对传统基于单个流统计特性的网络流量分类算法识别率低、分类算法复杂的问题,在分析各类应用协议的基础上,发现了一组易于获取、可有效区分不同业务的网络流量特征。将这一组特征应用于网络流量分类,可以有效解决以往对等网络（P2P）业务识别率低下的问题;同时利用该组特征仅需采用多项逻辑斯谛回归算法即可实现网络流量的分类,较传统流量分类算法有较低的复杂度。实验结果表明,该组特征用于分类还具有较好的泛化特性,只需较少量训练样本即可在在较长时间内保持较高的识别率。     

基于多蚁群算法的电力通信网路由配置机制

针对电力通信网中以顺序配置为主的业务路由配置策略可能导致网络风险不均衡的问题,综合考虑现网的各项参数要求以及业务分布因素,提出了一种基于多蚁群算法的路由配置机制.首先对关键业务路由配置问题建模,定义了通道压力,并构建了通道压力最小化的数学模型之后结合模型特征利用多蚁群算法进行求解,最后基于现网拓扑结构进行仿真实验.实验结果表明,在不同规模的网络中,相对于其他方法,该机制能获取全局通道压力值更低的业务路由配置方案.     

双向中继信道中Polar码与物理层网络编码的联合设计

为解决双向中继信道中采用低密度奇偶校验码LDPC(low density parity check code)或Turbo码的网络编码系统信道编码编译码算法及设备的复杂度太高这一问题,提出一种联合Polar编码与网络编码的中继转发策略.该策略利用无线通信中信号的叠加特性和Polar编码、网络编码的线性性质直接估计网络编码的码字,使得中继节点进行Polar译码的复杂度和信源节点之间的信息交换时间都比直接网络编码系统减少了50%.同时,由于基于信道极化理论的Polar码具有在离散无记忆信道BDMC(binary discrete memoryless channel)上达到信道容量及编译码算法简单等优点,使得所提方案不仅保证了系统的可靠性,而且更容易实现.仿真结果验证了该方案的有效性.     

改进的短波信道数据引导均衡算法研究(英文)

针对短波信道数据引导均衡算法(data-directed equalization algorithm,DDEA)存在的问题,即必须以一帧数据内信道恒定为前提假设,且在均衡器和译码器之间只能传递硬判决信息,提出两种改进的DDEA均衡算法,分别从不同角度对此加以解决。所提可变信道系数的DDEA算法无须假设一帧数据内信道系数恒定,而允许在每个采样间隔信道系数都是变化的。所提DDEA-Turbo均衡算法能通过在信道估计器、均衡器和译码器之间传递软判决信息,将均衡器和译码器联合起来进行迭代。仿真结果表明,两种改进算法相较于传统的DDEA算法在性能方面都有不同程度的提高,但有分析显示,这种性能的提高须以增加复杂度为代价。     

认知Wi-Fi网络中使用相关均衡的频谱共享算法

认知Wi-Fi网络是基于认知无线电技术、感知和利用电视频谱白空的新型无线局域网．在该无线网络环境下,设计了集中式和分布式两种基于相关均衡的频谱共享算法．综合考虑了认知Wi-Fi网络的频谱分裂特性、多网间的互扰和用户的业务需求等,将频谱共享问题建模为非协作博弈．两种算法分别考虑了有效性和复杂度．其中,集中式算法可最大化网络整体收益,而分布式算法无须引入信息交互．仿真结果表明,相较于贪婪算法,这两种算法均能提升网络收益．     

基于粒子群优化的无线Mesh网络信道分配算法

多信道多天线（MCMR）广泛被用于提升无线Mesh网络的性能,但现有信道分配算法存在两方面问题:算法的时间太长和空间复杂度过高,无法获得全局最优解;算法可扩展性差,无法适用于大规模的网络。为解决上述问题,该文借鉴粒子群优化算法在收敛快、开销小等方面的优势,以建模无线Mesh网络中的信道分配问题。通过网络信息的交换和干扰模型的定义,以最小化适应度函数为优化目标,以天线、可用信道数量、信号干扰等为约束条件,设计并实现了基于粒子群优化的信道分配算法（PSOCA）。仿真实验表明了算法的可行性,且与同类算法相比,该算法在网络吞吐量和丢包率两个方面具有明显的改善。     

基于SCAD-ESN的时间序列预测模型

回声状态网络（ESN）是一种重要的时间序列预测方法,但在训练数据存在噪声或野点情况下,ESN将会出现过拟合问题。针对该问题,提出基于平滑消边绝对偏离罚函数的回声状态网络（SCAD-ESN）模型。不同于在模型中加入岭回归、L₁范数罚函数及小波降噪等常规方法,该模型利用SCAD罚函数对变量进行选择,将小变量置为零以满足变量稀疏性,将大变量直接置为常数,从而能够很好地解决ESN过拟合问题并满足近似无偏估计。对于SCAD罚函数的非凸函数优化问题,提出基于局部二次近似（LQA）的求解方法,将最小角回归（LQR）方法用于SCAD罚函数求解,避免了计算量巨大的问题。使用基于粒子群优化（PSO）的超参数选取方法快速确定平滑消边绝对偏离-回声状态网络模型的超参数,克服利用经验选取超参数时存在的盲目性较大且难以确定整体最优的超参数问题。混沌系统数值仿真和网络流量仿真结果表明,相对于常规模型,该模型能有效地降低测试误差,从而克服过拟合问题。     

基于卡尔曼滤波算法的活动抽头均衡器

针对通信信道中多径干扰引起的码间串扰(ISI)问题,这里在卡尔曼滤波均衡器的基础上提出了一种活动抽头均衡器消除码间干扰的问题.该算法保留了卡尔曼滤波算法快速收敛的特点,根据迭代结果能快速估计信道特征,消除干扰,达到减小误码率的目的,提高通信质量.在此基础上,根据算法特点,论文采用自动去掉冗余抽头的方法,只计算有干扰信道的滤波器系数,跟踪时变信道,大大减少了计算的复杂性,降低了对硬件资源的要求.并且进行了仿真分析,并将计算过程和结果与LMS和卡尔曼滤波算法进行了比较,结果表明该算法收敛速度快,计算量小.     

WDM网状网中的动态流量疏导策略

对具有业务流量疏导能力的WDM（波分复用）网状网进行了深入的研究,提出了2种基于固定备选路由的动态流量疏导算法,其可以在路由预计算的过程中考虑疏导业务的均衡,得到较低的阻塞率,而且具有较低的时间复杂度. 仿真结果表明,这些算法可以有效地改善网络性能.     

解决ACP高维优化问题的自适应多粒子模拟退火算法

提出了一种改进的针对高维优化问题的自适应多粒子模拟退火(AMSA)算法,通过多个粒子对整个高维空间进行随机分割和相对独立的局部退火. 当每个局部于当前温度下达到稳态后,随着温度的降低,粒子依据自身状态和相互之间的关系自适应地减少粒子数目,以降低复杂度. 该算法用于解决通用移动通信系统自动小区规划问题. 仿真结果显示,对比其他用于解决高维优化问题的启发式算法,AMSA算法能在预定的时间内取得更理想的结果.