基于量子卷积神经网络的图像识别新模型

为了解决卷积神经网络对内存和时间效率要求越来越高的问题,提出一种面向数字图像分类的新模型,该模型为基于强纠缠参数化线路的量子卷积神经网络。首先对经典图像进行预处理和量子比特编码,提取图像的特征信息,并将其制备为量子态作为量子卷积神经网络模型的输入。通过设计模型量子卷积层、量子池化层、量子全连接层结构,高效提炼主要特征信息,最后对模型输出执行Z基测量,根据期望值完成图像分类。实验数据集为MNIST数据,{0,1}分类和{2,7}分类准确率均达到了100%。对比结果表明,采用平均池化下采样的三层网络结构的QCNN模型具有更高的测试精度。     

基于QPSO优化CNN-Bi-LSTM网络的锂电池健康状态估计

锂电池健康状态(State of Health, SOH)估计对于保证电池安全可靠运行和降低电池系统维护成本具有重要意义.为了提高锂电池SOH估计精度，提出一种基于量子粒子群算法(Quantum Particle Swarm Optimization, QPSO)优化卷积神经网络(Convolutional Neural Networks, CNN)-双向长短时记忆网络(Bi-directional Long Short Term Memory, Bi-LSTM)的锂电池健康状态估计模型.首先从锂电池充放电曲线中提取与电池容量相关的健康因子并进行相关性分析，再利用CNN对输入数据进行快速的隐含特征信息提取，然后利用Bi-LSTM充分学习时间序列特征，通过QPSO对CNN-Bi-LSTM模型的关键参数进行寻优，使得模型的估计精度得到提升，最终得到锂电池的SOH估计结果.在CALCE、NASA和TRI 3种锂电数据集上进行仿真实验，结果表明该模型在不同的锂电池数据集上都具有较好的估计效果和更高的精度，估计误差保持在1%以内，验证了估计方法的有效性.     

量子自注意力神经网络的时间序列预测

在“量子-经典”混合模式下,设计了多头量子自注意力神经网络预测模型（MQSAPN）用以进行时间序列预测,模型包括多头量子自注意力模块以及变分量子线路预测模块两部分。通过对输入数据按时间步长分别进行量子态编码以及K、Q、V的计算,借鉴已有研究使用高斯函数进行自注意力系数的估计方式,将量子自注意力特征提取后的数据再次编码到变分预测线路中,经过线路演化及测量,最终获取预测结果。完整流程与模型搭建均采用VQNet框架实现。在天气学变量的时间序列预测任务中,该模型表现出与经典多头自注意力模型预测模型以及长短期记忆单元网络模型相当的预测精度。此外,相对于同样是量子机器学习的data-reuploading变分线路而言,在近乎同等规模线路深度与参数量的前提下,表现出更高的预测精度,这也进一步验证了引入量子自注意力机制的有效性。值得指出的是,作为预测部分的变分线路会随着输入数据量的增多（如时间窗加长、特征变量规模增加等）,其参数量与线路深度也会显著增加,尽管多层QSA能够较好地进行特征表达,但依然有可能因遇到“贫瘠高原”困难而成为整个网络的瓶颈。     

基于量子门线路与机器学习协同设计的变分量子神经网络

以人工神经网络(ANN)模型为基础,通过与量子并行计算、量子门线路以及变分量子线路等量子理论与量子力学概念相结合提出了一种优化的变分量子神经网络(VQNN)模型,该模型是由可在噪声中尺度量子(NISQ)设备上运行的量子线路结合机器学习(ML)策略构成的一种量子经典混合计算模型。其中量子线路由两部分组成:量子态编码线路用于将经典数据编码为量子态数据;变分量子线路(VQC)则学习目标状态并将信息编码到一个真实的量子数据结构之中。最终通过测量VQC量子态输出获得经典概率输出分布,利用经典计算机进行变分量子线路的参数优化处理,这种结构使得VQC与经典ML很容易地融合。进一步探索了使用VQNN来建立基于实际应用的分类器,将其应用在网络攻击检测领域。实验结果表明,对于KDD CUP99数据集,VQNN具有相对较高的检测性能,且均高于其他经典对比检测模型以及量子门线路神经网络模型。此外,该VQNN可以部署在近期绝大多数的NISQ设备中。同时,所提出的VQNN是首个可以部署在NISQ中进行网络攻击检测的模型。     

基于EEMD-CNN-GRU的短期风向预测

为了提高短期风向的预测精度,提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元网络（Gated Recurrent Unit,GRU）的混合模型：EEMD-CNN-GRU.针对风向序列的随机性和不平稳性等特点,先利用EEMD将数据分解成多个分量;再运用CNN的局部连接和权值共享来提取分量中的潜在特征;最后,使用GRU对CNN所提取的潜在特征进一步构建特征,叠加各分量的预测值,得到最终预测结果.实验结果表明：相对于BP神经网络和长短期记忆网络（Long Short-Term Memory,LSTM）等其他模型,本文所提出的预测方法取得了良好的性能.     

基于自适应卷积核的改进CNN数值型数据分类算法

针对卷积神经网络(Convolutional neural network,CNN)模型在对工业数值型数据分类方面存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel, ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取CNN中最优的卷积核大小,使得模型能够提取出最优的特征。采用TE过程的故障数据对其进行测试,并与支持向量机、极限学习机、最近邻等典型的数据驱动方法进行对比,测试结果表明,该算法能有效提升各类故障的分类精度。     

基于混合量子?经典神经网络模型的股价预测

股票预测本质上是数据挖掘的问题,大盘走势是一个很好的股票买卖时机抉择信号。在量化分析中,常用深度学习技术对大盘历史数据进行拟合与特征提取,为股票投资提供决策参考。该文首先训练了一个经典深度神经网络对沪深300的日K量价数据进行监督学习,实现了一个输出“涨跌”概率的二分类预测器,并以此制定策略进行模拟交易,利用测试集数据计算累积收益率,从而评估投资策略的优劣。此外,还构造了一种混合量子?经典神经网络模型,充分利用量子计算的线路模型特点,构造参数化变分量子线路,实现了量子前馈神经网络。在量子线路学习框架中,将股票的特征因子编码到量子态的振幅上,通过训练量子神经网络 U 的参数 θ ,迭代得到一个最优的分类器。量子算法的运行时间比经典算法少了7.7%,预测准确率更高,回报率高出3%,因此证明了量子算法的表达力强、鲁棒性高的特点。     

基于卷积门控循环网络的齿轮箱故障诊断

为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型。CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提取的时空特征作为SoftMax的输入进行故障识别。两组齿轮箱实验数据分析结果显示:平均故障诊断精度分别可达99.86%和99.85%,与其它现有模型的结果对比体现了本文模型的有效性和优越性。     

基于非监督预训练的结构优化卷积神经网络

针对典型卷积神经网络卷积核由经验设置且网络结构固定不变难以后期再学习的问题,基于稀疏自编码器（Sparse Autoencoder, SAE）和卷积神经网络（Convoutional Neural Network, CNN）,提出新的CNN模型。该模型通过SAE预训练CNN网络的卷积核,提取有效特征;并在典型CNN结构基础上增加一条网络支路,使得后续再学习时只更新支路权值,记忆已有特征并增加新特征。文中模型在MNIST数据集上迭代更新10次网络权值可以使测试识别率达到97.65%;在手写汉字数据集HCL2000中的简单字,中等字,复杂字及相似字上的测试正确率能达93%以上;50个训练样本,250个测试样本时,相似字识别率可达80.36%;比典型CNN及传统手写汉字识别方法更具泛化性。实验表明所提出方法可有效应用于手写字等图像识别应用中。     

基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解（VMD）与重构、卷积神经网络（CNN）挖掘多气象特征信息、长短期记忆网络（LSTM）预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明：该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。     

基于C-LSTM的短期用电预测模型和应用

基于深度学习下的长短期记忆循环神经网络对家庭短期用电预测进行研究.本研究引入卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short term memory,LSTM)模型结合的混合深度神经网络模型C-LSTM,并在此模型基础上提出多步预测策略.根据对5个真实家...     

基于PReLUs-Softplus非线性激励函数的卷积神经网络

针对卷积神经网络表达能力和识别效果受卷积层激励函数影响的问题,提出了一种新型非线性激励函数PRe LUs-Softplus,并将其应用于神经网络卷积层.对新型神经网络和采用传统激励函数的神经网络在MNIST和CIFAR-10标准数据库上进行了图像识别对比实验,结果表明,相比于采用传统激励函数的神经网络,使用PRe LUs-Softplus激励函数的卷积神经网络在不同的池化方式下图像识别计算收敛速度更快,显著降低了识别的错误率.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于门控循环单元的多因素感知短期游客人数预测模型

提出的预测模型采取分时序分段策略,使用卷积神经网络（CNN）提取景区多因素时序数据的特征,并对不同因素的时序数据赋予不同的权重,将结果送入门控循环单元（GRU）以挖掘其中的时序信息,结合预测时刻的情境信息（天气状况和节假日）预测短期景区内游客人数. 在某景区的闸机数据集和监控点车辆数据集上的实验结果表明：基于门控循环单元的多因素感知短期游客人数预测模型可以充分考虑多情境因素并对不同因素时序数据赋予不同的权重,均方根误差（RMSE）和平均绝对百分比误差（MAPE）均小于传统模型,能够有效降低短期游客人数预测误差。     

大规模情感词典的构建及其在情感分类中的应用

为了有效获取短文本评论隐含的语义信息进行情感倾向性识别,提出一种基于CNN-LSTM模型的短文本情感分类方法.利用卷积神经网络（convolutional neural network,CNN）模型设置不同大小的卷积窗口,提取短文本的语义特征.引入长短时记忆（long short-term memory,LSTM）神经网络模型对短文本的情感倾向进行预测.在3种不同的中英文短文本评论数据集上进行验证取得较好的性能,其中,在NLPCC评测数据集上,正、负向情感识别的F₁值分别达到0.768 3和0.772 4（优于NLPCC评测的最优结果）.相较于传统的机器学习分类模型,t-test检验结果表明性能提升显著.

     

基于视频数据特性的动态手势识别

针对现有动态手势识别方法环境适应性低、计算复杂的问题,提出了一种基于视频数据特性的动态手势识别方法.使用基于密度的聚类算法DBSCAN直接从视频编码数据中的运动矢量提取出运动趋势特征,再通过随机森林分类运动趋势,结合卷积神经网络（CNN）提取的手型特征识别动态手势.实验结果表明,该方法对剑桥大学和美国西北大学数据集中动态手势的平均识别率分别达到94.22%和94.48%,并且与CNN结合长短期记忆网络的识别方法相比,手势识别时间减少了85%.在背景图像复杂且光照条件不足时,该方法仍然能够维持较高的识别率,表现出较好的鲁棒性.     

基于CNN的突发事件预警系统的设计与实现

为提高城市恐怖威胁突发事件的监测预警效率,设计了一套基于改进型卷积神经网络（CNN）的恐怖威胁预警系统。系统对采集的恐怖威胁突发事件进行威胁度评估。相对于现有文本评估方法,提出结合改进型词频-逆文本频率的卷积神经网络用于评估威胁和监测预警。并通过对研判期间内事件的威胁度分析,划分了恐怖威胁等级。通过数据的可视化实现为相关部门提供监测预警信息。模型对比测试和实际运行结果表明,该系统相比于已有的CNN模型及区域型卷积神经网络（RCNN）模型,综合评估的精确度分别提升了5.4%和3%。     

一种改进的CNN-BiLSTM心律失常分类方法

基于一维心电信号,提出了一种改进的卷积双向长短时记忆网络以实现心律失常的自动分类。基于卷积神经网络（CNN）及其注意力机制提取关键特征,搭建双向长短时记忆网络（BiLSTM）挖掘心电信号的时间相关性,最终实现心电信号的自动分类。在MIT-BIH心律失常数据集上进行的实验结果表明,该方法在获得总体精度99.32%的基础上,实现了稀有类别分类的提升,其S与F类分类精确度分别提升了1.02%和10.07%,召回率分别提升了12.52%和4.25%,满足心律失常自动分类的检测要求。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。