自适应属性选择的实体对齐方法

现有实体对齐方法普遍存在传统方法依赖外部信息和人工构建特征,而基于表示学习的方法忽略了知识图谱中的结构信息的问题。针对上述问题,提出自适应属性选择的实体对齐方法,融合实体的语义和结构信息训练基于两个图谱联合表示学习的实体对齐模型。提出使用基于自适应属性选择的属性强约束模型,根据数据集特征自动生成最优属性类型和权重约束,提升实体对齐效果。两个实际数据集上的试验表明,该方法与传统表示学习方法相比准确率最高提升了约11%。     

自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

基于高采样率惯性测量单元的手部状态与手势识别

为了同时实现手势识别与手部状态识别，针对高采样率惯性测量单元具有同时采集动作信号与振动信号的特点，搭建基于单惯性测量单元的手势识别与触摸识别原型设备.可视化分析手部状态数据与手势数据在时域与频域上的差异，建立手部状态、划动手势与画圈手势数据集.针对数据特征的差异，提出差异化特征提取方法，分别构建手部状态分类与手势分类的神经网络结构.使用数据集训练神经网络模型，在手部综合状态识别任务中正确率达到99%，在划动手势识别任务和画圈手势识别任务中的正确率均达到98%.提出实时数据流处理、状态转移、未知类别判断的原型程序框架，基于手部状态识别模型实体与手势识别模型实体搭建实时程序，测量实际运行整体计算延时与单模型计算延时，验证模型实时运算能力.模型评估实验与实时运算能力验证实验结果表明，使用高采样率惯性测量单元准确且实时地识别手部状态与手势具备可行性.     

基于多任务学习和知识图谱的面部表情识别

针对面部表情分类的模型中参数较复杂、识别准确率较低的问题,提出了一种基于知识图谱辅助识别的多任务学习算法模型（MLAM）,该模型由基于深度学习的识别模块与知识图谱嵌入模块两部分构成。首先从输入的数据中提取潜在的人脸局部表情特征,通过知识图谱实现局部表情和个体的复杂交互;然后在MLAM 模型中设计一个交叉压缩单元,关联这两个独立模块,自动学习局部表情和实体特征的高级交互,并在这两个任务之间传递交叉知识转移;最后,在FER2013和CK+的数据集上对比了同类算法,实验结果表明,该模型在上述数据集上分别得到了0.69和0.99的识别率,提高了面部表情识别准确率。     

基于空间约束的自适应单目3D物体检测算法

引入无须先验模版匹配的3D目标检测算法,通过简化消失点（VP）计算和改进角点提取等步骤,提出一种自适应的单目3D物体检测算法. 针对复杂场景下VP 计算易受干扰的问题,根据室内场景中世界坐标系、相机以及目标物体之间的空间关系,建立目标、相机偏航角与VP之间的约束模型,提出一种基于空间约束的 M 估计子抽样一致性（MSAC）消失点计算方法;为了提高3D框的估计精度,在VP透视关系的基础上,提出一种自适应估计3D框角点的方法,通过建立目标3D轮廓线与2D框的空间约束关系,实现目标物体的3D框快速检测. 相关数据集的实验结果表明,所提方法相比于其他算法不仅在室内场景下具有估计精度高、实时性好的优势,而且在室外场景实验下也具有更好的精度和鲁棒性.     

知识驱动的产品设计情境

为进一步探讨情境在实际产品设计中的应用,提出了知识驱动的产品设计情境研究方法.将产品设计过程分为问题情境、求解情境和结果情境3个维度,通过知识驱动产品在原理、结构或组合方式上的创新,提出了基于产品开发设计流程的产品设计情境模型和知识驱动的产品设计情境模型.分析了显性知识与隐性知识在用户、设计师以及系统之间的传递与转化特征,提出了知识转移的交流模型和螺旋模型,并探讨了基于知识的产品建模技术、推理求解技术、感性意象评价技术和知识库技术.以眼镜造型设计为例,构建了眼镜产品族结构体系和计算机辅助眼镜造型系统软件,包括三维造型设计模块、感性意象评价模块和系统知识库模块.基于该系统可以实现眼镜产品设计的快速生成,构建设计知识库以及用户的感性意象评价,从而提高眼镜开发设计的效率,验证了知识驱动的产品设计情境理论体系.     

基于知识图谱的风电机组诊断系统构建与应用

针对风力发电机故障诊断与维修过程不明确以及历史故障数据记录大量遗留等问题,提出一种以知识图谱的方式构建的风力发电机故障诊断系统。首先,通过改进的命名实体识别模型BERT-BiLSTM-CRF对故障文本进行知识抽取。数据集采用了近10年来的风力发电机故障案例、事故分析等文本数据。实验结果表明：在风力发电机故障领域中,改进的实体识别方法相比于传统模型效果提升了2.54%。其次,对抽取的知识实体进行结构化分析,由于传统故障树在实际故障推理中缺乏目的性,且每个底事件相对于顶事件的重要性不同,提出以故障的特征属性为分支条件引入到故障树推理中,完成故障树定性与定量分析,并结合故障模式影响和危害性分析(FMECA)完善故障领域知识模型;再对知识结构完成本体化建模,使用Protégé开发工具对故障树结构完成了基于六元组概念的本体建模,使构建的本体知识库满足推理的前提条件。最后,通过Neo4j实现知识模型的可视化,并提升了知识数据的读写能力。     

制造物联网生产过程工序流波动分析方法研究

制造物联网通过部署大规模传感器节点获取工业生产过程实时状态数据流,利用复杂事件处理方法对生产过程监测产生的大规模数据流进行实时智能分析处理非常有必要,而其中工序流稳定性判断是生产部门关心的重要问题.然而,制造物联网传感器数据流大量存在的固有误差,给工序流稳定性判断带来较大困难.针对该问题,本文定义了概率事件模型并采用一种基于带缓冲的不确定性有穷自动机（NFA with run buffer,rNFA）的概率事件检测方法,提出结合游程检验和灰色系统模型以及bootstrap经验预测的方法对工序流的稳定性做出定量校验.实验结果表明,所提出的方法能够有效检测概率工序流中的生产全局状态,从而在不确定工序流找出较稳定而均衡的工序,给生产线提供改进方向.     

癫痫病相关论文多模态知识图谱的构建初探

癫痫病相关论文缺乏命名实体识别和关系抽取任务的标注数据,命名实体识别和关系抽取模型无法用常规方法训练。为解决该问题,针对癫痫病相关论文的数据特点,改进了命名实体识别和关系抽取模型,提出利用相近领域的医疗数据和预训练模型构建零资源癫痫病领域命名实体识别和关系抽取模型。评估了现有无监督和半监督模型在癫痫病领域论文数据集上的性能,并针对数据集特征引入域对抗网络和关系判别器,有效地提高了命名实体识别和关系抽取模型的性能。将癫痫患者的脑电特征以视觉模态嵌入知识图谱中,在提高脑电分析可解释性的同时,构建了更加直观的多模态知识图谱。     

OBDA在极限与配合知识库中的应用

针对传统极限与配合本体知识库构建中工作量过大和数据与本体不一致的问题,将基于本体的数据访问(OBDA)引入极限与配合知识库中,使用Web本体语言OWL 2 QL构建极限与配合本体TBox,构建本体与数据库的映射集将数据库中数据映射为极限与配合本体的个体集,使用本体的实时查询访问数据库中数据,在减少本体构建工作量的同时,确保了数据与本体一致且易于共享和重用。工程实例验证了在极限与配合知识库中应用OBDA的可行性和有效性。     

An artificial immune and incremental learning inspired novel framework for performance pattern identification of complex electromechanical systems

Performance pattern identification is the key basis for fault detection and condition prediction, which plays a major role in ensuring safety and reliability in complex electromechanical systems(CESs). However, there are a few problems related to the automatic and adaptive updating of an identification model. Aiming to solve the problem of identification model updating, a novel framework for performance pattern identification of the CESs based on the artificial immune systems and incremental learning is proposed in this paper to classify real-time monitoring data into different performance patterns. First, an unsupervised clustering technique is used to construct an initial identification model. Second, the artificial immune and outlier detection algorithms are applied to identify abnormal data and determine the type of immune response. Third, incremental learning is employed to trace the dynamic changes of patterns, and operations such as pattern insertion, pattern removal, and pattern revision are designed to realize automatic and adaptive updates of an identification model. The effectiveness of the proposed framework is demonstrated through experiments with the benchmark and actual pattern identification applications. As an unsupervised and self-adapting approach, the proposed framework inherits the preponderances of the conventional methods but overcomes some of their drawbacks because the retraining process is not required in perceiving the pattern changes. Therefore, this method can be flexibly and efficiently used for performance pattern identification of the CESs. Moreover, the proposed method provides a foundation for fault detection and condition prediction, and can be used in other engineering applications.     

基于资源约束的自适应实时聚类算法

针对物联网环境下实时数据挖掘中资源约束的特点,分析了快速有效地挖掘抽取知识的方法。在K-means算法的基础上,结合RA-Cluster算法,提出了ARRA-Kmeans聚类算法。并基于环境资源约束和时间约束的特点,引入自适应聚类方法和滑动窗口技术,对网络节点的实时数据进行挖掘。实验结果表明,随着流数据量的增大,ARRA-Kmeans算法在处理实时动态的数据时具有较好的效果,聚类精度较高,处理时间较快。     

基于深度神经网络的注塑过程预测控制

注塑机作为现代工业中重要的塑料件生产与制造设备,其智能化发展一直备受业界关注。伴随着航空航天、电力电子、汽车制造等行业的发展,如何实现对注塑件的高精度、高效率、绿色节能化生产,是目前注塑机的重要研制方向。本文针对注塑成型过程中采用传统模型预测控制(Model Predictive Control, MPC)难以保证跟踪控制实时性的问题,提出一种结合深度神经网络(Deep Neural Network, DNN)学习的注塑过程预测控制方法。在注塑机注射过程动力学模型基础上,创建带约束条件的模型预测控制器,对控制器运行数据进行采集并用以训练深度神经网络,实现了基于深度神经网络控制的注射速度的跟踪预测控制。仿真实验结果表明,采用本文所提出的学习预测控制策略能够有效避免注塑过程中因模型预测控制所产生的复杂计算,并满足工业实时性要求,具有应用前景。     

混流制造系统的Petri网建模与仿真研究

以赋时Petri网为分析工具,将混流制造系统工艺流程、产品类型标识、缓冲区和加工时间等用基本Pe-tri网语言表示,建立了基于赋时库所Petri网的混流制造系统模型,从全局观点描述事件之间的顺序、并发和同步等关系,并基于该模型,进一步分析混流制造系统的性能,包括操作间的逻辑约束关系、资源冲突、生产能力和设备利用率等。相关实例的仿真结果证明了该模型的有效性。     

空间自适应方向全变分地震数据去噪模型

随着我国油气勘探工作的不断推进,地震勘探面临着重大挑战。受到复杂的勘探环境、采集方式、检波器灵敏度等因素的影响,野外采集的地震数据中往往混杂着大量随机噪声,导致后续地震数据处理的保真度、信噪比和分辨率降低,并且最终影响地质解释的精确性、可靠性。 为了突破传统地震数据处理问题的局限性,提出了一种用于地震数据随机噪声压制的空间自适应方向全变分正则化模型。首先,针对地震反射同相轴具有空间变化的方向性和倾角计算抗噪性差的问题,提出了基于梯度结构张量的空变倾角逐点估计公式来获取同相轴的方向信息;然后,建立空间自适应方向全变分地震数据去噪模型,并采用优化最小化算法求解模型;最后,讨论了该模型的参数选取方法,将合成地震数据和实际地震数据的去噪结果与同类方法进行比较。实验结果表明,所提出的模型不但能较好地提高地震剖面的垂直分辨率和同相轴的横向连续性,而且在提高信噪比的同时能够保留更多的地质特征信息。     

The quantitative evaluation of application of hyperspectral data based on multi-parameters joint optimization

In order to evaluate the mineral identification of the hyperspectral data and make a trade-off of the imaging system parameters, a quantitative evaluation approach based on the multi-parameters joint optimization is proposed for the hyperspectral remote sensing. In the proposed approach, the mineral identification is defined as the number of the minerals identified and the key imaging parameters employed include ground sample distance (GSD) and spectral resolution (SR). Certain limitations are found among parameters that are used for analyzing the imaging processes. The constraints include the industrial manufacturing level, application requirements and the quantitative relationship among the GSD, the SR and the signal-to-noise ratio (SNR). Regression analysis is used to investigate the quantitative relationship between the mineral identification and the key imaging system parameters. Then, an optimization model for the trade-off study is established by combining the regression equation with the constraints. The airborne hyperspectral image collected by Hymap is applied to evaluate the performance of the proposed approach. The experimental results reveal that the approach can achieve the evaluation of the mineral identification and the trade-off of key imaging system parameters. The error of the prediction is within one kind of mineral.     

基于贝叶斯方法的实时洪水校正模型

简述了实时洪水校正方法的研究进展,提出并建立了基于贝叶斯方法的实时洪水校正模型. 该模型用先验分布考虑水文资料的不确定性,用似然函数描述模型结构和参数的不确定性,将两者综合得到预报流量的后验分布. 选用江西省白云山水库的雨洪资料对模型进行探讨与检验,采用可变遗忘因子最小二乘递推算法估计先验分布和似然函数的参数,以后验分布密度函数的均值作为结果发布. 结果表明该法不仅可显著的提高洪水预报精度,还给出预报区间估计值,实现了预报与决策的有机耦合.     

基于狮群算法的数字孪生车间调度问题优化

针对柔性作业车间调度问题,提出一种基于狮群算法的数字孪生柔性作业车间调度方法。基于实际生产过程的需求,使用狮群算法生成柔性作业车间调度初始方案,建立物理车间与虚拟车间实时交互的数字孪生柔性作业车间调度模型,在搭建的虚拟车间中对初始调度方案根据设备利用率进行方案优化。采用数字孪生模型解决设备故障等车间突发事件对生产进程的影响问题。通过使用真实车间数据对机加工车间生产调度过程试验,结果表明,采用狮群算法求解柔性作业车间调度问题,搜寻能力强,搜索速度快,可以在不同规模的问题中找到更优的解决方案;狮群算法结合数字孪生的柔性作业车间调度方案能够整体优化系统性能,有效处理扰动带来的延长生产时间问题。     

采用SOM算法的软体机械臂三维形状实时感知

为实现软体机械臂精确的三维形状实时估计,奠定变形控制与应用的基础性工作,针对三段式软体机械臂,提出了一种基于自组织映射(Self-organizing map, SOM)算法的三维空间形状实时感知方法。首先,对ZED双目相机捕捉到的左、右图像帧进行图像预处理,得到左、右二值图像,并实时提取软体机械臂的二维轮廓数据。然后,采用SOM算法对轮廓数据进行聚类,有序得到软体机械臂二维中心线的多个骨干点,并与K均值,高斯混合模型以及细化3种中心线提取算法进行了对比研究,进一步表明SOM算法更适用于解决软体机械臂复杂形状的中心线辨识。最后,通过基于双目视差的三角测距模型完成软体机械臂的三维形状重构。该算法还采用数据降采样、SOM参数优化等方法,提高算法框架的实时性能。针对软体机械臂连续形变过程,进行了实时形状传感实验和对比验证实验。实验结果表明,该算法具有较高的形状感知精度和较好的实时跟踪效果。不仅如此,与其他文献中提出的形状检测算法相比,该算法也具有较好的性能。