边界注意力辅助的动态图卷积视网膜血管分割

针对视网膜血管分割任务中存在的毛细血管分割遗漏和断连的问题，从最大限度地利用视网膜血管的特征信息的角度出发，添补视网膜血管的全局结构信息和边界信息，在U型网络的基础上，提出边界注意力辅助的动态图卷积视网膜血管分割网络。本模型先将动态图卷积嵌入到U型网络中形成多尺度结构，提升模型获取全局结构信息的能力，以提高分割质量，再利用边界注意力网络辅助模型，增加模型对边界信息的关注度，进一步提高分割性能。将模型在DRIVE、CHASEDB1和STARE三个视网膜图像数据集上进行实验，均取得了较好的分割效果。实验结果证明，该模型能较好地区分噪声和毛细血管，分割出结构较完整的视网膜血管，具有泛化性和鲁棒性。     

基于特征降维与分块的输电网概率最优潮流深度学习方法

概率最优潮流需要对非线性最优潮流问题进行重复求解，计算量较大，从而限制了其应用。提出一种基于特征降维、分块和深度神经网络辅助预测的最优潮流两阶段求解方法。在第一阶段，提出基于深度神经网络的最优潮流部分关键决策变量的优先辨识策略，以解决深度学习中因特征维度过高而导致的数值湮没问题，进而以最优潮流的结果特征为导向，基于关联性分析和聚类分析挖掘最优潮流输入与输出特征的关联性匹配度，并构建样本数据的分块特征库，以降低学习难度。在第二阶段，利用深度神经网络完成部分关键决策变量的分块映射，基于潮流模型恢复剩余状态变量，并对计算结果不收敛、不满足约束的情况进行修正，以恢复可行性。根据最优潮流两阶段求解方法构建概率最优潮流求解方法。仿真结果表明所提方法在最优潮流、概率最优潮流的求解速度和求解精度上均有较好的表现。