面向动用计划的车辆装备备件预测研究

针对动用计划下的车辆装备备件的消耗特点,研究了车辆装备维修备件消耗量和库存控制两个预测优化问题。考虑动用计划期内车辆装备的预防性维修和修复性维修,实现定时定程维修和自然随机故障维修下装备维修备件的消耗量的预测。在此基础上,根据备件库存检查方式的特点,建立基于定期检查策略的联合补货库存控制模型,根据模型的结构特点确定决策变量界限,并利用多类种群位置更新方式改进了果蝇优化算法。仿真结果表明,改进的果蝇优化算法具有良好的求解效率,本文所提出的优化方法可为车辆维修保障资源优化提供决策依据。     

医学知识增强的肿瘤分期多任务学习模型

肿瘤分期是指从病人的电子病历文本中推测肿瘤对应阶段的过程。在电子病历数据中存在类别严重不均衡现象,因此使用深度学习方法进行肿瘤分期具有一定的挑战性。该文提出医学知识增强的多任务学习KEMT(knowledge enhanced multi-task) 模型,将肿瘤分期问题视作面向医疗电子病历的文本分类任务,同时引入医生在人工预测肿瘤分期时参考的医学属性,提出基于医学问题的机器阅读理解任务,对上述两种任务进行联合学习。我们与医疗机构合作构建了真实场景下的肿瘤分期的数据集,实验结果显示,KEMT模型可以将医学知识与神经网络结合起来,预测准确率高于传统的文本分类模型。在数据分布不均衡的条件下,在小样本类别上的准确率提升了4.2个百分点,同时模型也具有一定的解释性。     

网络中多节点故障定位的探测路径选择算法

针对现有故障定位技术不能满足多节点故障定位的要求,尤其当网络中存在大量故障节点时,提出了一种基于主动探测的探测路径选择算法。该算法主要包括用于故障检测的贪婪路径选择算法和用于故障定位的禁忌链路搜索算法。在故障检测阶段,使用贪婪路径选择算法迭代地选择具有最小权重的探测路径覆盖网络中的节点。在故障定位阶段,使用禁忌链路搜索算法多次生成候选路径集以选择最合适的探测路径来解决多节点故障定位问题。在随机网络拓扑和真实网络拓扑上的仿真结果表明,与现有的节点故障定位算法相比,探测路径选择算法具有更高的成功定位率和更低的探测成本。     

基于智能计算的脑机制研究

解析脑认知原理和脑疾病的发病机制已是当下脑科学研究的热点。智能计算在脑影像领域的应用可为认知心理学研究、脑疾病的识别和干预以及类脑智能理论研究等提供借鉴和参考。本文介绍利用智能影像计算方法在识别脑认知网络成分、构建脑有向连接模型、预测认知行为变化、构建心理过程神经表征等方面的工作,并对未来相关研究进行展望。     

融合视觉显著性再检测的孪生网络无人机目标跟踪算法

针对旋翼飞行器在跟踪过程中目标尺度变化、快速运动、视角变化等问题,本文提出了一种基于MobileNetV2的孪生网络目标跟踪算法,可在无人机机载处理器上实时运行。该算法主要包含目标得分估计模块与目标尺度估计模块两个部分。结合多特征融合的策略,可准确预测出目标位置与目标框IoU,同时以目标框IoU为指导,利用梯度上升法对目标框进行迭代修正,进一步提升预测精度。针对完全遮挡而导致的目标跟丢问题,本文设计了一个基于视觉显著性的目标再检测算法,该算法可实时高效地预测出图像的显著性区域,以指导对目标的再检测,进而恢复跟踪。最后,通过标准无人机跟踪数据集测试与实际无人机跟踪实验,验证了算法的可行性。     

基于图嵌入的自适应多视降维方法

随着监控摄像头的普及和数据采集技术的快速发展,多视数据呈现出规模大、维度高和多源异构的特点,使得数据存储空间大、传输慢、算法复杂度高,造成“有数据、难利用”的困境。到目前为止,国内外在多视降维方面的研究还比较少。针对这一问题,本文提出一种基于图嵌入的自适应多视降维方法。该方法在考虑视角内降维后数据重构原始高维数据的基础上,提出自适应学习相似矩阵来探索不同视角之间降维后数据的关联关系,学习各视数据的正交投影矩阵实现多视降维任务。本文在多个数据集上对降维后的多视数据进行了聚类/识别实验验证,实验结果表明基于图嵌入的自适应多视降维方法优于其他降维方法。     

面向车规级芯片的对象检测模型优化方法

卷积神经网络复杂的网络结构使得模型计算复杂度高,限制了其在自动驾驶等实际终端场景中的应用。针对终端场景下的计算资源受限的问题,本文从轻量化深度模型设计和车规级芯片模型部署验证两方面进行研究。针对深度模型计算效率和检测精度的矛盾,本文设计了基于中心卷积的轻量化对象检测模型,实现功耗低且精度高的模型性能。进一步,本文基于量化感知训练的模型加速部署方法在车规级芯片上开展了系统级部署验证,在车规级芯片tda4上成功实现了高效的对象检测模型,在自动驾驶场景中取得了良好的性能。     

对抗样本三元组约束的度量学习算法

针对已有三元组约束的度量学习算法大多利用先验知识构建约束,一定程度上制约了度量学习算法性能的问题,本文借鉴对抗训练中样本扰动的思想,在原始样本附近学习对抗样本以构造对抗三元组约束,基于对抗三元组和原始三元组约束构建了度量学习模型,提出了对抗样本三元组约束的度量学习算法(metric learning algorithm with adversarial sample triples constraints,ASTCML)。实验结果表明,提出的算法既克服了已有固定约束方法受先验知识影响大的问题,也提高了分类精度,说明区分更加难以区分的三元组约束能够提升算法的性能。     

地铁车站轨排井扶壁柱控制弯矩理论计算与讨论

地铁车站扶壁柱柱底控制弯矩与轨排井位置关系的理论研究成果非常有限,设计人员对其规律缺乏定量认识,难以兼顾轨排井使用便利性与结构设计的安全经济性。在适当假定的前提下,抽象出了轨排井扶壁柱控制弯矩计算简图,分析推导了扶壁柱在水土压力等荷载作用下柱底控制弯矩近似解析解,通过二维有限元模拟验证了推导公式的正确性,并采用三维整体模型分析证明了假定的合理性及解析解的工程适用性。进一步地利用解析解公式得到了扶壁柱柱底弯矩对柱梁刚度比变化的敏感区,有助于设计人员确定合理柱梁刚度比,改善结构受力节省工程造价,可为地铁车站轨排井设计提供借鉴及思考。     

强夯法处理湿陷性风积砂土地基评价

工程界关于“湿陷性”的相关规范、研究成果主要集中在黄土,而对于“湿陷性砂土”则存在一定的缺失,可参考工程处理案例很少。以巴基斯坦塔尔沙漠某在建电厂场地地基处理工程为依托,基于强夯前后地基土检测、试验数据分析,对强夯法处理湿陷性砂土地基效果进行评价。试验结果及分析表明:强夯后风积砂土的干密度增大,孔隙比减小,压缩模量提高,基本可以消除湿陷性,是一种快速有效的处理湿陷性风积砂土地基的方法,对类似工程地基土的处理具有很好的借鉴及指导意义。