基于沙戈荒新能源送出特性的特高压工程知识图谱构建技术研究

为了解决直流系统中工况变动及负载变更条件下造成的故障电弧识别准确率低的问题,提出了一种基于自适应噪声的完全集合经验模态分解-希尔伯特（complete ensemble empirical mode decomposition with adaptive noise-Hilbert transform, CEEMDAN-HT）包络谱和堆叠自编码器（stacking automatic encoder,SAE）的直流串联故障电弧诊断方法。首先参考雄安高铁站区直流系统典型负载搭建含混合负载的直流串联故障电弧实验平台,采集多工况下的电流信号并建立故障电弧数据库。其次采用CEEMDAN对原始信号进行分解得到多个固有模态函数（intrinsic mode function,IMF）,然后进行HT变换Hilbert transform）分析包络谱,组成首尾相接的高维特征样本,最后将样本输入SAE模型中学习特征,实现变负载下的直流故障电弧识别。实验结果表明：该方法能够很好地发挥CEEMDAN-HT从原始信号中提取故障电弧特征和SAE无监督学习的能力,不需要人工设置阈值即可准确识别故障电弧并进行负载分类,平均准确率可达98.9%。     

引入自监督机制的燃料电池水管理系统健康状态检测方法EI北大核心CSCD

为保证质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)运行过程中的安全性和平稳性,该文提出一种引入自监督机制的燃料电池水管理系统健康状态检测方法。该方法的计算网络引入自监督机制挖掘数据特征,具体通过堆叠两层稀疏收缩自编码器(sparse contractive autoencoder,SCAE)实现功能。该自编码网络以逐层贪婪训练的方式完成参数初始化,避免因初值取值不佳使得网络参数训练陷入局部最优解。同时,改进的自编码网络也能有效避免模型过拟合,从而达到良好的特征提取效果。用Softmax分类器替换最后一个自编码器的输出层,然后运用Adadelta算法进行基于自适应学习率的自编码网络权值微调,从而完成系统识别网络的搭建。该算法根据梯度动态调节学习率大小,使得网络权值快速逼近符合数据特点的最佳取值。实验结果表明,该方法能快速准确地识别PEMFC正常、水淹和膜干3种状态,检测正确率高达98.5%,检测时间为3.24s。与线性判别分析-概率神经网络(linear discriminant analysis-probabilistic neural network,LDAPNN)、稀疏自编码器-支持向量机(sparse autoencodersupport vector machine,SAE-SVM)和主成分分析-向后传播神经网络(principal component analysis-backpropagation neural network,PCA-BPNN)方法相比,所提方法计算时间分别减少3.08、5.38和7.15s,准确率分别提高7.92、25.08和9.08%。普适性验证表明,该方法对于多节电池的健康状态检测同样适用。     

基于自适应神经网络的磁编码器角度误差补偿算法

针对磁编码器中各类误差导致的解码精度低的问题,在神经网络原理的基础上提出单层自适应神经网络对正余弦信号中存在的幅值不相等、相位不正交、直流偏置、谐波与噪声等误差进行补偿。采用锁相环算法对补偿后的正余弦信号进行解码。电路中采用TLE5501磁阻芯片检测角度变化,利用TL082C运放芯片对信号进行调理,最后采用STM32G431单片机验证算法的性能。通过仿真与试验验证,证明了该算法的有效性与可行性。     

基于重建误差的任务型对话未知意图检测

现有未知意图检测模型通常将语句映射到向量空间,并使用局部异常因子算法定义密度较小的特征点为未知意图,但经交叉熵损失训练的已知意图特征簇更加狭长,簇内的整体间距、密度和分散情况不均匀,进而增加了检测难度。针对上述问题,提出一种基于自动编码器重建误差的未知意图检测模型。在训练阶段,使用融入标签知识的联合损失函数训练已知意图分类器,使已知意图特征类间距离大且类内距离小,并利用这些特征训练一个仅能获取已知意图信息的自动编码器。在测试阶段,利用自动编码器将重建误差较大的样本视为未知意图,其余样本视为已知意图正常分类。在SNIPS数据集上的实验结果表明,在已知意图占比为25%、50%、75%时,该模型的Macro F1得分相比于表现最优的增强语义的高斯混合损失基线模型分别提升了16.93%、1.14%和2.37%,能够检测到更多的未知意图样本,同时在类别分布极不平衡的ATIS数据集上也有较好的性能表现。     

基于特征空间多分类对抗机制的红外与可见光图像融合

为突破传统融合规则带来的性能瓶颈,提出一个基于特征空间多类别对抗机制的红外与可见光图像融合网络.相较于现存方法,其融合规则更合理且性能更好.首先,训练一个引入注意力机制的自编码器网络实现特征提取和图像重建.然后,采用生成式对抗网络(generative adversarial network, GAN)在训练好的编码器提取的特征空间上进行融合规则的学习.具体来说,设计一个特征融合网络作为生成器融合从源图像中提取的特征,然后将一个多分类器作为鉴别器.这种多分类对抗学习可使得融合特征同时逼近红外和可见光2种模态的概率分布,从而保留源图像中最显著的特征.最后,使用训练好的译码器从特征融合网络输出的融合特征重建出融合图像.实验结果表明：与最新的所有主流红外与可见光图像融合方法包括GTF, MDLatLRR, DenseFuse, FusionGAN, U2Fusion相比,所提方法主观效果更好,客观指标最优个数为U2Fusion的2倍,融合速度是其他方法的5倍以上.     

局部全局特征耦合与交叉尺度注意的医学图像融合

现有基于深度学习的多模态医学图像融合方法存在全局特征表示能力不足的问题。对此,提出一种基于局部全局特征耦合与交叉尺度注意的医学图像融合方法。该方法由编码器、融合规则和解码器三部分组成。编码器中采用并行的卷积神经网络(CNN)和Transformer双分支网络分别提取图像的局部特征与全局表示。在不同尺度下,通过特征耦合模块将CNN分支的局部特征嵌入Transformer分支的全局特征表示中,最大程度地结合互补特征,同时引入交叉尺度注意模块实现对多尺度特征表示的有效利用。编码器提取待融合原始图像的局部、全局以及多尺度特征表示,根据融合规则融合不同源图像的特征表示后再输入到解码器中生成融合图像。实验结果表明,与CBF、PAPCNN、IFCNN、DenseFuse和U2Fusion方法相比,该方法在特征互信息、空间频率、边缘信息传递因子、结构相似度、感知图像融合质量这5个评价指标上分别平均提高6.29%、3.58%、29.01%、5.34%、5.77%,融合图像保留了更清晰的纹理细节和更高的对比度,便于疾病的诊断与治疗。     

基于注意力机制特征融合的中文命名实体识别

命名实体识别是自然语言处理领域中信息抽取、信息检索、知识图谱等任务的基础。在命名实体识别任务中,Transformer编码器更加关注全局语义,对位置和方向信息不敏感,而双向长短期记忆（BiLSTM）网络可以提取文本中的方向信息,但缺少全局语义信息。为同时获得全局语义信息和方向信息,提出使用注意力机制动态融合Transformer编码器和BiLSTM的模型。使用相对位置编码和修改注意力计算公式对Transformer编码器进行改进,利用改进的Transformer编码器提取全局语义信息,并采用BiLSTM捕获方向信息。结合注意力机制动态调整权重,深度融合全局语义信息和方向信息以获得更丰富的上下文特征。使用条件随机场进行解码,实现实体标注序列预测。此外,针对Word2Vec等传统词向量方法无法表示词的多义性问题,使用RoBERTa-wwm预训练模型作为模型的嵌入层提供字符级嵌入,获得更多的上下文语义信息和词汇信息,增强实体识别效果。实验结果表明,该方法在中文命名实体识别数据集Resume和Weibo上F1值分别达到96.68%和71.29%,相比ID-CNN、BiLSTM、CAN-NER等...     

基于One-Shot聚合自编码器的图表示学习

自编码器（AE）是一种高效的图数据表示学习模型,但大多数图自编码器（GAE）为浅层模型,其效率会随着隐藏层的增加而降低。针对上述问题,提出基于One-Shot聚合（OSA）和指数线性（ELU）函数的GAE模型OSA-GAE和图变分自编码器模型OSA-VGAE。首先,利用多层图卷积网络（GCN）构建编码器,并引入OSA和ELU函数;然后,在解码阶段使用内积解码器恢复图的拓扑结构;此外,为了防止模型训练过程中的参数过拟合,在损失函数中引入正则化项。实验结果表明,OSA和ELU函数可以有效提高深层GAE的性能,改善模型的梯度信息传递。在使用6层GCN时,基准引文数据集PubMed的链接预测任务中,深层OSA-VGAE相较于原始的VGAE在ROC曲线下的面积（AUC）和平均精度（AP）上分别提升了8.67和6.85个百分点,深层OSA-GAE相较于原始的GAE在AP和AUC上分别提升了6.82和4.39个百分点。     

基于姿态编码器的2D/3D脊椎医学图像实时配准方法

2D/3D医学图像配准是骨科手术三维实时导航中的一项关键技术,然而传统的基于优化迭代的2D/3D配准方法需要经过多次迭代计算,无法满足医生在手术过程中对于实时配准的要求。针对该问题,提出一种基于自编码器的姿态回归网络来通过隐空间解码捕获几何姿态信息,从而快速地回归出术中X射线图像对应的术前脊椎位置的3D姿态,并经过重新投影生成最终的配准图像。通过引入新的损失函数,以“粗细”结合配准的方式对模型进行约束,保证了姿态回归的精确度。在CTSpine1K脊椎数据集中抽取100组CT扫描图像进行10折交叉验证,实验结果表明：所提出的模型所生成的配准结果图像与X射线图像的平均绝对误差（MAE）为0.04,平均目标配准误差（mTRE）为1.16 mm,单帧耗时1.7 s。与基于传统优化的方法相比,该模型配准时间大幅缩短。相较于基于学习的方法,该模型在快速配准的同时,保证了较高的配准精度。可见,所提模型可以满足术中实时高精配准的要求。     

双路自编码器的属性网络表示学习

属性网络表示学习的目的是在保证网络中节点性质的前提下,结合结构和属性信息学习节点的低维稠密向量表示。目前属性网络表示学习方法忽略了网络中属性信息的学习,且这些方法中的属性信息与网络拓扑结构的交互性不足,不能高效融合网络结构和属性信息。针对以上问题,提出一种双路自编码器的属性网络表示学习（DENRL）算法。首先,通过多跳注意力机制捕获节点的高阶邻域信息;其次,设计低通拉普拉斯滤波器去除高频信号,并迭代获取重要邻居节点的属性信息;最后,构建自适应融合模块,通过结构和属性信息的一致性及差异性约束来增加对重要信息的获取,并通过监督两个自编码器的联合重构损失函数训练编码器。在Cora、Citeseer、Pubmed和Wiki数据集上的实验结果表明,与DeepWalk、ANRL(Attributed Network Representation Learning)等算法相比,DENRL算法在3个引文网络数据集上聚类准确率最高、算法运行时间最少,在Cora数据集上聚类准确率为0.775和运行时间为0.460 2 s;且DENRL算法在Cora和Citeseer数据集上链路预测精确率最高,分别达到了0...