基于Shuffle-Unet的视网膜血管分割研究

针对传统视网膜血管分割算法检测速度慢,难以应用于实时医疗辅助诊断系统的问题,提出一种轻量型的基于Shuffle-Unet的视网膜血管分割模型。对轻量级模型ShuffleNetV2进行结构剪枝,剪除ShuffleNetV2结构上最后一层卷积层、全局池化层和全连接层,简化模型结构;将剪枝后的ShuffleNetV2作为模型的主干提取网络,降低模型的计算复杂度,提高模型的运行速度;使用随机通道分离操作模块搭建上采样模型结构,增强网络特征传递能力;使用注意力机制模块将模型的第一层特征层输出和上采样层相融合,分别从通道和空间两个维度上增强模型对有效特征的提取。通过DRIVE、CHASE_DB1两个公开数据集与其他视网膜血管分割算法进行对比,有效的证明了Shuffle-Unet模型具有高分割精度和高检测速度的特点。     

基于CEEMD和排列熵的SAR窄带干扰抑制方法

为了有效抑制合成孔径雷达（SAR）系统中常见的窄带干扰（NBI）,本文提出一种基于互补集合经验模态分解（CEEMD）和排列熵（PE）的NBI抑制方法。矩峰度系数法用于检测原始回波中是否存在NBI,对包含NBI的回波使用CEEMD将其分解为一系列本征模态函数（IMF）。计算所有IMF排列熵得到全局阈值以区分NBI和有用信号,并使用去除NBI后的IMF分量重建信号以获得良好聚焦的SAR图像。结果表明：所提方法能有效克服经验模态分解（EMD）带来的模态混叠问题,且干扰抑制性能优于传统频域陷波法及基于EMD的NBI抑制方法。     

基于 QPSO-DBN 集成学习的城轨列车定位研究

高精度的定位是实现列车自动驾驶的重要前提。 针对现有机器学习用于列车定位时,存在特征选取理论依据不足、难 以确定恰当的模型结构,从而导致列车定位数据不稳定、不精确等问题,提出了一种基于集成深度置信网络( deep belief network,DBN)的城轨列车定位新方法。 该方法首先对原始数据集进行预处理,其次利用皮尔逊系数对特征进行筛选,然后基于 Stacking 集成模型,利用量子粒子群算法(quantum particle swarm optimization,QPSO)优化集成模型中 DBN 基学习器的结构。 将 所提出的 QPSO-DBN 集成模型与经典机器学习方法、传统算法优化的集成模型相比,进一步提高了列车的定位精度。 最后,通 过仿真实验验证了所提出模型的优越性。     

基于SEELM多专家模型的分布式光伏系统负荷预测方法

针对分布式光伏系统负荷所具有的非线性和非平稳等数据分布特性,基于神经网络与挂起规则,提出一种基于多模型集成式极限学习机的分布式光伏负荷预测方法。首先,设计多个神经网络作为子专家模型,并随机选取每一个网络的初始输入权值。构建挂起规则,依据数值波动范围在相应时间节点划分各神经网络的类别。针对其中数值波动较大的大误差网络,基于对应数值概率分布实施在线动态更新,以实现训练误差、输入权值的双维度同步优化。最后,将各个子专家模型的优化结果进行整合,并汇总输出,从而降低初始权值选取步骤中潜在误差波动的不利影响。基于某地区实际分布式光伏系统实施实证仿真,结果表明：在光伏负荷高波动这一特殊数据环境下,所提出预测模型在预测精度以及输出稳定性两方面均能够保持一定优势,可进一步推动并改善光伏接入背景下系统负荷预测的性能与效果。     

基于多模式的我国冬季风速预报误差特性分析

风电在我国能源结构转型中具有重要地位,但其波动性也带来严峻挑战。数值模式预报的风速数据是风电出力预测和高效消纳的重要基础,需要评估不同模式的预报效果。本文通过对比分析4种主流数值模式的风速预报效果,全面评估它们在我国冬季不同区域和不同条件下的预报精度,以期为我国冬季大风期风速预报提供参考。基于不同分辨率、不同初始场、不同同化方案的4种数值预报模式,结合我国131个站点观测资料,对预报风速的误差分布特征与预报能力进行了研究与分析;同时聚焦典型站点,分析了不同风速段、不同区域的预报误差特征及预报能力。研究结果表明：集合预报模式的预报结果在复杂地形条件下更科学;高分率单一模式对简单下垫面的风速波动性预报较好;白天预报效果好于夜间;对平原风速预报效果最好。     

Degradation process prediction for rotational machinery based on hybrid intelligent model

Bearings are among the most critical and precise components in rotational machinery. The condition and health of bearings play an important role in the functionality and performance of rotational machinery. Since a neural network ensemble approach shows significantly improved generalization performance and outperforms those of a single neural network, one novel selective neural network ensemble model is developed for bearing degradation process prediction. An improved particle swarm optimization with simulated annealing is proposed to select the optimal subset formed by accurate and diverse networks and obtain a better ability to escape from the local optimum. An experimental setup to perform fatigue testing on ball bearings and several simulations are explored in order to validate the developed prediction model. Experimental results show that degradation process prediction based on the explored selective neural network ensemble model provides a means of enhancing the monitoring of ball bearings' condition, and the results of this model are superior in comparison with the results of a single neural network. This selective neural network ensemble model can be used as one excellent predictive maintenance tool in plants.     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

YOLOv3剪枝模型的多人姿态估计

目的 为了解决复杂环境中多人姿态估计存在的定位和识别等问题,提高多人姿态估计的准确率,减少算法存在的大量冗余参数,提高姿态估计的运行速率,提出了基于批量归一化层（batch normalization,BN）通道剪枝的多人姿态估计算法（YOLOv3 prune pose estimator,YLPPE）。方法 以目标检测算法YOLOv3（you only look once v3）和堆叠沙漏网络（stacked hourglass network,SHN）算法为基础,通过重叠度K-means算法修改YOLOv3网络锚框以更适应行人目标检测,并训练得到Trimming-YOLOv3网络;利用批量归一化层的缩放因子对Trimming-YOLOv3网络进行循环迭代式通道剪枝,设置剪枝阈值与缩放因子,实现较为有效的模型剪枝效果,训练得到Trim-Prune-YOLOv3网络;为了结合单人姿态估计网络,重定义图像尺寸为256×256像素（非正方形图像通过补零实现）;再级联4个Hourglass子网络得到堆叠沙漏网络,从而提升整体姿态估计精度。结果 利用斯坦福大学的MPⅡ数据集（MPⅡ human pose dataset）进行实验验证,本文算法对姿态估计的准确率达到了83.9%;同时,时间复杂度为O（n²）,模型参数量与未剪枝原始YOLOv3相比下降42.9%。结论 结合YOLOv3剪枝算法的多人姿态估计方法可以有效减少复杂环境对人体姿态估计的负面影响,实现复杂环境下的多人姿态估计并提高估计精度,有效减少模型冗余参数,提高算法的整体运行速率,能够实现较为准确的多人姿态估计,并具有较好的鲁棒性和泛化能力。     

不平衡数据多粒度集成分类算法研究

针对传统模型在解决不平衡数据分类问题时存在精度低、稳定性差、泛化能力弱等问题,提出基于序贯三支决策多粒度集成分类算法MGE-S3WD。采用二元关系实现粒层动态划分;根据代价矩阵计算阈值并构建多层次粒结构,将各粒层数据划分为正域、边界域和负域;将各粒层上的划分,按照正域与负域、正域与边界域、负域与边界域重新组合形成新的数据子集,并在各数据子集上构建基分类器,实现不平衡数据的集成分类。仿真结果表明,该算法能够有效降低数据子集的不平衡比,提升集成学习中基分类器的差异性,在G-mean和F-measure1 2个评价指标下,分类性能优于或部分优于其他集成分类算法,有效提高了分类模型的分类精度和稳定性,为不平衡数据集的集成学习提供了新的研究思路。     

ECMWF集合降水预报在长江流域应用性能评估

欧洲中期天气预报中心(ECMWF)集合预报系统被广泛应用于降水预报中,但由于长江流域地形、气候条件复杂,该系统在长江流域的应用性能有待进一步评估。利用2015年4月至2018年6月汛期(4～10月)ECMWF集合预报系统(EPS)输出的降水预报结果和全国2 000多个站日降雨观测资料,基于Brier评分、Talagrand分布、ROC分析等方法,研究了ECMWF集合预报在长江流域降水的预报性能。结果表明:①Talagrand分布表明,模式对小量级的降水预报概率偏高,而对大量级的降水预报概率偏低;ECMWF集合预报系统存在短期预报发散度不够的情况。②Brier评分表明,在同量级降水预报中,预报时效越长,准确性越低;ECMWF集合系统在近4年的降水预报有相对稳定的Brier评分。③ROC分析表明,各个时效,同量级降水预报的准确性差异不大。总体来说,不论离散度还是准确性,ECMWF集合预报系统还存在一定的系统性偏差,需要进行统计后处理订正来消除此类偏差。