基于机器学习的地基云图分类研究进展

基于机器学习的地基云图分类是光伏发电功率预测的关键技术。该技术主要通过传统机器学习和深度学习方法对地基云图特征提取提升地基云图分类准确率。全文归纳了地基云图分类标准和云图采集设备;简要介绍了地基云图分类数据集;从传统机器学习和深度学习两方面详细论述了典型的地基云图分类方法;比较了不同方法在Kiel F和MGCD地基云图分类数据集上的性能;最后对现有地基云图分类方法进行了总结,并针对目前地基云图分类面临的挑战进行了展望。     

融合通道位置注意力机制和并行空洞卷积的人脸年龄合成

目的 人脸年龄合成旨在合成指定年龄人脸图像的同时保持高可信度的人脸,是计算机视觉领域的热门研究方向之一。然而目前主流人脸年龄合成模型过于关注纹理信息,忽视了与人脸相关的多尺度特征,此外网络存在对身份信息筛选不佳的问题。针对以上问题,提出一种融合通道位置注意力机制和并行空洞卷积的人脸年龄合成网络（generative adversarial network（GAN）composed of the parallel dilated convolution and channel-coordinate attention mechanism,PDA-GAN）。方法 PDA-GAN基于生成对抗网络提出了并行三通道空洞卷积残差块和通道—位置注意力机制。并行三通道空洞卷积残差块将3种膨胀系数空洞卷积提取的不同尺度人脸特征融合,提升了特征尺度上的多样性和总量上的丰富度;通道—位置注意力机制通过对人脸特征的长度、宽度和深度显著性计算,定位图像中与年龄高度相关的通道和空间位置区域,增强了网络对通道和空间位置上敏感特征的表达能力,解决了特征冗余问题。结果 实验在Flickr高清人脸数据集（Flickr-faces-high-quality,FFHQ）上训练,在名人人脸属性高清数据集（large-scale celebfaces attributes dataset-high quality,Celeba-HQ）上测试,将本文提出的PDA-GAN与最新的3种人脸年龄图像合成网络进行定性和定量比较,以验证本文方法的有效性。实验结果表明,PDA-GAN显著提升了人脸年龄合成的身份置信度和年龄估计准确度,具有良好的身份信息保留和年龄操控能力。结论 本文方法能够合成具有较高真实度和准确性的目标年龄人脸图像。     

高温液态水中烟腈水解反应动力学

为了开发烟酸和烟酰胺的绿色制备方法以及探讨高温液态水中腈类物质的水解规律,研究了高温液态水中烟腈的无催化水解反应动力学.考察了实验数据的重现性以及烟腈初始质量浓度对反应动力学的影响,测定了48315～52315 K下烟腈及其水解的中间产物烟酰胺的水解反应动力学数据.结果表明,在不同的实验条件下,烟腈水解可以高选择性地得到烟酰胺或烟酸;烟腈水解为一级连串反应;烟腈和烟酰胺水解反应活化能分别为652和858 kJ/mol;本研究为烟酸和烟酰胺的绿色制备以及高温液态水中腈类化合物水解规律的探讨提供了重要的基础数据.     

微纳光栅结构提高OLED器件性能的研究

有机发光二极管(organic light emitting diode, OLED)具有重量轻、功耗低、 响应时间快及具有柔性等特点,在平板显示 及固态照明等方面均显现出巨大的优势。为进一步提高OLED器件性能,本文利用ExpertOLED 仿真软 件对具有不同光栅结构的实际OLED器件进行仿真模拟,分析不同结构的微纳光栅对双金属电 极OLED 器件电致发光((electroluminescent,EL)光谱、发光视角及器件内部电场强度分布的影响。通过优化,得到增强 器件发光强度 和拓宽发光视角的微纳光栅结构。在不同的光栅周期下,改变光栅高度对器件的发光性能有 不同的影响。 调节发光层中分子偶极取向,优化器件内部电场强度分布,可进一步对器件的发光性能进行 优化,从而为实验上利用周期性微纳光栅结构提高OLED器件性能提供了具有价值的参考。     

近临界水中苯乙腈无催化水解反应动力学

为了开发苯乙酸的绿色制备工艺,系统地研究了近临界水中苯乙腈的无催化水解反应动力学.在研究了实验数据的重现性以及苯乙腈初始浓度对反应动力学影响之后,系统地测定了523.15～563.15 K下苯乙腈及其分解的中间产物苯乙酰胺的水解反应动力学数据,结果表明苯乙腈水解反应是典型的连串反应,以苯乙酰胺为中间产物.且能高选择性地得到最终产物苯乙酸.并以一级连串反应动力学模型对实验数据进行了拟合,得到了苯乙腈和苯乙酰胺水解反应活化能分别为64.4 kJ·mol-1和82.4 kJ·mol-1.论文工作为苯乙酸的绿色制各提供了重要的基础数据,同时能为其他腈类物质在近临界水中的水解提供参考.     

自监督E-Swin的输电线路金具检测

目的 输电线路金具种类繁多、用处多样，与导线和杆塔安全密切相关。评估金具运行状态并实现故障诊断，需对输电线路金具目标进行精确定位和识别，然而随着无人机巡检采集的数据逐渐增多，将全部数据进行人工标注愈发困难。针对无标注数据无法有效利用的问题，提出一种基于自监督E-Swin Transformer （efficient shifted windows Transformer）的输电线路金具检测模型，充分利用无标注数据提高检测精度。方法 首先，为了减少自注意力的计算量、提高模型计算效率，对Swin Transformer自注意力计算进行优化，提出一种高效的主干网络E-Swin。然后，为了利用无标注金具数据加强特征提取效果，针对E-Swin设计轻量化的自监督方法，并进行预训练。最后，为了提高检测定位精度，采用一种添加额外分支的检测头，并结合预训练之后的主干网络构建检测模型，利用少量有标注的数据进行微调训练，得到最终检测结果。结果 实验结果表明，在输电线路金具数据集上，本文模型的各目标平均检测精确度（AP⁵⁰）为88.6%，相比传统检测模型提高了10%左右。结论 本文改进主干网络的自注意力计算，并采用自监督学习，使模型高效提取特征，实现无标注数据的有效利用，构建的金具检测模型为解决输电线路金具检测的数据利用问题提供了新思路。