激光水下成像技术及其进展

介绍了近年发展起来的三种主要的激光水下成像方法，即常规水下激光成像、高分辨率水下激光三维成像和偏振激光成像，分析了它们各自的工作原理、特点以及各自的发展状况。     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.     

基于ATLG混合模型的股票价格预测

股市是金融市场的重要组成部分,对股票价格预测有着重要的意义.同时,深度学习具有强大的数据处理能力,可以解决金融时间序列的复杂性所带来的问题.对此,本文提出一种结合自注意力机制的混合神经网络模型(ATLG).该模型由长短期记忆网络(LSTM)、门控递归单元(GRU)、自注意力机制构建而成,用于对股票价格的预测.实验结果表明:(1)与LSTM、GRU、RNN-LSTM、RNN-GRU等模型相比, ATLG模型的准确率更高;(2)引入自注意力机制使模型更能聚焦于重要时间点的股票特征信息;(3)通过对比,双层神经网络起到的效果更为明显.(4)通过MACD (moving average convergence and divergence)指标进行回测检验,获得了53%的收益,高于同期沪深300的收益.结果证明了该模型在股票价格预测中的有效性和实用性.     

采用注意力门控卷积网络模型的目标情感分析

针对传统目标情感分析采用循环神经网络模型导致训练时间长且其他替代模型未能使得上下文和目标词之间实现良好交互等问题,提出了一种用于目标情感分析的注意力门控卷积网络模型。该模型首先将上下文和目标词通过多头注意力机制加强上下文和目标词之间的交互;其次采用门控卷积机制进一步提取关于目标词的情感特征;最后通过Softmax分类器将情感特征进行分类,输出情感极性。实验结果显示,与循环神经网络模型中准确率最高的循环注意力网络模型相比,在SemEval 2014任务四的餐厅和笔记本电脑数据集上的准确率分别提高了1.29%和0.12%;与循环神经网络模型中收敛速度较快的基于注意力的长短期记忆网络模型相比,收敛时间下降了约29.17s。     

轮询多址通信系统的门限服务分析方法

针对多个用户共享一个统计复用的系统时,在轮询多址通信系统的门限服务中,必须采用适当的服务规则（如预约或轮询）的问题。采用嵌入马尔可夫链理论和概率母函数的方法,对轮询排队系统的门限服务用两种不同的分析方法进行分析,得到了相同的门限服务排队系统的平均排队队长和平均循环周期的解析结果。计算机模拟结果表明了仿真与理论的一致性。     

基于VMD与改进QRGRU的超短期风电功率概率预测

风电功率概率预测是分析未来风电功率不确定性的有效方法之一。为提高风电功率概率预测精度,文中提出基于变分模态分解(VMD)与改进门控循环单元分位数回归(QRGRU)的超短期风电功率概率预测方法。首先,采用VMD将原始风电功率序列分解成不同特征的模态函数;然后,对每个模态函数分别建立基于QRGRU的概率预测模型,并将变量间的网络结构约束作为目标函数的惩罚项,改进QRGRU权重在迭代修正过程中的平稳性;最后,在不同分位数条件下叠加各个模态函数预测值,并采用非参数核密度估计方法得到未来风电功率的概率密度函数。结合某风电场实测数据开展具体算例分析,结果表明所提方法能够兼顾区间覆盖率,减少区间宽度,在不同预测步长中均能表现较好的预测效果。     

基于改进UNETR++的肝脏分割

肝脏MRI影像的脂肪定量标准化过程中常需要对肝脏感兴趣区域进行手工采样, 但手工采样策略耗时且结果多变. 基于深度学习方法的全肝分割与手工勾勒的感兴趣区域在进行脂肪定量分析时, 变异性误差和不确定性程度更低, 性能更优越. 在进行全肝分割任务时, 为了提升分割性能, 本文在UNETR++模型的基础上, 进行改进. 该方法融合卷积神经网络和Transformer结构各自的优点, 增加卷积结构分支用于补足局部特征, 同时引入门控注意力机制, 抑制不相关的背景信息, 使模型更为突出分割区域的显著特征. 相比于UNETR++及其他分割模型, 改进的方法具有更优的DCS及HD₉₅指标.     

基于量子加权多层级GRU神经网络的综合能源 系统多元负荷短期预测

针对综合能源系统多元负荷短期预测问题,提出一种基于量子加权多层级GRU(quantum weighted multi hierarchy gated recurrent unit, QWMHGRU)神经网络的多元负荷短期预测模型。采用最大信息系数对多元负荷间和负荷与天气因素间的相关性进行分析,选取模型输入量。然后改进GRU的门控结构,形成多层级门控循环单元(multi hierarchy gated recurrent unit, MHGRU),并将量子加权神经元引入MHGRU,构成QWMHGRU多变量负荷预测模型。仿真算例结果表明,QWMHGRU多元负荷预测模型在夏季和冬季的权重平均精度均可达97%以上,相比MHGRU、QWGRU和GRU模型具有更高的预测精度。     

基于GFU和分层LSTM的组群行为识别研究方法

提出一种以"关键人物"为核心，使用门控融合单元（GFU，Gated Fusion Unit）进行特征融合的组群行为识别框架，旨在解决两个问题：①组群行为信息冗余，重点关注关键人物行为特征，忽略无关人员对组群行为的影响；②组群内部交互行为复杂，使用GFU有效融合以关键人物为核心的交互特征，再通过LSTM时序建模成为表征能力更强的组群特征.最终，通过softmax分类器进行组群行为类别分类.该算法在排球数据集上取得了86.7%的平均识别率.     

时序行为提名的上下文信息融合方法

在针对视频的人体活动定位和识别领域中,现有的时序行为提名方法无法很好地解决行为特征长期依赖性而导致提名召回率较低.针对此问题,提出了一种上下文信息融合的时序行为提名方法.该方法首先采用三维卷积网络提取视频单元的时空特征,然后采用双向门控循环网络构建上下文关系预测出时序行为区间.针对门控循环单元(GRU)存在参数较多和梯...