课程文献中心 更多>>

关键词： 无线场景识别   多模态神经网络   场景聚类   可解释性分析  

摘要： 随着网络环境和结构日益复杂,无线网络场景识别在优化网络性能、提高用户体验和降低运营成本等方面具有重要意义。首先,本文提出了一种多模态无线场景识别神经网络,融合数字孪生仿真和现网通信数据,建立全网无线小区的场景聚类模型。然后,基于场景聚类标签训练梯度提升树,完成场景聚类的重要特征提取和可解释性分析。最后,利用所提出的无线场景识别方法,在无线参数优化领域进行试点应用,实现5G到4G切换成功率质差小区自动优化比例72%,5G网络侧语音回落成功率质差小区自动优化比例77%。实验结果表明,该无线场景识别方法能为5G网络的优化和改进提供重要参考。

关键词： 麻雀搜索算法   电力数据   中心网络   入侵检测   分布式框架   关联规则   行为等级  

摘要： 中心网络体系能否准确检测出电力入侵数据的行为等级,决定了电力网络是否具有持续稳定运行的能力。为更好维护电力网络的运行稳定性,对基于麻雀搜索算法的电力数据中心网络入侵安全检测方法展开研究,推导电力数据入侵行为判定标准,实现基于麻雀搜索算法的电力数据入侵行为预测。搭建分布式检测框架,通过分析电力入侵数据安全性等级的方式,生成具体的关联性安全检测规则,完成基于麻雀搜索算法的电力数据中心网络入侵安全检测方法的设计。试验结果表明,麻雀搜索算法作用下,风险性等级条件与电力入侵数据的实际行为等级完全相同,符合准确检测的应用需求,能够较好维护电力网络的运行稳定性。

关键词： 智能通信网络   电力继电保护   抗干扰   优化设计  

摘要： 智能通信网络在继电保护中的多方位优化设计是实现电力系统高效、安全运行的关键。通过深入分析智能通信技术在继电保护中的作用机制和实际应用效果,阐述如何利用先进的技术优化通信网络的结构、提升数据传输技术,以及应用人工智能技术进行干扰识别与处理。通过实验测试验证了网络优化策略在提高电力继电保护系统的性能和抗干扰能力方面的有效性,结果表明优化后的网络保持了快速的数据处理速度和稳定的系统吞吐量。这不仅对提高电力系统的运行效率和可靠性具有重要意义,而且为电力系统设计、运维及未来技术开发提供了宝贵的参考。

关键词： 葛根   异黄酮   化学成分   结构鉴定   网络药理学  

摘要： 目的 研究葛根中的异黄酮类化学成分,结合网络药理学探究其治疗糖尿病的作用机制。方法 利用大孔树脂、C_(18)柱色谱和制备高效液相色谱等技术,从葛根80%乙醇提取物中分离纯化得到单体成分,通过NMR等波谱分析进行结构鉴定。利用PubChem和GeneCards等数据库预测所鉴定成分的糖尿病治疗靶点及通路,对核心基因进行GO和KEGG富集分析,并使用Cytoscape软件构建“成分-靶点-通路-疾病”网络图。结果 共分离得到15个异黄酮类化合物,分别鉴定为3'-甲氧基大豆苷元(1)、葛根素-4'-O-β-D-葡萄糖苷(2)、6''-O-丙二酰基大豆苷(3)、葛根素-6''-O-木糖苷(4)、黄豆黄苷(5)、3'-甲氧基大豆苷(6)、葛根素(7)、3'-甲氧基葛根素(8)、大豆苷元(9)、葛根素芹菜糖苷(10)、美佛辛-4'-O-葡萄糖苷(11)、3'-羟基葛根素芹菜糖苷(12)、大豆素-7,4'-二葡萄糖苷(13)、芒柄花苷(14)和二氢大豆苷(15)。利用15个化合物筛选出葛根治疗糖尿病的111个潜在靶点,确定化合物3和化合物15分别作用于CASP3和PRKCA两个关键靶点。结论 化合物15为首次从葛属中分离得到的异黄酮类化合物,网络药理学研究结果为葛根治疗糖尿病的研究提供思路。

关键词： 城市污水处理   氨氮浓度预测   神经网络   特征提取   优化   算法  

摘要： 为解决城市污水处理过程出水氨氮浓度难以实时精准测量的问题,构建了一种融合卷积层和注意力机制的长短期记忆网络(convolutional layer and squeeze-and-excitation attention mechanism based long short-term memory network,CSA-LSTM)模型。首先,通过引入卷积层(convolutional layer,CL)深度提取数据中的非线性特征,并通过注意力机制(squeeze-and-excitation attention mechanism,SEAM)自适应分配特征通道的权重,实现特征解耦;其次,长短期记忆网络(long short-term memory network,LSTM)提取时间序列数据长期依赖关系,实现出水氨氮浓度的实时预测;然后,提出一种具有自适应采集函数的贝叶斯优化算法,实现模型参数优化,进一步提高模型精度;最后,基于基准实验和实际污水处理厂数据测试CSA-LSTM的有效性。结果表明,模型具有较高的出水氨氮浓度预测精度,能够有效应对城市污水处理中数据的强非线性、耦合性以及时间依赖性问题,具有良好的泛化能力。

关键词： 故障诊断   轴箱加速度   CEEMDAN-WVD联合时频分析法   一维卷积神经网络  

摘要： 针对同一识别算法下不同损伤类型以及损伤程度识别准确率低的问题,提出一种多尺度融合特征与一维卷积神经网络(One-dimensional Convolution Neural Network,1D-CNN)相结合的车轮损伤诊断方法。利用完全噪声辅助聚合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)和魏格纳-维尔分布(Wigner-Ville Distribution,WVD)联合时频分析方法,对轴箱加速度信号进行融合特征提取,将提取到的多维度融合特征作为样本输入,构建适合车轮踏面损伤诊断的CNN模型,对样本中的不同损伤类型和损伤程度进行分类识别。经仿真分析和实验验证表明:所提出的多维度融合特征对于不同车速下的损伤类型以及损伤程度都有很好的识别能力,识别准确率可达到98%,且鲁棒性强,可为车轮踏面损伤识别和评估提供新的方法。

关键词： 高光谱成像技术   自适应增强网络算法   水蜜桃   产地溯源   机器学习  

摘要： 目的基于高光谱成像技术和自适应增强网络(adaptive boosting,AdaBoost)算法建立最佳的不同产地的水蜜桃分类模型。方法本研究采集了来自无锡、徐州和宁波3个不同产地的‘白凤’水蜜桃高光谱图像,通过提取感兴趣区域获得各产地的光谱信息,并利用提取的光谱信息进行建模。分别比较在3种预处理方法下的AdaBoost、随机森林、长短期记忆网络、径向基函数神经网络产地分类模型,并选出最优模型。随后,利用连续投影算法(successive projections algorithm,SPA)和无信息变量剔除进行特征波长的提取,以进一步优化模型。结果实验结果表明,全光谱下基于标准正态变量(standard normal variate,SNV)预处理的AdaBoost模型分类效果最好,训练集和测试集的准确率分别达到100.0%和98.7%,召回率和F1值分别为95.8%和97.9%。在对AdaBoost模型采用SPA提取9个特征波长后,SPA-SNV-AdaBoost模型训练集和测试集准确率都达到了100.0%,召回率和F1值也达到100.0%。结论本研究基于高光谱成像技术和AdaBoost算法,构建了一种全新的水蜜桃不同产地分类模型,经过预处理和特征提取,该模型获得了较高的精度,能够有效地进行水蜜桃产地溯源,为水蜜桃品牌鉴别真伪打下了坚实的基础。

关键词： 卷积神经网络   数据分析   气候预测模型  

摘要： 随着人工智能技术的快速发展,卷积神经网络(CNN)已成为处理复杂数据集的有效工具。在气象领域,CNN的应用尤其显著,它不仅提高了数据分类的准确性,还在回归分析中展现了卓越的性能。本文综述了国内外在利用CNN进行气象数据分析方面的研究进展,探讨了CNN在气象模式预测、卫星图像、雷达回波、多模态数据处理、环境监测、农业气象等领域的应用,并讨论了未来研究的可能方向。

关键词： 通信网络工程   技术管理   创新   优化策略   挑战与解决方案  

摘要： 随着通信技术的不断发展,对通信网络工程技术管理与创新需求也日益显著。本文首先对通信网络工程技术现状进行了研究,并对现有网络管理策略进行了评估。研究发现,当前通信网络面临的难题在于管理策略的不尽完善以及创新技术的应用限制。针对这些问题,本文提出了创新管理策略,通过对核心要素的讨论,挖掘其对通信网络性能改善的可能性。实证表明不同的管理策略对网络优化具有显著不同的影响。最后,本文研究了创新技术发展与应用,探讨了其对通信网络工程管理的影响,同时也对创新技术带来的潜在挑战与解决方案进行了讨论。研究发现,应用创新技术虽然会带来潜在的挑战,但通过科学的管理策略可以解决,并进一步优化通信网络工程的性能。

关键词： 多元时间序列   图神经网络   静态图   动态图   图交互  

摘要： 现有用于多元时序预测的图神经网络模型大多基于预定义图以静态的方式捕捉时序特征,缺少对于系统动态适应和对时序样本之间潜在动态关系的捕捉.提出用于多元时序预测的图神经网络模型(MTSGNN).该模型在一个图学习模块中,采用数据驱动的方式学习时间序列数据的静态图和动态演化图,以捕捉时序样本之间的复杂关系.通过图交互模块实现静态图和动态图之间的信息交互,并使用卷积运算提取交互信息中的依赖关系.利用多层感知机对多元时序进行预测.实验结果表明,所提模型在6个真实的多元时间序列数据集上的预测效果显著优于当前最先进的方法,并且具有参数量较小、运算速度较快的优点.