课程文献中心 更多>>

关键词： 集成神经网络   碳排放   预测分析   多能网络   调控  

摘要： 多能系统中环节复杂，整合和调度各类能源资源过程中，受系统动态性和不确定的影响，各环节之间往往存在冲突和权衡关系，难以实现能源供需的动态平衡。为此，提出基于集成神经网络的源-网-荷-储多能网络耦合优化调控方法，首先，考虑多能系统中源-网-荷-储多环节的碳排放，全面、准确地实现碳排放评估；其次，结合双向加权GRU神经网络与Bagging集成算法建立集成神经网络，双向加权GRU能够捕捉时间序列数据的前后文信息，Bagging集成算法则通过组合多个弱学习器来降低预测误差，根据碳排放计算结果对多能网络的碳排放展开预测，将其作为调控依据；最后，将碳排放成本效益与发电成本最小化、新能源消纳电量最大化作为优化目标，应用NSGA-II算法求解，实现对复杂多能系统的全面优化调控。实验结果表明，所提方法具有较高的碳排放预测精度，且调控测试显示所提方法能有效提高能源利用率和能源消纳量，提升机组出力稳定性。

关键词： 花生   种子   发育时期   转录组测序   转录因子  

摘要： 为了对花生种子发育过程中的转录因子调控网络进行全面解析，本研究首先对花生果针入土后3个不同发育时期（5 d、25 d、45 d）的种子与荚果进行表型数据测定。随后利用转录组测序进行基因表达量分析，共检测到71 044个基因，其中5198个为新鉴定的转录本。本研究分别于3个不同发育时期鉴定到5159(25vs5)、7714(45vs5)、1712(45vs25)个差异表达基因。差异基因参与的生物学代谢通路富集分析表明，果针入土后25 d的花生种子涉及的代谢通路最多，而果针入土后45 d的花生种子中代谢通路减少，油脂合成占主导地位。此外，基于差异基因谱共筛选出544个转录因子，并以此构建了转录调控网络，结果表明这些转录调控网络主要涉及植物激素信号转导、昼夜节律调控、MAPK信号途径等种子发育相关的重要途径。进一步的研究表明，18个转录因子在种子内特异高表达，且与种子油脂积累相关的转录因子家族ABI、NFYB与WRI的基因表达趋势与种子发育速率呈正相关性，并用qPCR进行验证。本研究基于3个不同发育时期的转录组测序数据构建了花生种子基因表达谱与转录因子互作网络，为探究花生种子发育的分子调控机制提供了参考。

关键词： 神经网络   忆阻器   阻性随机存取存储器   模型剪枝  

摘要： 消除冗余以减少无效计算是加速神经网络和提高计算效率的常用方法。权重剪枝是一种常用的模型压缩方法，其通过去除冗余权重来有效降低计算成本。然而，现有的非结构化剪枝方法没有考虑阻性随机存取存储器(Resistive Random Access Memory,RRAM)的忆阻交叉阵列(Memristive Crossbar Array,MCA)结构；而结构化剪枝方法虽然契合MCA结构，但是其过粗的剪枝粒度容易造成网络精度的下降。本文提出了一种混合粒度剪枝方法，有效地降低了基于RRAM的忆阻神经网络加速器的硬件开销。该方法将权重子矩阵列根据冗余程度不同进行分类，并执行不同的剪枝策略，充分利用卷积神经网络(Convolutional Neural Network,CNN)的冗余性。与现有方法相比，该方法在压缩比和能量效率方面分别提高了2.0倍和1.6倍，并且精度损失更低。

关键词： 音乐厅音质分级评价   机器学习   全连接神经网络   音乐厅参数化设计   音乐厅声学客观参量  

摘要： 为了准确和快速地利用所获得的声学客观参量对音乐厅音质进行评价，文章采用了全连接神经网络（Fully Connected Neural Network, FCNN）方法来构建音乐厅音质分级评价模型，探索了音乐厅设计和音质优化的新方法。文章将音乐厅的3类13种声学客观参量与音乐厅音质效果等级作为输入和输出，用于训练FCNN模型，得到了较精准的音乐厅音质分级评价模型。经过训练的音乐厅音质分级评价模型能够以决定系数R2=1的精度来对音乐厅音质进行行分级评价。相较于传统的音质分级评价方法，基于FCNN的音质分级评价方法计算耗时约为前者的1/10。在此基础上，通过分析FCNN模型中输入层到隐藏层的权重矩阵，同时结合基于机器学习的决策树算法，文章对13种声学客观参量进行了权重优选，最终确定了影响音乐厅音质效果等级的声学客观参量排序。排序结果表明，在音乐厅音质评价中，时间类声学客观参量的权重明显高于其他类声学客观参量的权重。研究发现在实际音乐厅音质评价过程中使用FCNN方法可以减少传统分级评价方法导致的主观性误差影响，该方法可为优化音乐厅设计和提升听众体验提供有力支持。

关键词： 船舶设备   剩余寿命预测   轴承   多任务门控网络预测模型  

摘要： [目的]为实现船舶机械设备中轴承的剩余寿命预测，提出基于双向门控循环单元（BiGRU）、变分自编码器（VAE）和多门控专家混合层（MMoE）的多任务门控网络预测模型。[方法]首先，计算轴承信号时域特征以表征监测数据中的基本退化趋势；然后，建立轴承健康状态（HS）评估和剩余使用寿命（RUL）预测子任务构成多任务门控网络预测模型，子任务中使用BiGRU和VAE提取时域特征趋势信号中的退化信息，再利用MMoE自适应分离子任务的差异特征。最后，在XJTU-SY轴承数据集上进行有效性验证。[结果]结果表明，与长短期记忆网络（LSTM）等经典时序数据预测模型相比，多任务门控网络预测模型的预测精度更高，误差指标MAE和RMSE分别提升62.5%和67.81%。[结论]所提方法可以实现轴承剩余寿命的预测，对船舶机械设备健康管理与智能运维具有一定的参考价值。

关键词： 工业用户   最优可调负荷模型   状态任务网络   Benders分解   可行域  

摘要： 工业用户具有通过需求侧调控为电力系统提供灵活性的巨大潜力。虽然工业生产过程具有复杂的用能机理，但目前已有包括状态任务网络（STN）在内的通用模型可以有效建模一类工业过程的用能约束。然而，STN模型具有大量离散变量且所需参数较多，难以直接嵌入面向海量需求侧灵活性资源的经济调度，阻碍了工业用户灵活性的充分利用。为此，本文面向可用STN模型建模生产过程的工业用户，提出了基于最优可调负荷模型（OALM）的可行域构建方法。首先，利用需求响应时间尺度消除STN模型的整数变量，实现模型线性化；然后，针对工业用户的用电特点，用可调负荷模型近似线性化STN模型，其参数通过鲁棒优化求解以最大化可行域体积，并通过添加功率能量耦合约束解决了现行可行域参数优化的无界问题。算例表明，与高维、含整数变量的原始STN模型相比，低维、线性的OALM在不同的生产计划、时间尺度和电价场景下能保持较高的准确度和稳定性，对于解决工业用户大规模接入负荷侧调控所面临的维数灾难提供了新的思路。

关键词： 桥梁与隧道工程   裂缝识别算法   算法研究   深度学习   两阶段识别算法   卷积神经网络  

摘要： 为解决桥梁裂缝智能识别场景下桥梁表面图像条件复杂、对智能识别算法的识别效果产生严重干扰的问题，提出了“分类筛选-裂缝识别”的两阶段桥梁裂缝识别算法。根据桥检实拍图像的图像特征调整MobilenetV3的网络结构，构建桥梁表面图像的筛选分类模型，实现对背景图像、干扰图像及低质量图像的自动筛除；通过迁移学习方法训练框-网格融合式裂缝识别模型，实现裂缝识别与定位，为进一步的裂缝精细分割、裂缝测量提供条件。算法开发过程中构建了包含5000张图像的图像分类数据集、包含6400张图像的裂缝识别数据集；最终得到的图像分类最高准确率为97.9%，裂缝网格识别最高准确率为65.6%。结果表明：基于本文提出的桥梁裂缝智能检测方法可实现桥梁裂缝的高效率、自动化检测，算法具有较强的抗干扰能力。

关键词： 早期故障检测   关系网络   健康指标   双向门控循环单元  

摘要： 轴承作为转向架的关键部件之一，对其进行早期故障检测尤为重要。本文提出一种基于关系网络（relation network,RN）的轴承早期故障检测方法。设计了一种可以有效提取轴承状态特征，度量特征间非线性距离的健康状态检测关系网络模型。离线建模阶段，获取待检测轴承离线正常样本进行训练，学习健康状态样本特征之间的非线性距离；在线监测阶段，获取当前运行状态样本进行检测，得到关系得分作为轴承状态的健康指标。利用3σ准则得到健康指标的健康阈值，用以检测轴承的健康状态，及时发现故障。最后，在XJTU-SY滚动轴承全寿命数据集上进行试验，试验结果表明，与均方根、峭度、堆叠自编码器等方法相比，本文方法所得健康指标对早期故障更为敏感，并且具有更好的单调性与趋势性，与孤立森林、支持向量机、堆叠自编码器等方法相比，本文方法所得首次故障时间更提前，具有一定的应用价值。

关键词： 风电机组状态监测   卷积神经网络-双向门控循环单元   长鼻浣熊优化算法   稳健检验统计量  

摘要： 在风力发电机组的状态监测中，温度时序数据作为评估其运行是否稳定的关键指标，通常由SCADA(数据采集与监视控制)系统进行收集。本文提出了一种利用温度数据来实现更加稳健的风电机组状态监测的新方法。为了解决传统预测模型存在的收敛速度慢的问题，本研究采用了卷积神经网络(CNN)与双向门控循环单元(BiGRU)相结合的网络结构，并引入了一种新颖的优化算法——长鼻浣熊优化算法(COA)，以改善温度预测模型的训练效果。此外，考虑到在实际操作环境中传统控制图存在较高的假警报率这一问题，本文提出了一种结合中位数估计(MED)与最小正则化加权协方差行列式估计(MRWCD)的策略，用于残差向量的稳健性监测。基于这些改进，本文建立了一个多元指数加权移动平均控制图。该方法在中国华东地区某一风电场的应用案例表明，相较于传统的监测手段，本文提出的新方法能够显著减少误报的情况，并且在风电机组的状态监测过程中提供了更高的可靠性与稳定性。

关键词： 网络攻击检测   深度学习   图神经网络   图采样与聚合   注意力机制  

摘要： 基于深度学习的网络攻击检测是对欧几里得数据进行建模,无法学习攻击数据中的结构特征。为此,提出一种基于改进图采样与聚合(graph sample and aggregate,GraphSAGE)的网络攻击检测算法。首先,将攻击数据从平面结构转换为图结构数据。其次,对GraphSAGE算法进行了改进,包括在消息传递阶段融合节点和边的特征,同时在消息聚合过程中考虑不同源节点对目标节点的影响程度,并在边嵌入生成时引入残差学习机制。在两个公开网络攻击数据集上的实验结果表明,在二分类情况下,所提算法的总体性能优于E-GraphSAGE、LSTM、RNN、CNN算法;在多分类情况下,所提算法在大多数攻击类型上的F1值高于对比算法。