课程文献中心 更多>>

关键词： 金枪鱼群优化算法   COD预测   机器学习   污水处理  

摘要： 出水COD是污水处理的一个重要指标,它决定了污水处理排放的质量与安全。现阶段污水处理厂生产运营的管理方式仍然需要凭借先验知识,需依靠人工实践完成生产活动,导致管理方式粗犷、能源药剂浪费。提出一种基于金枪鱼群算法优化BP神经网络的污水处理出水COD预测方法,并对其预测结果的准确性进行了评估。表明该模型可以较为准确地预测出水COD浓度,并且模型训练时的迭代次数少,拥有良好的泛化能力,为污水处理的出水水质预测提供了一种新方法。

关键词： 基酒   支持向量机   引导聚集算法   遗传算法   分类预测  

摘要： 基酒组分具有复杂多样性,为提高其等级分类预测模型的精度和泛化能力,在基酒气相色谱-质谱数据基础上设计评价模型,提出一种结合遗传算法(genetic algorithm,GA)和引导聚集算法(Bootstrap aggregating,Bagging)优化支持向量机(support vector machine,SVM)分类器的方法,以解决单一SVM分类器在分类精度和泛化能力的不足。研究使用Spearman相关性筛选了36种关键物质,选择核主成分分析法提取了12个核主成分,并使累计贡献率达到96.06%,将其作为模型输入。选择性能最优的径向基核函数支持向量机,使用对数据多样性适应较强的并行计算Bagging集成算法,构建Bagging-SVM分类器进行基酒等级分类,最后,通过GA优化Bagging-SVM分类器的参数(C、γ、N),构建GA-Bagging-SVM模型。结果显示,GA-Bagging-SVM模型的准确率、精确度、召回率、F1-Score分别为96.77%、96.90%、96.77%、96.78%,优于Bagging-SVM和SVM模型,相比单一SVM模型提升了6.45%、5.61%、6.45%、6.42%,比Bagging-SVM模型提升了3.22%、2.29%、3.22%和3.15%。该方法可作为白酒基酒品质评估模型的优化方法。

关键词： 点云滤波   kd-tree算法   K-means聚类   图卷积网络   边界线检测  

摘要： 由于矿山道路没有路肩且道路边界线十分模糊,因此区分道路边界线之内的可行驶区域与边界线以外的非可行驶区域成为亟待解决的问题。为提升露天矿车行驶的安全性,提出了一种基于图卷积神经网络的露天矿车道路边界检测算法。首先利用kd-tree算法和基于体素化的八叉树滤波算法构成的复合索引结构对点云数据进行精简和滤波,剔除点云数据中的异常点和高噪声点;再通过基于K-means聚类对精简后的点云数据进行图卷积神经网络运算提取出地面点,非地面点通过聚类方法寻找邻域构成三角面,利用三角面的法向量拟合非地面即得到曲面;最后计算拟合最优地面和非地面的交线即为所求的道路边界线。试验结果表明:提出的道路边界检测算法能很好地检测出边界线,为矿山道路无人驾驶提供安全范围,有助于提升无人运行矿车驾驶的安全性。

关键词： 医疗   机械设备   故障诊断   D-S证据理论   BP算法  

摘要： 医疗机械设备在疾病诊断和治疗中占有重要地位。然而,传统人工诊断难以满足医疗机械设备高精密度和复杂性带来的高诊断要求。因此,研究提出一种融合邓普斯特-谢弗证据理论与反向传播算法的故障诊断策略,并将其应用于研发医疗机械设备故障诊断系统中。通过实验,研究确定了反向传播算法的测试函数与学习率。进一步的实验结果表明,研究研发的医疗机械设备故障诊断系统在诊断精确率、稳定性和实时性方面均优于现有系统,其平均精确率达到98.46%,平均误报率低至1.01%,平均诊断时间仅为120.2 ms,显示出优越的性能。研究不仅能够提高诊断准确性和效率,还能够通过提出的机械设备故障诊断系统在未来有效减少故障对医疗服务的影响,保障患者安全。

关键词： 人工智能技术   路面病害   算法   数据   巡检系统  

摘要： 探讨人工智能技术在路面病害检测领域的创新应用,概述了人工智能技术在路面病害检测中所采用的图像识别技术、深度学习算法,以及边缘计算与实时数据处理能力。然后,结合一款智能巡检系统的实例,深入阐述该系统的特性、核心功能及服务流程,该系统旨在实现对路面裂缝、坑槽等病害的自动化辨识与归类。该技术的应用显著提高了检测效率,减少了人力投入,并增强病害识别的精确度。以期能够促进人工智能技术在路面病害检测领域的进步,并为实际工程项目的实施提供参考。

关键词： 边坡工程   阶跃型滑坡   蠕滑趋势   PSO-VMD模型   傅里叶波动函数   GA特征优化算法   CNN-SEGRU模型   KDE-GWO-ELM模型  

摘要： 在滑坡位移预测模型构建过程中,为了清晰地分离出各类特征影响的滑坡位移部分,增强位移预测模型的力学可解释性与泛化能力,提出一种基于蠕滑趋势影响和特征优化算法的阶跃型滑坡位移预测模型。该预测模型首先运用粒子群算法优化变分模态分解(PSO-VMD)方法将训练数据分解为具有西原蠕变特征的趋势项位移及其他数据曲线;然后,综合选取滑坡位移的外界影响特征,对其他数据曲线运用遗传特征优化算法(GA)分离重构得到具有傅里叶波动特征的波动项位移及最大化与外界影响特征间相关性的影响项位移;分别运用西原蠕变泰勒展开多项式模型,傅里叶波动模型及卷积神经网络-挤压激励注意力模块-门控循环单元模型(CNN-SE-GRU)对趋势项位移,波动项位移及影响项位移进行预测;令各项位移训练时的误差为随机项位移,运用核密度区间估计约束下灰狼算法优化极限学习机(KDE-GWO-ELM)模型对该位移进行预测;最终,各项位移预测值叠加后实现对阶跃型滑坡位移的预测。以阶跃型滑坡——白水河滑坡为例,选取ZG118与ZG93监测点2005年11月~2009年10月累积水平位移数据为训练数据,2009年11月~2010年7月累积水平位移数据为预测数据进行研究。结果表明,预测模型下ZG118与ZG93监测点的均方根误差RMSE分别为5.85与10.61 mm,平均绝对百分比误差MAPE分别为0.27%与0.43%,与CNN-SE-GRU/LSTM模型、GWO-ELM模型、VMD-GWO-ELM模型及EEMD-CNN-GRU模型相比,该模型不仅预测精度有所提升,且清晰地解释了时间特征、外界影响特征及误差特征对预测模型的影响,具有较好的可解释性与泛化能力。

关键词： 目标跟踪   孪生网络   分类   回归   深浅层特征融合   分类与IoU联合训练  

摘要： 深度学习相关的目标跟踪算法在利用深浅层特征融合时,未考虑分类分支与回归分支的差异性,两分支均使用同一融合特征,不能同时满足各自分支的不同任务要求。依据分类分支与回归分支的不同任务要求与深浅层特征之间的关系,提出了一种新的特征融合方式用于视觉目标跟踪。将骨干网络中不同特征层的通道数按比例进行微调,分别形成适合分类分支与回归分支的融合特征。为验证所提特征融合方式的有效性,在基于SiamCAR算法的基础上进行优化,改变特征提取与融合方式,在UAV123、GOT-10K、LaSOT数据集上提高了2%~3%的精度。实验结果证明:所提特征融合方式是有效的,同时框架整体以75帧/s的实时运行速率实现了良好的跟踪性能。

关键词： 双模态图像   目标检测   特征融合   深度学习   注意力机制  

摘要： 为了应对复杂动态环境下红外与可见光双模态目标检测的挑战,特别是目标特征表达不足以及红外可见光特征在双模态融合中无法充分利用互补特征导致漏检和误检的问题,提出了一种用于目标检测的双分支特征增强与融合网络(Dual-Branch Feature Enhancement and Fusion,DBEF-Net)。针对模型对红外和可见光特征关注度不足的问题,设计了一种特征交互增强模块,该模块能够有效地关注并增强双模态特征中的有用信息。同时,为了更有效地利用双模态的互补特征,采用基于Transformer的双模态融合网络,并引入交叉注意力机制,以实现模态间的深度融合。实验结果表明,在SYUGV数据集上,与现有双模态目标检测算法相比,本文方法的平均检测精度更高,处理速度也能满足实时检测的需求。

关键词： 个性化定制   交通补贴   CCF   大赛   合作伙伴   浙江省宁波市  

摘要： 首届CCF算法能力大赛(CACC)区域赛已于2024年12月1日顺利举办,全国共计1郾16万选手积极参与,总决赛&首届CCF算法大会将于2025年4月在浙江省宁波市举办,为保证大赛&大会高质量开展,现面向企业、高校、研究所等机构广泛征集合作伙伴。合作类型:奖项支持;交通补贴;物料支持;技术支持;赛题素材;算法大会;其他(可个性化定制)。合作礼遇:钻石合作;铂金合作;金牌合作;荣誉合作;个性化定制。

关键词： 多模态   假新闻检测   解释算法   知识蒸馏   特征融合  

摘要： 目前,大多数多模态可解释假新闻检测方法忽视了对解释数据和跨模态特征的进一步研究利用,导致可解释假新闻检测方法,虽然对模型的决策做出了解释,但是模型检测性能并没有优于先进的多模态检测方法.针对这些问题,提出了一种迭代的可解释多模态假新闻检测框架.该方法由主模型和解释模块构成,二者都接收多模态新闻作为输入.首先,解释模块中将DeepLIFT解释算法计算出的解释数据也作为主模型的输入之一,参与到主模型的决策过程.接着,主模型中通过多任务网络框架计算出跨模态相关特征和跨模态补充特征,并通过跨模态相关特征的粗预测分数对跨模态补充特征重新加权进行细化,多种特征拼接起来进行模型决策.最后,解释模块利用知识蒸馏从主模型转移决策知识进行训练.主模型和解释模块交替训练,整体构成了迭代的框架,在提供决策解释的同时,进一步提升模型检测性能.在两个公开的假新闻检测数据集上进行大量实验,实验结果证明所提出的方法优于最先进的多模态假新闻检测方法.