课程文献中心 更多>>

关键词： 视觉/惯性里程计   多状态约束   迭代自适应   地图点优化  

摘要： 【目的】针对现有双目视觉/惯性里程计算法在遮蔽空间下救援人员进行定位计算时无法实时精准捕捉数据的问题,提出了一种迭代自适应多状态约束卡尔曼滤波双目视觉/惯性里程计算法(NN-MSCKF)。【方法】首先分析遮蔽空间下救援人员剧烈、复杂运动的跟踪效率和实时性需求,设计迭代自适应算法,利用窗口数据迭代对激励进行判断,触发初始化条件构造量测更新;其次研究地图点个数和像素区分度评估与筛选方式,引入地图点优化机制,提高对地图点进行评估和筛选的实时性;最后搭建仿真与试验平台对算法进行验证。【结果】实验结果表明,该算法相比MSCKF算法实时性提高1 s,全局精度提升55%,局部精度提升88.9%,验证了本方法的有效性。

关键词： 大坝安全监测   精度   时空序列聚类   K-Shape聚类方法   长短期记忆网络(LSTM)  

摘要： 为提升大坝安全预测过程中离群值检验与风险预测的精度与效率,对K-Shape聚类方法进行改进,将空间距离纳入K-Shape聚类评价指标,改进了大坝监测时间序列聚类算法,并将聚类中心线与统计模型方法结合,构建基于聚类结果的离群值判断方法。基于聚类结果,结合长短期记忆网络算法(LSTM)对离群值以及缺失值的填补,实现了对大坝工作性态趋势的预测。将该方法应用于云南某大坝的安全监测中,对大坝的位移与温度监测数据时空序列开展了检验与预测。结果表明,空间距离对于聚类结果影响明显,改进的聚类算法在异常值识别性能上相较于传统算法有一定提升,多测点预测算法精度更高,证明通过空间距离纳入聚类算法具有一定的实用价值。

关键词： 人工智能算法   伦理风险   伦理规制  

摘要： 目前,人工智能算法已经深度嵌入人类的生产活动和日常生活的毛细血管,其自主性引致的非确定性,促使不可解释性和不可预测性成为算法伦理的难题;其在应用场景中引发的算法偏见、算法歧视和个人隐私保护等,也形成了一定的伦理风险。同时,人工智能算法的复杂性深刻挑战了传统的伦理规则体系,造成了算法的归责性难题。因此,有必要通过增进人工智能算法的确定性、推动人工智能算法的科学应用、明确人工智能算法的责任主体、构建一定的容错空间、回归人工智能算法技术本身等方面加以规制,从而推进人工智能算法的良善发展。

关键词： 海洋智能观测   模糊SVM算法   模糊隶属度   决策函数   模糊映射   二次规划  

摘要： 针对海洋的现代化智能观测需求,提出一种基于模糊SVM算法的海洋观测数据智能处理算法。为了解决海洋多维指标数据的线性不可分问题,采用模糊隶属度对训练样本进行模糊映射,并在此基础上利用拉格朗日模糊偏导数方法将最优化问题转化为二次规划问题,从而求解出最佳决策函数。此外,采用基于样本邻近密度的模糊隶属度函数构造方法,有效降低了异常样本对决策函数训练的影响。仿真结果表明,相比于现有算法,所提算法对海洋观测数据处理的正确率高于95%,且对于多种海洋观测专业指标均具有良好的适用性。

关键词： 会话推荐   自监督学习   解耦   全局与局部偏好  

摘要： 为了提高会话推荐算法的准确性,针对现有会话推荐算法易受数据稀疏性影响,以及并未充分解耦全局偏好与局部偏好的问题,提出解耦全局与局部偏好的会话推荐算法.该算法不仅实现预测任务,而且从项目属性中导出自监督信号进行解耦任务.首先,针对会话推荐算法的数据稀疏性问题,利用项目属性信息为每个会话生成会话视图.其次,针对会话的全局与局部偏好未被充分解耦的问题,通过对会话视图的全局与局部偏好进行对比式自监督学习,进而实现解耦任务.此外,为了在预测任务中获取更准确的偏好估计,将属性信息融入项目的初始嵌入.在两个公开数据集上与现有优秀方法比较,实验证明提出的算法在评估指标P@K和MRR@K上较基线方法均有所提升.

关键词： 安全帽检测   YOLOX-s算法   感受野   空洞卷积   注意力机制  

摘要： 针对安全帽检测任务中存在的目标面积小、目标被不同程度遮挡、复杂背景干扰目标等问题,提出了基于YOLOX的多感受野增强的安全帽检测算法(multiple receptive field enhancement-YOLOX,MRFE-YOLOX)。在特征融合网络中增加浅层特征融合分支,提升小目标特征信息流通效率,提高了小目标的检测精度;设计基于空洞卷积组与卷积注意力机制的感受野增强模块(receptive field augmentation module,RFAM),捕获了更大范围的感受野和图像特征,改善了遮挡目标漏检率高的问题;根据三分支注意力机制构建特征增强网络(feature enhancement network,FENet),抑制背景噪音对目标区域的干扰,降低了复杂背景下的目标误检率;引入空间到深度卷积(space to depth-conv,SPD-Conv)得到无信息损失的二倍下采样特征图,保留了更多的特征信息,同时减少了模型的参数量。实验结果表明,所提算法的均值平均精度相较于基线算法提升了2.78个百分点,FPS达到了102.67,满足了爆破现场安全帽实时检测的需要。

关键词： 页岩油藏   压裂效果   集成学习   XGBoost   堆叠法  

摘要： 本研究旨在通过集成学习算法对页岩油藏压裂效果进行预测,以提高压裂效果预测的准确性。采用了多种机器学习、深度学习和集成学习模型进行比较,包括线性回归、决策树、XGBoost、LSTM、BP神经网络、投票法、加权投票法、堆叠法等。模型评估指标包括决定系数(R2)、均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)。实验结果表明,集成学习方法中的堆叠法(Stacking)表现出更优的性能,R2达到0.946,MSE为0.380,MAE为0.383,RMSE为0.616,显著优于单一模型和深度学习模型。通过比较不同模型的性能,本研究表明集成学习方法,特别是堆叠法,能够更有效地提升页岩油藏压裂效果预测的精度。结果为油田开采提供了可靠的预测工具,有助于优化压裂作业和提升生产效率。This study aims to predict the fracturing performance of shale oil reservoirs using ensemble learning algorithms to improve prediction accuracy. Various machine learning, deep learning, and ensemble learning models were compared, including Linear Regression, Decision Tree, XGBoost, LSTM, BP Neural Network, Voting, Weighted Voting, and Stacking. Model evaluation metrics include R2, Mean Squared Error (MSE), Mean Absolute Error (MAE), and Root Mean Squared Error (RMSE). Experimental results indicate that the Stacking method in ensemble learning performs the best, with an R2 of 0.946, MSE of 0.380, MAE of 0.383, and RMSE of 0.616, significantly outperforming both individual models and deep learning models. By comparing the performance of different models, this study demonstrates that ensemble learning methods, especially stacking, can more effectively improve the accuracy of prediction of shale oil reservoir fracturing performance. The results provide reliable predictive tools for oilfield development, helping to optimize fracturing operations and improve production efficiency.

关键词： 动态主题情感模型   文本挖掘   情感标签   时间戳   文本聚类   困惑度  

摘要： 针对目前已有的相关主题模型中,对大众情感因素考虑不足,难以精准挖掘,同时对社交文本的实时动态演化考虑弱化了模型聚类能力的问题,通过在模型中增加情感层以提取社交文本情感极性特征,并引入先验分布函数,提出一种基于动态主题情感模型的文本聚类算法.利用真实新冠疫情Twitter文本数据集进行实验,实验结果表明,该模型的性能优于基线模型,提高了情感特征区分度,使文本主题与对应的情感极性联合生成时间节点,进而使模型有处理时间演化的能力.

关键词： 排产优化   改进遗传算法   禁忌搜索   混合流水车间调度   异步并行机  

摘要： 相比于传统流水线,混合流水车间具有更高的灵活性,能适应多变的生产场景,但其排产方案的求解复杂度更高,是现代实际制造系统中的常见问题。针对群智能进化算法在解决该问题时计算难度大且搜索效率不高的问题,以最小化总完工时间为优化目标,提出了一种混合禁忌搜索遗传优化算法。该算法根据排产问题中所有工件具有相同生产工艺、工件数量多、各阶段并行机不同速的特点,采用了基于首阶段工件顺序的单层编码、考虑机器选择三层优先级的解码方法、多种遗传算子和禁忌搜索算子,具有更加优秀的搜索性能,在保证解质量的基础上提高了算法的收敛速度。最后,通过40个算例和实际应用案例评估算法性能,并将其与其他算法进行比较。实验结果表明,所提出的算法在求解中规模算例、大规模算例和加工车间案例时表现优秀,排产结果的完工时间平均缩短了10.71%,算法达到最优解所需的迭代次数减少了25.72%,运行时间缩短了10.79%。