Proton Exchange Membrane Fuel Cell (PEMFC), as an innovative renewable and clean energy device, holds immense market application value. PEMFCs are susceptible to water management faults when operating continuously for extended periods under complex and varying conditions. However, traditional fault diagnosis methods struggle to effectively extract key fault features from dynamically changing monitoring data. To address this, a PEMFC fault diagnosis method based on a Deep Parallel Residual Network (DP-ResNet) is proposed. This method initially processes the collected multi-source signals, such as current and voltage. Subsequently, a DP-ResNet is designed to overcome the limitation of residual networks in multi-scale feature extraction. Finally, the proposed algorithm is applied to a dataset of PEMFC water management faults under varying load conditions for diagnostic verification. Experimental results demonstrate that the proposed DP-ResNet model achieves a diagnostic accuracy of up to 99.46
When dealing with large-scale multi-objective optimization problem(LSMOP),the MOEA/D algorithm shows poor scalability in the decision space and a tendency to converge to local optima as the dimensionality of decision variables increases.To address this issue,this study proposes a large-scale MOEA/D algorithm with multiple strategies(MSMOEA/D).The MSMOEA/D algorithm introduces a hybrid initialization strategy based on autoencoders in the optimization process to expand the coverage of the initial population,thus promoting global search.Moreover,a neighborhood adjustment strategy based on aggregation functions is proposed,which can more accurately control the search range during the search process by adjusting neighborhood sizes,thereby avoiding low search efficiency caused by excessively large or small neighborhoods.Furthermore,a mutation-selection strategy based on non-dominated sorting is adopted during the optimization process.Different subproblems select their mutation strategies according to the number of individuals in the first level of non-dominated sorting to avoid the population falling into local optima and enhance the overall performance of the algorithm.Finally,the MSMOEA/D algorithm and other existing algorithms are evaluated using LSMOP and DTLZ test problems.Experimental results verify the effectiveness of the proposed algorithm for solving LSMOPs.
Currently,when dealing with the classification of acute lymphoblastic leukemia(ALL),there are problems of messy background information and nuanced differences.Since it is still difficult to select key features and reduce background noise in blood sample images,it is difficult for traditional methods to capture important and subtle features,and effectively classify and identify various blood cell types,which affects the accuracy and reliability of the results.This study proposes a classification model based on ResNeXt50,which uses image enhancement to reduce background noise.The model enhances the perception of various scales and context information by improving the hole pyramid feature extraction method.By adding an improved SA attention mechanism,the model can better focus on and learn information that has a greater impact on the outcome.The model is tested on the Blood Cells Cancer public data set of Tehran(Taleqani)Hospital in Iran,and the accuracy and precision rates reach 98.39%and 98.33%,respectively.The results show that the model not only has certain clinical significance and practical value but also provides a new idea for the auxiliary diagnosis of ALL.
《计算机系统应用》(CN 11-2854/TP,ISSN 1003-3254)创刊于1992年,是中国科学院主管、中国科学院软件研究所主办的、面向国内外公开发行的技术性、应用性科技核心期刊. 本刊的办刊宗旨是宣传推广信息技术在各行各业的应用.重点是宣传介绍计算机应用系统的建设(包括系统的规划、设计与开发等方面)、信息技术的应用研究与开发成果以及相关技术的分析,探讨与应用.
Existing deep learning-based hashing methods for image retrieval usually cascade several fully connected layers as the hash coding layer and output each bit of the hash code in parallel. This approach treats hash encoding as the information encoding of images and ignores the relevance between bits of the hash code in the coding process and the redundancy of coding, which leads to the limited encoding performance of networks. In light of the principle of code check, this study proposes SHNet, a deep hashing method based on serial encoding. Different from the traditional hashing method, SHNet designs the hash coding network layer structure as a serial mode and verifies the first part of the serial hash codes in the process of generating hash codes, so as to make full use of the relevance and redundancy of codes to generate more informative, more compact, and more discriminative hash codes. Using mAP as the evaluation standard of retrieval performance, the study compares the proposed method with current mainstream hashing methods. The results show that the mAP values of the proposed method under different hash coding lengths are superior to those of the current mainstream deep hashing algorithm on the three datasets of CIFAR-10, ImageNet, and NUS-wide, which proves its effectiveness.
为了提高螺纹油套管气密封检测的工作效率,本文提出了一种基于全局注意力特征融合的螺纹扭矩曲线自动分类网络,即NAFENet.具体来说,NAFENet为了增强模型的表达力,将EfficientNet-B0的卷积结构扩展至11层得到EfficientNet-B11.同时,在其每个MBConv卷积层中构建了基于non-local全局注意力和AFF特征融合模块,以帮助模型获取曲线图像中较为全局的信息,提高特征提取能力.实验结果表明,NAFENet在参数量相较于EfficientNet-B0 只有小幅度的增加情况下,曲线识别精度有了较大提升,在自制UBT_Curve数据集上,模型准确率达到92.87%.
目前乳腺癌已取代肺癌成为年发病率最高的癌症,基于深度学习的目标检测技术可对乳腺X线、乳腺超声和乳腺核磁共振等非侵入式成像进行自动病变检测,已成为乳腺癌辅助诊断的首选途径.YOLO(you only look once)系列算法是基于深度学习的目标检测算法,经典YOLO算法在速度和精准度具有优势,被广泛应用于计算机视觉各领域,最新YOLO算法是计算机视觉领域的SOTA(state of the art)模型,如何利用YOLO系列算法提高乳腺癌检测速度和准确率,已经成为研究者关注的焦点之一.基于此,本文介绍经典YOLO系列算法的原理,梳理经典YOLO系列算法在乳腺癌图像检测中的应用现状,并归纳总结现存问题,同时对YOLO系列算法在乳腺癌检测的进一步应用进行展望.
图分区质量极大程度上影响着计算机之间的通信开销和负载平衡,这对于大规模并行图计算的性能是至关重要的.然而,随着图数据规模的越来越大,图分区算法的执行时间成了一个不可避免的问题.因此,研究如何优化图分区算法的执行效率是有必要的.本文提出了一个基于广度优先遍历加权图生成的启发式图分割方法,该方法在实现较低的通信代价和较好负载平衡的同时,只引入了少量的预处理时间开销.实验结果表明,本文的划分方法减少了复制因子,降低通信开销,并且引入的时间开销较小.
自然语言转为SQL(NL2SQL)的研究有较高的应用价值,随着深度学习技术的成熟,越来越多的研究者开始将深度学习技术应用于NL2SQL任务中.本文梳理了英文和中文领域NL2SQL的研究现状,总结按年份发布的数据集和模型,对比当前 4 大中文NL2SQL数据集的特点,阐述了当前基于深度学习的NL2SQL任务的基本框架以及针对中文领域的单表简单问题和跨表复杂问题所适用的典型模型,介绍了一般常用的模型评测方法,并提出未来研究方向的展望.
交互式图像分割是像素级注释和图像编辑的重要工具.现存方法大多采取两阶段预测,首先预测一个粗糙的结果,在第 2 个阶段细化之前预测的结果来得到更精确的预测,为了使在硬件资源受限时,网络模型仍可以使用,基于此,在两阶段共享同一个网络,为了更好地将标记信息传播到未标记区域,设计了一个相似度约束传播模块,在训练时使用了一个简单的原型提取模块来使正点击向量高度内聚,加速网络收敛,在推理时移除.在推理阶段通过使用意图感知模块来捕获细节,使得预测性能进一步提升.大量实验表明,该方法在所有流行的基准测试上与最先进的方法最有可比性,证明了其有效性.
随着智能交通的发展,大量的车辆轨迹数据被收集和存储,但这些轨迹数据总是会存在异常轨迹点数据,严重影响后续轨迹数据分析的准确性和有效性.本文发现了一类隐性的位置异常轨迹数据,此类异常数据用传统的基于移动特征阈值的检测方法难于发现,但对轨迹数据分析过程同样有着重要的影响.针对此类异常轨迹数据,本文以部分西安市出租车轨迹数据为例,提出了一种基于浮动网格和聚类方法的隐性异常轨迹数据检测方法,并实现了数据的并行化方式.实验结果展示所提方法检测隐性位置异常的数据召回率、精确率能够达到 0.90,并且F1-score在 0.88-0.91范围.检测出这种隐性异常轨迹数据,有利于后续的时空轨迹数据分析与应用.
剩余油的形态分布情况对油田的深度开发有着重大意义.针对剩余油数据量较少和传统的形态参数分类能力有限等问题,提取一种基于深度学习的剩余油形态分类方法.该方法在数据预处理部分,利用生成对抗网络ACGAN的多类别数据生成特性对剩余油图像进行数据增强;采用VGG19 模型作为主干网络提取传统形态参数无法描述的深层特征,同时引入SENet注意力机制,改善模型特征表达能力,使得最终的分类结果更加精确.为验证本研究方法的有效性,将本文方法与传统形态参数和其他深度学习模型的分类方法进行对比,并通过主观视觉和客观指标进行评估,结果表明本文方法分类更为精确.
在齿轮系设计问题中,传统算法存在计算复杂与精度低等缺点,海鸥优化算法(SOA)得益于其算法原理简单、通用性强、参数少等特性,现多用于工程设计问题.然而,标准海鸥优化算法易出现寻优精度低、搜索速度慢等问题,本文提出一种混合策略改进的海鸥优化算法(WLSOA).首先,利用非线性递减策略增强海鸥优化算法的探索开发能力,提高寻优精度.其次,在海鸥攻击阶段引入自适应权重平衡全局与局部的搜索能力和加入莱维飞行步长对当前最优解进行扰动,提高算法跳出局部最优值的能力.然后分别使用WLSOA、黄金正弦算法、鲸鱼优化算法、粒子群优化算法、传统海鸥优化算法及最新提出的改进海鸥优化算法,通过在 9 个经典的测试函数上进行仿真实验来探究WLSOA的性能.结果表明,WLSOA比其他 6 种算法寻优精度更高,收敛速度更快.最后,在齿轮系设计问题上,通过与其他13种常见的群智能算法的比较表明,WLSOA的求解性能优于其他算法.
在多用户多任务场景下,使用传统的决策算法去对短时间内接踵而来的任务进行计算卸载决策,已经不能满足用户对决策效率和资源利用率的要求.因此有研究提出使用深度强化学习算法来进行卸载决策以满足各种场景下的需求,但是这些算法大多只考虑卸载优先的策略,这种策略使用户设备(UE)被大量闲置.我们提高了移动边缘计算(MEC)服务器和用户设备(UE)的资源利用率,降低计算卸载的错误率,提出了一种本地优先和改进TD3(twin delayed deep deterministic policy gradient)算法相结合的决策卸载模型,并设计了仿真实验,通过实验证明该模型确实可以提高MEC服务器和UE的资源利用率并降低错误率.
近年来,在诸如环境监测等一系列工作中,遥感影像得到了广泛应用.然而,目前卫星传感器观测到的影像往往分辨率较低,很难满足深入研究的需要.超分辨率(SR)目的是提高图像分辨率,同时提供更精细的空间细节,完美地弥补了卫星图像的弱点.因此,本文提出了一种反投影注意力网络(back-projection attention network,BPAN)用于遥感图像的超分辨率重建,该网络由反投影网络和初始残差注意块两部分组成.在反投影网络中,通过迭代误差反馈机制计算上下投影误差指导图像重建;在初始残差注意块中,引入初始模块融合局部多级特征为重建详细的纹理提供更丰富的信息,以注意模块自适应地学习不同空间区域的重要性,促进高频信息的恢复.为了评价该方法的有效性,在AID数据集上进行了大量的实验,结果表明,本文的网络模型提升了传统深度网络的重建性能,且在视觉效果和客观指标方面有明显提升.
针对多智能体强化学习中因智能体之间的复杂关系所导致的学习效率低及收敛速度慢的问题,提出基于两级注意力机制的方法MADDPG-Attention,在MADDPG算法的Critic网络中增加了软硬两级注意力机制,通过注意力机制学习智能体之间的可借鉴经验,提升智能体之间的相互学习效率.由于单层的软注意力机制会给完全不相关的智能体也赋予学习权重,因此采用硬注意力判断两个智能体之间学习的必要性,裁减无关信息的智能体,再用软注意力判断两个智能体间学习的重要性,按重要性分布来分配学习权重,据此向有可用经验的智能体学习.在多智能体粒子的合作导航环境上进行测试,实验结果表明,MADDPG-Attention算法对复杂关系的理解更为清晰,在3种环境的导航成功率都达到了90%以上,有效提高了学习效率,加快了收敛速度.
针对麻雀搜索算法(sparrow search algorithm,SSA)求解精度依赖于较优位置的群体,易于陷入局部最优等问题,提出改进型的麻雀搜索算法(improved sparrow search algorithm,ISSA).该算法首先提出正态偏移策略,以重心位置为导向进行种群偏移,实现移动能量的正态分布衰减,有效提升种群对局部搜索的勘探能力;其次引入动态正弦扰动策略,通过缩放因子实现发现者对前期搜索步长和后期快速收敛的双向需求.然后针对麻雀种群中位置较差的预警者加入反向学习机制,以预警者当前位置生成扰动的反向解,有利于扩大搜索步长,帮助算法跳出局部最优.最后随机选取6个测试函数并与其他算法进行比较,实验结果验证了ISSA算法的有效性.
在线评论的有用性预测任务在当前的电子商务领域中发挥着重要的作用,该任务的目标是判断在线评论的有用性,进而重点展示对未来消费者更有帮助的评论,提高消费者获取信息的效率.在本文中,我们重点关注近年来在各大在线平台兴起的一种新的评分系统——多维评分系统,尝试研究用户在该系统中给出的方面评分对在线评论有用性的影响.本文提出了一个综合考虑了评论文本、用户总体评分和方面评分 3 种元素及其交互的多层次神经网络模型HORA来完成有用性预测任务.通过在两个真实世界的数据集上进行的实验结果表明,与当前的基线模型相比,HORA在MAE和RMSE两个指标上展示了更好的结果,同时在实验中也表现出了良好的鲁棒性,表明了方面评分对用户的在线评论有用性感知的重要意义.
预测进阀温度的变化趋势对阀冷系统的运行状态有重要参考价值.针对传统方法存在数据收集时间跨度大和传感器存在误差等问题,本文提出了一种基于对抗扰动和局部信息增强的进阀温度预测模型Robust-InTemp.具体来说,Robust-InTemp通过对原始数据添加基于规则的高斯噪声,并使用基于梯度的对抗训练方法(projected gradient descent,PGD),增强了模型的泛化能力和抵抗噪声干扰的鲁棒性.同时,引入相对位置编码、一维卷积以及门控线性单元(gated linear unit,GLU),以增强模型对局部特征的学习能力,从而提高预测准确性.实验结果表明,与多种基准模型相比,Robust-InTemp在预测性能和抗干扰能力方面均有明显优势,进一步的消融实验也验证了模型中各个组件的有效性.
