检索结果-内蒙古大学图书馆

农业工程学报 2025年第3期41卷 163-170页

作者：谢元澄陈自强李添天严心悦姜海燕潘增祥南京农业大学人工智能学院南京210095 南京农业大学动物科技学院南京210095

在监控群养家畜的个体行为时,准确估计家畜的空间姿态对行为分析至关重要。3D姿态估计相较于传统的2D方法,在解决遮挡问题和提供精确空间信息方面具有显著优势。目前,3D姿态估计技术主要应用于人体和自动驾驶领域,这些应用通常依赖昂贵... 详细信息

在监控群养家畜的个体行为时,准确估计家畜的空间姿态对行为分析至关重要。3D姿态估计相较于传统的2D方法,在解决遮挡问题和提供精确空间信息方面具有显著优势。目前,3D姿态估计技术主要应用于人体和自动驾驶领域,这些应用通常依赖昂贵的测量设备和庞大的数据集,在动物行为研究与生产管理领域难以迅速普及,因此迫切需要一种低成本且高效的动物行为姿态测量方法。为此,该研究提出一种基于双目立体匹配的家畜3D姿态估计通用方法,首先,使用改进的双目立体匹配深度学习模型获取深度信息;然后,使用基于TopDown方法的2D姿态估计模型提取目标检测框,并检测关键点;最后,将关键点位置信息映射回图像空间,并同立体匹配模型结果融合得到3D姿态信息。由于匹配精度依赖于精准的深度信息,而立体匹配的困难主要集中在薄结构和弱纹理匹配,故以注意力机制和卷积门控循环单元ConvGRU迭代恢复机制构建ACLNet立体匹配模型,通过编码图像纹理的相对深度层次,限制模型注意力集中在真实视差附近,并通过残差的方式逐步恢复高精度深度信息。通过Scence Flow数据集上的消融试验和Middlebury数据集上的泛化试验验证所提模型的有效性。试验结果表明,ACLNet在Scene Flow数据集上的端点误差(EPE)为0.45,与目前领域内最佳效果接近,相比于未使用注意力机制和ConvGRU机制的基线模型,EPE下降了0.37像素;在Middlebury等真实数据集上也取得了良好的泛化结果;在山羊深度数据集上的EPE为0.56;改进后模型在山羊3D姿态测试集上平均关节位置误差(MPJPE)达到45.7 mm,较改进前下降了21.1 mm。在以山羊为测试样本的3D姿态估计试验中,无需额外训练便可进行准确的3D姿态估计,体现了算法较强的泛化能力和通用性。该方法仅使用双目视觉图片就可准确获取3D姿态,验证了使用简单双目视觉系统实现高精度家畜3D姿态估计的可行性,为使用低成本双目相机进行3D姿态估计提供了一种可行方案。

关键词：家畜注意力机制立体匹配 3D姿态估计卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于流量预测的信号灯配时优化强化学习方法

引用

系统仿真学报 2025年第4期37卷 1051-1062页

作者：许明李金烨左东宇张晶辽宁工程技术大学软件学院辽宁葫芦岛125105

针对现有基于强化学习的交通信号控制方法未考虑交通流量变化趋势,无法适应复杂多变路况而造成拥堵的问题,提出了基于流量预测的信号灯配时优化强化学习方法。提出相位配时幅度控制模型,分析历史流量数据的时空特性,对下一时间片的流量... 详细信息

针对现有基于强化学习的交通信号控制方法未考虑交通流量变化趋势,无法适应复杂多变路况而造成拥堵的问题,提出了基于流量预测的信号灯配时优化强化学习方法。提出相位配时幅度控制模型,分析历史流量数据的时空特性,对下一时间片的流量进行预测,并根据预测结果计算相位配时的合理范围;使用H-PPO算法在控制信号相位同时增加其配时控制,并设计压力阀奖励函数,避免算法在控制信号时频繁的相位变换影响驾驶员驾驶体验。仿真结果表明:所提方法在提高路口通行效率和减小相位切换频次均有良好表现,优于对比方法。

关键词：交通信号控制智能交通强化学习卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于改进自动编码器的水质数据异常检测研究

引用

资源信息与工程 2025年第1期40卷 101-105,109页

作者：曹可欣李永飞韩博龙王维政华北科技学院计算机学院河北廊坊065201

随着物联网监测设备在水资源领域的大量应用,监测数据呈爆发式增长,这些数据常常会面临各种干扰,产生大量异常数据,因此应利用异常检测算法对相关异常数据进行筛选。本文根据水质监测数据具有时空依赖性的特征,提出了一种基于卷积门控... 详细信息

随着物联网监测设备在水资源领域的大量应用,监测数据呈爆发式增长,这些数据常常会面临各种干扰,产生大量异常数据,因此应利用异常检测算法对相关异常数据进行筛选。本文根据水质监测数据具有时空依赖性的特征,提出了一种基于卷积门控循环单元和自注意力机制的自动编码器模型,针对白洋淀某水域的水质监测数据进行异常检测,筛选出多项异常值。

关键词：水质数据异常检测自动编码器卷积门控循环单元自注意力机制无监督学习

来源：评论

学校读者我要写书评

暂无评论

基于两阶段特征选择的电力系统暂态功角与电压一体化稳定性评估方法

引用

智慧电力 2025年第4期 11-19页

作者：徐艳春张婧宇张涛席磊 MI Lu 湖北省输电线路工程技术研究中心三峡大学电气与新能源学院得克萨斯农工大学电气与计算机工程学院

随着电力系统暂态功角与电压稳定性问题耦合加剧，针对高维冗余特征的一体化评估需求凸显。提出了两阶段特征选择方法。首先通过类可分离性评分和皮尔逊相关系数筛选关键特征，消除分类低效与冗余；进而采用二进制竞争搜索算法优化特征... 详细信息

随着电力系统暂态功角与电压稳定性问题耦合加剧，针对高维冗余特征的一体化评估需求凸显。提出了两阶段特征选择方法。首先通过类可分离性评分和皮尔逊相关系数筛选关键特征，消除分类低效与冗余；进而采用二进制竞争搜索算法优化特征子集，结合多任务卷积门控循环网络构建评估模型。算例验证表明，该方法在降低特征维度的同时显著提升了暂态稳定评估效果。

关键词：特征选择暂态功角稳定暂态电压稳定类可分离性竞争搜索算法卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于卷积GRU注意力的设备剩余寿命预测

引用

振动．测试与诊断 2022年第3期42卷 572-579,622页

作者：赵志宏李晴李春秀石家庄铁道大学信息科学与技术学院石家庄050043 石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室石家庄050043

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信... 详细信息

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络(convolutional neural networks,简称CNN)提取设备状态的空间局部特征,门控循环神经单元(gate recurrent unit,简称GRU)提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。

关键词：机械设备剩余寿命预测深度学习卷积门控循环单元注意力

来源：评论

学校读者我要写书评

暂无评论

基于时空卷积特征记忆模型的坦克火控系统视频目标检测方法

引用

兵工学报 2020年第9期41卷 1708-1718页

作者：戴文君常天庆褚凯轩张雷郭理彬陆军装甲兵学院兵器与控制系北京100072

视频目标检测技术是提升坦克火控系统战场目标搜索能力的有效手段。针对面向坦克火控系统的视频目标检测任务,提出一种基于时空卷积特征记忆模型的视频目标检测方法。将时空卷积特征校准机制与卷积门控循环单元相结合,建立时空卷积特征... 详细信息

视频目标检测技术是提升坦克火控系统战场目标搜索能力的有效手段。针对面向坦克火控系统的视频目标检测任务,提出一种基于时空卷积特征记忆模型的视频目标检测方法。将时空卷积特征校准机制与卷积门控循环单元相结合,建立时空卷积特征记忆模型,同时对多个视频帧中目标的表观特征及运动信息进行建模,以传递并融合视频帧中的目标信息。在特征提取网络以及检测子网络中结合可形变卷积,在检测过程中应用视频序列非极大值抑制,提高对形变以及遮挡目标的检测能力。构建一个包含多种目标类型、尺度、遮挡等条件的坦克火控系统视频目标检测数据集,为多种目标检测方法的测试提供依据。测试结果表明,与R-FCN、D&T以及MANet等目标检测方法相比,所提方法的平均精度均值最高,能够更好地满足装备的应用需求。

关键词：坦克火控系统视频目标检测时空卷积特征校准记忆模型可形变卷积卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

电力系统暂态电压稳定评估的混合智能特征双重筛选方法

引用

电网技术 2024年第4期48卷 1532-1542,I0044,I0046,I0047页

作者：王渝红朱玲俐赏成波李晨鑫杜婷郑宗生四川大学电气工程学院四川省成都市610065

含高比例新能源与直流接入的电力系统暂态电压稳定特征呈高维冗余性,影响基于数据驱动评估模型的效率和性能。为此,在构建一组适应含高比例新能源和直流接入场景的完备特征集合基础上,提出一种基于改进Relief算法和改进群智能优化算法... 详细信息

含高比例新能源与直流接入的电力系统暂态电压稳定特征呈高维冗余性,影响基于数据驱动评估模型的效率和性能。为此,在构建一组适应含高比例新能源和直流接入场景的完备特征集合基础上,提出一种基于改进Relief算法和改进群智能优化算法双重筛选的混合智能特征选择方法,以降低原始特征维度,提高模型稳定评估的效率和准确率。首先,通过时序分层处理对原始Relief算法进行时序改进,并利用该改进算法进行特征的有效性度量,以消除分类低效特征,得到降维后的初筛特征子集;随后,融合特征有效性度量值对群智能优化算法进行搜索性能增强。再以此增强算法为寻优策略,并以时序分类模型卷积门控循环单元(convolution gated recurrent unit,ConvGRU)为分类器,构成基于群智能优化算法的封装式特征选择方案,进一步实现特征子集寻优。最后,通过算例对比分析,该方法下高维特征维度能压缩80%以上,且所选特征子集能有效提高评估模型的准确率,验证该方法对于高维时序特征筛选处理的有效性及必要性。

关键词：暂态电压稳定评估特征选择 Relief算法群智能优化卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的山洪时空预测代理模型

引用

自然灾害学报 2024年第4期33卷 164-175页

作者：杨勇川王俊彦文海家王乃玉浙江大学建筑工程学院浙江杭州310058 重庆大学土木工程学院重庆400045

山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预... 详细信息

山洪是全球范围内最危险的自然灾害之一,具有突发性强、成灾快和破坏力大并且难以短时临近预测的特点。传统山洪预报预警方法主要依赖于基于物理机制的水文-水动力山洪过程模拟,然而这种方法计算复杂耗时较长,难以满足山洪的短时临近预测需求。以浙江临安仁里村为例,在水文-水动力物理模拟所产生的8378条降雨时序和对应山洪淹没时空序列数据集的基础上,以基于卷积门控循环单元(convolutional gated recurrent unit convGRU)的深度神经网络作为核心,构建山洪时空序列预测代理模型。该模型通过输入过去24小时降雨观测时序和未来6小时的降雨预报时序,可实现未来6小时山洪淹没时空演变过程的快速预测。代理模型在测试集中能可靠地预测未来逐小时的山洪淹没范围、最大淹没深度以及淹没位置,未来6小时预测的可决系数均值为0.96,且预测速度平均比物理模拟快15625倍。这表明该代理模型能够捕捉物理模拟中降雨到山洪的复杂映射关系,实现目标区域山洪的快速预测,为山洪预警及应急响应决策制定提供有力的模型基础。

关键词：深度学习山洪模型时空序列预测卷积门控循环单元代理模型

来源：评论

学校读者我要写书评

暂无评论

融合残差Inception与双向ConvGRU的皮肤病变智能分割

引用

数据采集与处理 2023年第4期38卷 937-946页

作者：顾敏杰李雪陈思光南京邮电大学物联网学院南京210003 南京医科大学附属妇产医院(南京市妇幼保健院)皮肤科南京210004

由于皮肤病病灶的形状、颜色以及纹理差异极大,且边界不明确,使得传统深度学习方法很难对其进行准确分割。因此本文提出了一种融合残差Inception与双向卷积门控循环单元(Convolutional gated recurrent unit,ConvGRU)的皮肤病变智能分... 详细信息

由于皮肤病病灶的形状、颜色以及纹理差异极大,且边界不明确,使得传统深度学习方法很难对其进行准确分割。因此本文提出了一种融合残差Inception与双向卷积门控循环单元(Convolutional gated recurrent unit,ConvGRU)的皮肤病变智能分割模型。首先设计了一种云边协同的皮肤病变智能分割服务网络模型,通过该网络模型,用户可以获得快速、准确的分割服务;其次,构建了一种新的皮肤病变智能分割模型,通过融合残差Inception与双向ConvGRU,该模型能融合不同尺度特征,提高模型特征提取能力,并能充分利用底层特征与语义特征之间的关系,捕获更丰富的全局上下文信息,取得更好的分割性能;最后,在ISIC 2018数据集上的实验结果表明,所提出的智能分割模型与近期提出的几种U-Net扩展模型相比,取得了更高的准确率与Jaccard系数。

关键词：皮肤病图像分割残差网络 U型卷积神经网络卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积长短时神经网络的视频帧预测

引用

计算机应用 2019年第6期39卷 1657-1662页

作者：张德正翁理国夏旻曹辉江苏省大气环境与装备技术协同创新中心(南京信息工程大学)

针对视频帧预测中难以准确预测空间结构信息细节的问题,通过对卷积长短时记忆(LSTM)神经网络的改进,提出了一种深度卷积长短时神经网络的方法。首先,将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中,由编码网络学... 详细信息

针对视频帧预测中难以准确预测空间结构信息细节的问题,通过对卷积长短时记忆(LSTM)神经网络的改进,提出了一种深度卷积长短时神经网络的方法。首先,将输入序列图像输入到两个不同通道的深度卷积LSTM网络组成的编码网络中,由编码网络学习输入序列图像的位置信息变化特征和空间结构信息变化特征;然后,将学习到的变化特征输入到与编码网络通道数对应的解码网络中,由解码网络输出预测的下一张图;最后,将这张图输入回解码网络中,预测接下来的一张图,循环预先设定的次后输出全部的预测图。与卷积LSTM神经网络相比,在Moving-MNIST数据集上的实验中,相同训练步数下所提方法不仅保留了位置信息预测准确的特点,而且空间结构信息细节表征能力更强。同时,将卷积门控循环单元(GRU)神经网络的卷积层加深后,该方法在空间结构信息细节表征上也取得了提升,检验了该方法思想的通用性。

关键词：视频帧预测卷积神经网络长短时记忆神经网络编码预测卷积门控循环单元

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：