检索结果-内蒙古大学图书馆

数据采集与处理 2025年第2期40卷 530-544页

作者：宋宗仁葛泉波李春喜上海海事大学物流工程学院上海201306 南京信息工程大学自动化学院南京210044 大数据分析与智能系统江苏省高校重点实验室南京210044 大气环境与装备技术协同创新中心南京210044 浙江经济职业技术学院汽车技术学院杭州310018

当电动汽车(Electric vehicle,EV)与充电桩连接时,精确预测电动汽车动力电池组的充电需求功率,对于防止电池组过充电至关重要。由于电池组物理模型的复杂性使基于其充电需求功率预测方法通常难以构建,且实时性不高。此外,单一预测模型... 详细信息

当电动汽车(Electric vehicle,EV)与充电桩连接时,精确预测电动汽车动力电池组的充电需求功率,对于防止电池组过充电至关重要。由于电池组物理模型的复杂性使基于其充电需求功率预测方法通常难以构建,且实时性不高。此外,单一预测模型的预测精度偏低。针对上述问题,结合充电数据与机器学习,提出一种基于强化学习与变权组合模型的EV充电需求功率预测方法。在传统灰狼优化算法的基础上,将混沌映射、精英反向学习策略相结合以提高初始种群的质量,利用强化学习的动态权重策略更新灰狼个体位置来优化最小二乘支持向量机(Least square support vector machine,LSSVM)算法中的参数;通过基于时变权重分配的变权组合方法合理分配极限学习机预测模型与改进LSSVM预测模型的权重,解决单一预测模型方法的不足;采用电动汽车的实际充电数据对所提预测算法进行验证,新方法相较于其他3种传统方法在预测精度上分别提高了4.75%、3.84%和0.38%。

关键词：充电需求功率变权组合强化学习灰狼优化算法最小二乘支持向量机

来源：评论

学校读者我要写书评

暂无评论

一种用于多目标组合优化的三阶段混合蛙跳框架

引用

控制与决策 2022年第4期37卷 973-981页

作者：申晓宁陈庆洲潘红丽游璇黄遥南京信息工程大学自动化学院南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 南京信息工程大学江苏省大数据分析技术重点实验室南京210044

提出一种用于求解多目标组合优化问题的3阶段混合蛙跳框架.该框架采用阶段化、模块化的设计思想,将种群的进化过程分为快速收敛、探索扩展、极值挖掘3个阶段.在快速收敛阶段,迅速定位Pareto前沿,使整个群体快速地聚集在前沿附近;在探索... 详细信息

提出一种用于求解多目标组合优化问题的3阶段混合蛙跳框架.该框架采用阶段化、模块化的设计思想,将种群的进化过程分为快速收敛、探索扩展、极值挖掘3个阶段.在快速收敛阶段,迅速定位Pareto前沿,使整个群体快速地聚集在前沿附近;在探索扩展阶段,进一步提升解的精度并让种群均匀地分布在前沿上;在极值挖掘阶段,搜寻各目标上的边界极值,增强分布性能.对于不同阶段的不同模块,采用不同的策略以提升框架的求解性能.所提出框架对于多目标组合优化问题具有良好的通用性,在解决不同类型的问题时仅需设计相应的编码方式、个体生成算子和约束处理机制.采用经典的多目标背包问题作为测试问题,与五种已有算法进行对比,结果表明,所提出框架具有良好性能,基于该框架设计的混合蛙跳算法具有更好的收敛性和分布性.

关键词：多目标组合优化混合蛙跳框架快速收敛探索扩展极值挖掘离散跳跃规则

来源：评论

学校读者我要写书评

暂无评论

基于爆破阀的微流体引流控制芯片研究

引用

仪器仪表学报 2022年第1期43卷 54-61页

作者：杨明鹏刘佳李言杰葛静南京信息工程大学自动化学院南京210044 南京信息工程大学江苏省大数据分析技术重点实验室南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044

微量流体的收集与控制是微流控领域的关键技术,微流体引流控制不仅需要对流速、时间等参数进行精确控制,而且要避免流体在多个检测区的交叉混染。本文设计一种基于爆破阀的微流体引流控制芯片。首先,对爆破阀机理进行分析,并采用MEMS工... 详细信息

微量流体的收集与控制是微流控领域的关键技术,微流体引流控制不仅需要对流速、时间等参数进行精确控制,而且要避免流体在多个检测区的交叉混染。本文设计一种基于爆破阀的微流体引流控制芯片。首先,对爆破阀机理进行分析,并采用MEMS工艺制备微流控芯片;然后,对影响爆发阀特性的材料亲水性进行跟踪测量,对微流控芯片的引流特性进行宏观和微观观测;更进一步地,对爆破阀的爆破压力进行理论计算和实验实测,3种爆破阀的实测爆破压力分别为90、690、2440 Pa;最后,对不同进样速率下爆破阀的爆破特性进行测试。实验结果表明,通过爆破阀的合理设计,可实现微流体的引流控制,使其按预定次序、预定时间流入检测区,进而有效避免流体的交叉混染。

关键词：微流体爆破阀引流控制等离子处理微压力测量

来源：评论

学校读者我要写书评

暂无评论

轻量级注意力约束对齐网络的视频超分重建

引用

中国图象图形学报 2022年第10期27卷 2984-2993页

作者：靳雨桐宋慧慧刘青山南京信息工程大学江苏省大气环境与装备技术协同创新中心江苏省大数据分析技术重点实验室南京210044

目的深度学习在视频超分辨率重建领域表现出优异的性能,本文提出了一种轻量级注意力约束的可变形对齐网络,旨在用一个模型参数少的网络重建出逼真的高分辨率视频帧。方法本文网络由特征提取模块、注意力约束对齐子网络和动态融合分支3... 详细信息

目的深度学习在视频超分辨率重建领域表现出优异的性能,本文提出了一种轻量级注意力约束的可变形对齐网络,旨在用一个模型参数少的网络重建出逼真的高分辨率视频帧。方法本文网络由特征提取模块、注意力约束对齐子网络和动态融合分支3部分组成。1)共享权重的特征提取模块在不增加参数量的前提下充分提取输入帧的多尺度语义信息。2)将提取到的特征送入注意力约束对齐子网络中生成具有精准匹配关系的对齐特征。3)将拼接好的对齐特征作为共享条件输入动态融合分支,融合前向神经网络中参考帧的时域对齐特征和原始低分辨率(low-resolution,LR)帧在不同阶段的空间特征。4)通过上采样重建高分辨率(high-resolution,HR)帧。结果实验在两个基准测试数据集(Vid4(Vimeo-90k)和REDS4(realistic and diverse scenes dataset))上进行了定量评估,与较先进的视频超分辨率网络相比,本文方法在图像质量指标峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)方面获得了更好的结果,进一步提高了超分辨率的细节特征。本文网络在获得相同的PSNR指标的情况下,模型参数减少了近50%。结论通过极轴约束使得注意力对齐网络模型参数量大大减少,并能够充分捕获远距离信息来进行特征对齐,产生高效的时空特征,还通过设计动态融合机制,实现了高质量的重建结果。

关键词：视频超分辨率(VSR) 轻量网络可变形卷积注意力约束动态融合机制残差空洞空间金字塔池化

来源：评论

学校读者我要写书评

暂无评论

特征注意金字塔调制网络的视频目标分割

引用

中国图象图形学报 2019年第8期24卷 1349-1357页

作者：汤润发宋慧慧张开华姜斯浩南京信息工程大学大气环境与装备技术协同创新中心江苏省大数据分析技术重点实验室南京210044

目的视频目标分割是在给定第1帧标注对象掩模条件下,实现对整个视频序列中感兴趣目标的分割。但是由于分割对象尺度的多样性,现有的视频目标分割算法缺乏有效的策略来融合不同尺度的特征信息。因此,本文提出一种特征注意金字塔调制网络... 详细信息

目的视频目标分割是在给定第1帧标注对象掩模条件下,实现对整个视频序列中感兴趣目标的分割。但是由于分割对象尺度的多样性,现有的视频目标分割算法缺乏有效的策略来融合不同尺度的特征信息。因此,本文提出一种特征注意金字塔调制网络模块用于视频目标分割。方法首先利用视觉调制器网络和空间调制器网络学习分割对象的视觉和空间信息,并以此为先验引导分割模型适应特定对象的外观。然后通过特征注意金字塔模块挖掘全局上下文信息,解决分割对象多尺度的问题。结果实验表明,在DAVIS 2016数据集上,本文方法在不使用在线微调的情况下,与使用在线微调的最先进方法相比,表现出更具竞争力的结果,J-mean指标达到了78. 7%。在使用在线微调后,本文方法的性能在DAVIS 2017数据集上实现了最好的结果,J-mean指标达到了68. 8%。结论特征注意金字塔调制网络的视频目标分割算法在对感兴趣对象分割的同时,针对不同尺度的对象掩模能有效结合上下文信息,减少细节信息的丢失,实现高质量视频对象分割。

关键词：视频对象分割全卷积网络调制器空间金字塔注意机制

来源：评论

学校读者我要写书评

暂无评论

基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法

引用

控制与决策 2021年第1期36卷 105-114页

作者：申晓宁黄遥游璇王谦南京信息工程大学自动化学院南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 南京信息工程大学江苏省大数据分析技术重点实验室南京210044

种群多样性和信息交互的深度与方式对混合蛙跳算法的爬山能力、探索能力和开发能力有着深远影响.针对混合蛙跳算法易于陷入局部最优、收敛速度慢和寻优精度差等缺点,提出一种基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法.首先,... 详细信息

种群多样性和信息交互的深度与方式对混合蛙跳算法的爬山能力、探索能力和开发能力有着深远影响.针对混合蛙跳算法易于陷入局部最优、收敛速度慢和寻优精度差等缺点,提出一种基于解空间反向跳跃和信息交互强化的新型混合蛙跳算法.首先,增加子群次优解与次劣解的信息交互,促进子群内部信息的利用,引入反向跳跃思想改进局部更新机制,降低迭代后期劣解产生概率,提升空间开发能力;然后,借鉴2-opt方法实现局部最优解变异,增加子群的多样性;最后,采用各局部最优解交叉的方式加深子群间的交互深度,同时利用反向跳跃机制防止种群同化.采用23个单峰、多峰和固定维度下的复杂多峰函数作为测试集进行仿真实验,结果表明所提出算法具有更优的搜索性能,能够有效提高种群多样性,防止算法早熟收敛,且能够适应不同类型的函数优化问题.

关键词：混合蛙跳算法种群多样性信息交互反向跳跃局部更新函数优化

来源：评论

学校读者我要写书评

暂无评论

全局注意力门控残差记忆网络的图像超分重建

引用

中国图象图形学报 2021年第4期26卷 766-775页

作者：王静宋慧慧张开华刘青山南京信息工程大学大气环境与装备技术协同创新中心江苏省大数据分析技术重点实验室南京210044

目的随着深度卷积神经网络的兴起,图像超分重建算法在精度与速度方面均取得长足进展。然而,目前多数超分重建方法需要较深的网络才能取得良好性能,不仅训练难度大,而且到网络末端浅层特征信息容易丢失,难以充分捕获对超分重建起关键作... 详细信息

目的随着深度卷积神经网络的兴起,图像超分重建算法在精度与速度方面均取得长足进展。然而,目前多数超分重建方法需要较深的网络才能取得良好性能,不仅训练难度大,而且到网络末端浅层特征信息容易丢失,难以充分捕获对超分重建起关键作用的高频细节信息。为此,本文融合多尺度特征充分挖掘超分重建所需的高频细节信息,提出了一种全局注意力门控残差记忆网络。方法在网络前端特征提取部分,利用单层卷积提取浅层特征信息。在网络主体非线性映射部分,级联一组递归的残差记忆模块,每个模块融合多个递归的多尺度残差单元和一个全局注意力门控模块来输出具备多层级信息的特征表征。在网络末端,并联多尺度特征并通过像素重组机制实现高质量的图像放大。结果本文分别在图像超分重建的5个基准测试数据集(Set5、Set14、B100、Urban100和Manga109)上进行评估,在评估指标峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)上相比当前先进的网络模型均获得更优性能,尤其在Manga109测试数据集上本文算法取得的PSNR结果达到39.19 dB,相比当前先进的轻量型算法AWSRN(adaptive weighted super-resolution network)提高0.32 dB。结论本文网络模型在对低分图像进行超分重建时,能够联合学习网络多层级、多尺度特征,充分挖掘图像高频信息,获得高质量的重建结果。

关键词：单幅图像超分辨率(SISR) 深度卷积神经网络(DCNN) 注意力门控机制多尺度残差单元(MRUs) 递归学习

来源：评论

学校读者我要写书评

暂无评论

产品表面缺陷检测的多通路阈值收缩融合网络

引用

计算机工程与应用 2023年第10期59卷 162-170页

作者：耿玉标岳志远闫麒名孙玉宝南京信息工程大学江苏省大数据分析技术重点实验室、江苏省大气环境与装备技术协同创新中心南京210044

产品表面缺陷检测任务的重点是对产品表面图像中的异常缺陷区域进行自动检测和分割。然而实际应用中,由于噪声的退化影响和缺陷类型的复杂多样,产品表面缺陷检测仍然是一项具有挑战性的任务。为了应对这些问题,提出了产品表面缺陷检测... 详细信息

产品表面缺陷检测任务的重点是对产品表面图像中的异常缺陷区域进行自动检测和分割。然而实际应用中,由于噪声的退化影响和缺陷类型的复杂多样,产品表面缺陷检测仍然是一项具有挑战性的任务。为了应对这些问题,提出了产品表面缺陷检测的多通路阈值收缩融合网络。在各尺度通路中,为了降低噪声干扰,该网络设计了自适应阈值收缩去噪模块,通过双支路自主学习水平和垂直方向的收缩阈值,去除特征中的干扰噪声并且保留有效背景信息,从而实现自适应去噪。为了更准确定位缺陷对象,设计了上下文三维注意力融合模块,通过水平聚合和垂直聚合生成三维注意力图,增强异常区域特征。最终将平行的多尺度特征融合,实现对不同尺度以及不同类型缺陷的有效检测。将所构建模型在SD-900和MVTec-AD数据集上与最新的8种方法进行比较,实验结果表明该模型能够有效提升检测精度,并能够对噪声干扰保持鲁棒性,消融实验也验证了自适应阈值收缩去噪模块和上下文三维注意力模块融合的有效性。

关键词：缺陷检测多尺度融合网络自适应阈值去噪上下文三维注意力

来源：评论

学校读者我要写书评

暂无评论

多层次融合注意力网络的双目图像超分辨率重建

引用

中国图象图形学报 2023年第4期28卷 1079-1090页

作者：徐磊宋慧慧刘青山南京信息工程大学大气环境与装备技术协同创新中心南京210044 江苏省大数据分析技术重点实验室南京210044

目的随着深度卷积神经网络广泛应用于双目立体图像超分辨率重建任务,双目图像之间的信息融合成为近年来的研究热点。针对目前的双目图像超分辨重建算法对单幅图像的内部信息学习较少的问题,提出多层次融合注意力网络的双目图像超分辨率... 详细信息

目的随着深度卷积神经网络广泛应用于双目立体图像超分辨率重建任务,双目图像之间的信息融合成为近年来的研究热点。针对目前的双目图像超分辨重建算法对单幅图像的内部信息学习较少的问题,提出多层次融合注意力网络的双目图像超分辨率重建算法,在立体匹配的基础上学习图像内部的丰富信息。方法首先,利用特征提取模块从不同尺度和深度来获取左图和右图的低频特征。然后,将低频特征作为混合注意力模块的输入,此注意力模块先利用二阶通道非局部注意力模块学习每个图像内部的通道和空间特征,再采用视差注意力模块对左右特征图进行立体匹配。接着采用多层融合模块获取不同深度特征之间的相关信息,进一步指导产生高质量图像重建效果。再利用亚像素卷积对特征图进行上采样,并和低分辨率左图的放大特征相加得到重建特征。最后使用1层卷积得到重建后的高分辨率图像。结果本文算法采用Flickr1024数据集的800幅图像和60幅经过2倍下采样的Middlebury图像作为训练集,以峰值信噪比(peak signal-to-noise ratio,PSNR)和结构相似性(structural similarity,SSIM)作为指标。实验在3个基准测试集Middlebury、KITTI2012和KITTI2015上进行定量和定性评估。实验结果显示,本文算法获得了最清晰的图像效果。当放大因子为2时,在3个数据集上的指标与PASSRnet(learning parallax attention for stereo image super-resolution)相比,本文算法的峰值信噪比提升了0.56 dB、0.31 dB和0.26 dB,结构相似性均提升了0.005。结论本文提出的网络模型充分学习图像内部的丰富信息,有效指导左右特征图的立体匹配。同时,能够不断进行高低频信息融合,取得了较好的重建效果。

关键词：卷积神经网络(CNN) 双目图像超分辨率注意力机制立体匹配信息融合

来源：评论

学校读者我要写书评

暂无评论

增强二阶网络调制的目标跟踪

引用

中国图象图形学报 2021年第3期26卷 516-526页

作者：王献海宋慧慧张开华刘青山南京信息工程大学大气环境与装备技术协同创新中心南京210044 江苏省大数据分析技术重点实验室南京210044

目的表观模型对视觉目标跟踪的性能起着决定性的作用。基于网络调制的跟踪算法通过构建高效的子网络学习参考帧目标的表观信息,以用于测试帧目标的鲁棒匹配,在多个目标跟踪数据集上表现优异。但是,这类跟踪算法忽视了高阶信息对鲁棒建... 详细信息

目的表观模型对视觉目标跟踪的性能起着决定性的作用。基于网络调制的跟踪算法通过构建高效的子网络学习参考帧目标的表观信息,以用于测试帧目标的鲁棒匹配,在多个目标跟踪数据集上表现优异。但是,这类跟踪算法忽视了高阶信息对鲁棒建模物体表观的重要作用,致使在物体表观发生大尺度变化时易产生跟踪漂移。为此本文提出全局上下文信息增强的二阶池化调制子网络,以学习高阶特征提升跟踪器的性能。方法首先,利用卷积神经网络(convolutional neural networks,CNN)提取参考帧和测试帧的特征;然后,对提取的特征采用不同方向的长短时记忆网络(long shot-term memory networks,LSTM)捕获每个像素的全局上下文信息,再经过二阶池化网络提取高阶信息;最后,通过调制机制引导测试帧学习最优交并比预测。同时,为提升跟踪器的稳定性,在线跟踪通过指数加权平均自适应更新物体表观特征。结果实验结果表明,在OTB100(object tracking benchmark)数据集上,本文方法的成功率为67.9%,超越跟踪器ATOM(accurate tracking by overlap maximization) 1.5%;在VOT(visual object tracking) 2018数据集上平均期望重叠率(expected average overlap,EAO)为0.44,超越ATOM 4%。结论本文通过构建全局上下文信息增强的二阶池化调制子网络来学习高效的表观模型,使跟踪器达到目前领先的性能。

关键词：视觉目标跟踪(VOT) 卷积神经网络(CNN) 网络调制上下文信息注意力机制

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：