基于稠密连接注意力单任务提升的深度多任务学习

多任务学习通过任务间的知识共享提升多个关联任务的泛化性能。多任务学习领域的大多数方法通过设置先验性的知识共享结构来定义任务间的关系，这些知识共享结构可能使任务不能充分利用多任务学习带来的好处，甚至导致明显的知识负迁移，使得任务性能提升不大。为了解决上述问题，提出了一种基于稠密连接注意力单任务提升的深度多任务学习方法。该方法中每个任务使用特异的自注意力单元学习任务间的知识共享结构，通过稠密连接将知识共享信息与自身动态结合，使用单任务提升训练方法贪心地优化每个任务，极大程度地避免知识负迁移所带来的问题。在多个数据集上的实验证明了该方法的有效性，其性能已优于目前许多先进的多任务学习方法。     

基于稠密连接的多形性腺瘤辅助诊断

针对多形性腺瘤诊断完全依赖人工的问题,提出一种计算机辅助诊断方法.先通过采集数据并构建多形性腺瘤数据集,对当前稠密连接网络进行改进并融合通道注意力机制进行疾病组织分类特征提取,得到组织类别和概率,然后使用CART(classification and regression tree)进行推理学习,得到诊断结果.对难判断的类别选择进行人工辅助,进而实现对多形性腺瘤疾病的计算机辅助工作.实验结果表明,该方法在分类识别模块分类提取准确率达97.7%,决策树推理诊断准确率达100%.此外,分类识别模块在血细胞分类领域的准确率达98.6%.该方法具有一定的迁移性和有效性.     

浅析地下水污染研究

地下水污染研究是目前国内外水文地质学界的热点问题和前沿课题。叙述了地下水污染的基本概念及其特点,探讨了地下水污染研究的方法和地下水污染治理技术,分析了国内外地下水污染研究的现状和发展前景。     

基于稠密连接和非局部运算的烟雾识别方法

烟雾图像检测已经成为早期火灾预警的主要技术手段之一,为了提升烟雾识别准确率和运算效率,提出基于稠密连接和非局部运算的深度卷积神经网络用于烟雾识别。首先,设计深度网络中卷积层间的稠密连接机制,构建稠密基本块,增强信息流通和特征重利用,同时也减少模型参数量。然后,为了进一步考虑烟雾图像的全局信息,将非局部运算与稠密基本块中的卷积运算相结合,构建稠密和非局部基本卷积块。最后,利用已经构建的若干个稠密和非局部基本卷积块搭建用于烟雾识别的深度卷积神经网络。在已经公开的烟雾图像数据库上进行性能评估,实验结果表明,提出的基于稠密连接和非局部运算的烟雾识别方法以不到1M的模型参数量取得了更令人满意的性能。     

BP机网络模型

文章提出了一种利用人工神经元网络方法-BP机网络实现设计并训练一个印刷字符分类器，程序采用MATLAB5.3实现。     

基于随机统计方法的地下水污染源反演识别

地下水污染具有存在的隐蔽性、发现的滞后性特点,这给地下水污染修复方案设计、污染风险评估、污染责任认定都带来了很大的困难。以某垃圾填埋场垃圾渗滤液地下泄漏为例,对地下水污染源的反演识别问题进行研究。通过污染质运移模拟模型、替代模型、随机统计方法(伴随状态方法及贝叶斯方法)的综合运用,反演识别地下水污染源的位置、个数及释放历史。结果表明,伴随状态方法和贝叶斯方法的联合运用可以反演识别出污染源的个数、位置及释放历史;贝叶斯方法反演识别污染源过程中,以替代模型作为模拟模型的转化形式,用替代模型代替模拟模型大幅度地减小了计算负荷,并保持较高的精度。     

基于空洞-稠密网络的交通拥堵预测模型

在利用卷积神经网络模型对短时交通拥堵情况等预测场景进行预测时,由于模型的卷积池化操作过程会丢失部分数据,使得目标位置的信息出现丢失及特征的分辨率持续下降,导致模型的预测能力降低.针对此,本文提出一种空洞-稠密神经网络模型.首先,利用空洞卷积用较少的网络参数获取更大感受野的特点,充分提取出复杂多变的数据时空特征.其次,通...     

基于密集连接的层次化显著性物体检测网络

全卷积神经网络(FCN)在许多密集标记任务中表现出色。最近,基于FCN的显著性物体检测模型得到了快速发展。在本文中,提出了一种基于FCN的像素级显著物体检测网络。该模型首先通过自动学习多层次多尺度的显著性特征进行显著性粗略预测,包括颜色、纹理、形状和物体性等特征。然后采用密集连接的特征提取模块来进一步提取更丰富的特征信息。此外,本文引入跳层结构以提供更好的特征表示,利用深层产生的物体性语义特征引导浅层输出的显著性图更好定位显著性对象,最后,网络使用加权融合模块以组合各种特征。为了进一步提高显著图的空间连贯性并生成清晰轮廓,本文采用条件随机场(CRF)模型作为后处理步骤以优化网络预测得到的加权显著性图。整个网络以粗糙到精细的方式进行显著性检测,在5个公开的常用基准数据集上进行性能评估,并与10个具有代表性的算法进行比较,证明了本文所提模型的稳健性和有效性。     

地下水污染对生态环境的影响分析

从污染途径、人体健康、工业生产、农业生产四个方面论述了地下水污染对生态环境的影响.     

基于注意力特征融合稠密网络的图像去雾算法

目前主流图像去雾算法输出的结果图像存在颜色失真、边缘模糊的问题.为改善上述问题,提出一种基于深度学习的图像去雾算法,所提算法由两个模块构成:注意力特征融合模块和雾霾模型参数估计模块.注意力特征融合模块用于充分提取雾霾图像的颜色、边缘特征;基于稠密连接空洞卷积自编码器的雾霾模型参数估计模块用于估计雾霾模型的参数,改善网络退化的问题.在浓雾图像、薄雾图像数据集上的实验表明,本文提出的算法有效地实现了图像去雾,与主流的图像去雾算法相比具有更高的结构相似性(SSIM),更低的均方误差(mean-square error,MSE)和边缘误差e_○edge.     

基于Kriging代理模型的PX氧化过程优化

基于流程仿真模型的复杂化工过程优化,往往需要较长的优化时间,效率低下,因此提出了用拉丁超立方采样和Kriging建模法构造流程仿真模型的代理模型,建立基于Kriging代理模型的多目标优化策略。将该策略应用于PX氧化反应过程优化,结果表明:所建立的Kriging代理模型的3个目标的输出精度都控制在1%以内,建模精度高。采用改进的多目标粒子群算法对此Kriging代理模型进行优化,不但能收敛到全局最优解,而且与PX流程仿真模型优化相比,优化时间大大减少,提高了优化效率。因此,在满足精度要求的前提下,Kriging代理模型可以代替PX流程仿真模型来进行优化,并具有较高的优化效率。     

基于代理模型的高超声速气动热模型降阶研究

高超声速飞行器气动热的快速准确预测是当前高超声速气动热弹性分析的重要前提. 针对当前高超声速气动热工程计算、高精度数值计算和实验研究均不能很好适应工程应用的问题,结合代理模型的基本思想,提出了基于代理模型的高超声速气动热模型降阶方法,建立了一种高超声速气动热模型降阶框架. 以典型高超声速三维翼面为例,对比拉丁超立方采样方法lhsdesign函数和改进的逐次枚举的拉丁超立方方法SLE,利用相同的设计样本点和代理模型构造方法,SLE方法构造的降阶模型预测翼面温度平均误差、L_∞和e_NRSME均小于lhsdesign方法,SLE采样方法有助于提高降阶模型的精度;对比Kriging和RBF两种代理模型构造方法,Kriging方法构造降阶模型优于RBF方法. 针对典型的高超声速三维翼面气动热预测表明,本文高超声速气动热降阶方法具有较高的精度和效率.      

浅层地下水中污染物迁移模拟技术研究现状与发展趋势

介绍了国内外较流行的地下水数值模拟模型,对比分析了各类模型在模拟浅层地下水中污染物运移时的结构、特点及适应领域,可作为环境保护部门及研究人员在模型选用时参考;探讨了我国地下水中污染物运移模拟现状中存在的问题,并提出了相应的对策．     

基于代理模型的复杂结构井热采产能评价方法*

复杂结构井是开采稠油油藏的重要手段,其产能计算一直是评价工作的重点。针对辽河油区复杂结构井实施情况,从油层厚度、油层渗透率、分支井长度、分支数目、分支间距、分支与水平段夹角、注汽量、注汽速度、注汽干度、焖井时间等10个方面对复杂结构井产能的影响因素进行了综合分析。在此基础上,利用响应面方法建立了复杂结构井产能的代理模型,提出了预测复杂结构井产能新方法,并将该方法运用于辽河油田某区块的复杂结构井,计算的产能与实际产能误差较小,平均为8.5%。     

地下水流量预测的线性神经网络法

地下系统是一个复杂的随机系统。根据降水量与地下水流量之间的相关关系，建立线性神经网络模型，并且将其用于地下水流量的动态预测。     

基于复合混合物理论的热-水力-力学污染物输运模型

污染物在饱和可变形多孔介质中的输运问题属于多场耦合的范畴.为模拟含N种组分的液相污染物在可压缩固相多孔介质中的输运过程,在复合混合物理论的基础上将体积分数作为内变量引入,提出并建立了可压缩多孔介质中多组分污染物热.水力.力学耦合输运问题的热力学框架.将体积分数看作独立变量用于描述介质的微观结构,并形成动力相容条件来描述由多组分流体饱和的可压缩多孔介质界面处应力突变的微观力学机制.根据近平衡态理论以及线性化方法得到基于上述理论框架的线性化热.水力.力学耦合污染物输运模型.所提出的模型是在公理系统基础上建立的,输运过程中的渗流和扩散过程最终可表示为与相的密度梯度、组分浓度梯度、体积分数梯度及温度梯度有关的形式,实现了多种因素的耦合.     

基于自编码网络的空气污染物浓度预测

深度学习为城市空气污染物浓度预测提供了更为强大的数据拟合能力,为空气污染预测提供全新的智能计算方法.为此,提出了一个基于自编码神经网络的污染物浓度预测模型AEPP(auto-encoder-based pollutant prediction).该模型包括编码器和解码器两个部分.其中,编码器用于提取出时间序列污染物浓度数据分布特征,即语境向量;解码器利用提取的特征预测未知时间内污染物浓度数据.模型中编码器和解码器采用多层LSTM(long short-term memory)模型结构,实现长时间依赖预测目标.实验表明,提出的模型可以提高对污染物浓度的预测水平.     

基于改进的BP神经网络的地下水水质评价研究

运用人工神经网络的理论和方法,建立地下水水质评价的BP神经网络模型。根据《地下水质量标准》(GB/T14848—1993),通过训练该模型对昆明盆地实测12个孔隙水井的地下水水质进行评价,并与层次分析法的评价结果进行了比较。对比结果表明,用BP神经网络模型评价地下水水质是可行的,该模型训练速度快、精度高,能如实地评价地下水质情况。     

基于代理遗传优化的智能驾驶系统加速测试方法

提出了一种基于代理遗传优化的智能驾驶系统加速测试方法。首先,通过场景要素层次分析权值与优解区域特征改进参数采样模块中的拉丁超立方采样区间,实现了采样效率与优化效果的协同提升;其次,利用参数采样结果和重复度筛选机制增加遗传寻优模块的种群多样性,克服了传统遗传算法的局部收敛难题;然后,利用基于循环更新机制的代理筛选模块对场景测试结果进行预测,平衡了加速算法与代理模型应用之间的效率与精度矛盾;最后,搭建仿真平台在高维时序分解的前车变速场景下对待测智能驾驶系统进行加速测试与验证。结果表明,本文提出的方法可有效搜寻大量关键场景并提升测试效率。     

地下水水位预测的人工神经网络模型研究

地下水系统是一个复杂的随机系统，根据地下水水位与其影响因素之间存在的相关关系，建立了一个基于神经网络的地下水水位预测模型，并将其用于研究区地下水水位的预测，结果表明该方法具有较高的预测精度。