基于DQN的机场地服人员动态排班研究

针对在繁忙机场的地面服务人员动态排班问题,提出一种基于深度Q网络(DQN)的排班方法．首先以最大化任务执行率和最小化员工工作时间作为目标,建立了优化模型;然后根据目标提出了两种不同的排班方法,进而采用DQN算法,根据生成的航班动态数据,提取6个状态特征作为网络的输入,并拟定合适的奖励机制,使得训练后的模型能够动态地选择最好的分配方法,最终对模型进行求解．将该方法应用在连续7 d的实际排班中,实验结果表明：与人工排班结果相比,该方法平均每天的任务完成数增加了0.43个,员工的总工作时长减少了53 min,DQN的排班结果具有明显优势,提高了机场地面服务的工作效率．     

基于增强拓扑神经进化的等效并行机动态调度

针对工件动态到达、处理时间不确定且机器须要弹性预防维护的等效并行机调度问题,以平均流程时间最小化为目标,提出了基于强化学习的动态调度方法．将调度过程作为马尔可夫决策过程,通过定义状态空间、行为空间、奖励函数与适应度函数,提出基于增强拓扑神经进化(NEAT)算法的动态调度方法．设计三种规模问题的实例,将基于NEAT的方法与最短路径树(SPT)、先装先卸(FIFO)调度规则及基于深度Q网络(DQN)的方法进行比较,结果表明：基于NEAT的方法相比基于DQN的方法能够以更短的训练时间获得更优、更稳健的调度方案,相比SPT和FIFO调度规则能够获得更优的目标值,利用训练好的NEAT模型对随机生成的大规模问题实例的快速高质量求解结果表明,基于NEAT的调度方法具有更好的泛化性能．     

基于深度学习和遥感影像的松材线虫病疫松树目标检测

针对传统的松材线虫病大范围监测方法耗费高、效率低的问题,研究基于高分辨率无人机遥感影像,采用深度学习方法对病疫区染病松树进行目标检测及地理定位.建立病疫松树样本数据集,采用YOLO目标检测模型,通过锚框尺寸重算、模型迁移学习等方法进行样本训练.将大幅影像进行滑窗分割、逐个检测、NMS重叠处理、坐标转换之后,得到研究区内...     

基于深度学习的两阶段多假设视频压缩感知重构算法

传统视频压缩感知重构算法重构时延过长,新发展的基于神经网络的视频压缩感知重构算法虽解决了高耗时的问题但未能充分利用视频的时空相关性,重构质量较差.为了解决上述问题,文中提出了基于深度学习的两阶段多假设视频压缩感知重构算法(2sMHNet).首先,采用时域可变形卷积对齐网络实现基于像素的深度学习多假设预测,在避免了块效应...     

基于平行注意力机制的对抗样本防御方法

为降低对抗样本的影响,提高分类模型在遭受攻击威胁下的精度,利用哺乳动物视觉系统工作原理,结合注意力机制,提出一种新型防御对抗样本模型PSCAM-GAN(Parallel Spatial and Channel Attention Mechanism Adversarial Generative Network)。该防御模型在通过编码器获得对抗样本的特征图后,使用平行注意力机制提取特征图中的个体和位置信息,然后在保证这些特征不变的情况下,重新调整特征图的权重,通过解码器产生净化结果。该方法能在清除恶意扰动的同时保持净化结果与输入的一致性,有效降低对抗样本对模型精度的影响。在CIFAR-10和MNIST数据集上,PSCAM-GAN面对多种对抗样本攻击时的防御效果超越了其他基于预处理的防御方法,能有效提高模型的健壮性。     

基于Transformer的电网企业文件密级分类系统

为解决依靠保密人员对文件的密级进行人工标注,其准确性依赖相关人员的业务素质,容易造成标密不准的问题,建立一种基于Transformer模型的企业文件密级分类系统。该系统能自动提取文本密级信息的特征表达,对企业秘密文件做出智能辅助定密的决策。在国网吉林省电力有限公司内部核心商密文件、普通商密文件和非秘密文件构建的数据集上对提出的模型进行了实验验证,准确率为97.37%,召回率为98.67%,表明模型达到了较高的识别效果,因此该系统能有效防止秘密文件的泄露。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题,提出一种基于深度学习的问题帖分类方法,采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型.实验结果表明,基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法,且使用的Adam优化器优于SGD优化器...     

基于深度学习的铜封帽内螺纹缺陷检测研究

针对铜封帽内螺纹裂纹缺陷检测目前存在检测速度慢、检测精度低、稳定性及泛化能力差等问题,提出了一种改进的YOLOv3模型算法来检测铜封帽内螺纹裂纹缺陷。首先,通过坐标极化对样本图片进行特征增强;然后采用K-means++聚类算法对数据集进行尺度分析;再利用SqueezeExcitation模块对YOLOv3模型检测部分进行改造,在3个特征尺度特征的输出部位均添加此模块,提升模型对有效特征的响应;最后,模型分别与Faster-R-CNN、SSD的检测结果进行比较。实验结果表明,基于深度学习改进的YOLOv3算法优于其他检测算法,其缺陷的检测精度为96.3%、检测速率为44FPS,能够实现铜封帽内螺纹裂纹缺陷的精确检测和识别,满足生产部门对铜封帽检修的需求。     

基于LSTM的四旋翼无人机轨迹预测方法

实时、准确、高效的轨迹预测是对四旋翼无人机进行有效管控的重要前提.基于深度学习理论,提出一种基于长短期记忆神经网络(LSTM)的四旋翼轨迹预测方法.在LSTM基础上,使学习速率自动调整,基于四旋翼无人机位置坐标与速度参量,对轨迹数据进行训练与预测,其经度、纬度、高度误差分别为6.04、6.45、2.33 m.分析历史时间步长对于预测精度的影响,结果表明历史学习步长为40～45时,LSTM预测结果最佳;比较不同预测步数的预测误差,结果表明一步预测、两步预测误差结果较好,三步预测误差显著增大.     

融合动作剔除的深度竞争双Q网络智能干扰决策算法

为解决战场通信干扰决策问题,设计了一种融合动作剔除的深度竞争双Q网络智能干扰决策方法.该方法在深度双Q网络框架基础上采用竞争结构的神经网络决策最优干扰动作,并结合优势函数判断各干扰动作的相对优劣,在此基础上引入无效干扰动作剔除机制加快学习最佳干扰策略.当面对未知的通信抗干扰策略时,该方法能学习到较优的干扰策略.仿真结果...