黑龙江省一次能源消费总量和消费结构预测研究

以黑龙江省一次能源为研究对象,选取其1995~2014年一次能源消费的历史数据,构建了改进的BP神经网络模型来预测黑龙江省2015~2020年一次能源的消费总量;重构马尔科夫模型,预测黑龙江省2015~2020年一次能源的消费结构。结果表明：构建的模型模拟预测结果误差小,预测准确度良好。2015~2020年黑龙江省一次能源消费总量基本稳定在9200万吨标准煤;能源消费结构中煤炭、石油和天然气的份额均有所降低,清洁能源占比呈增长趋势;到2020年,一次能源消费结构中煤炭占比仍高达65.39%,清洁能源占比仍处于弱势。建议：降低一次能源的消费总量,尤其是煤炭和石油在一次能源消费中的占比;合理调整一次能源的消费结构,降低煤炭在能源消费结构中的占比;政府出台相关政策,引导消费理念,优先使用清洁能源。     

基于SIFT的车标识别算法

针对车标识别过程中匹配阈值难、识别速度慢的问题,提出一种基于尺度不变特征变换(SIFT)的特征匹配车标识别算法.利用SIFT算子对图像的视角、平移、放射、亮度、旋转等不变特性进行提取,并采用BP神经网络算法自主选取车标图像特征进行分类、匹配和识别.仿真实验结果表明,简单车标和复杂车标的识别率平均值均达90%以上,该算法识别速度较快、识别率较高,能满足实际应用的需要.     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。     

动态的 SDN 网络流量模式增量学习算法

针对基于人工神经网络的流量统计特征学习算法在动态适应性和可扩展性等方面尚显不足.提出了一种基于增长型自组织映射(GSOM)的增量学习算法,对软件定义网络(SDN)数据平面交换机的流表统计信息进行持续学习,动态获取网络流量的GSOM神经网络模型.基于DARPA99数据集的实验结果表明:所提出的算法能够通过学习确认安全的SDN流量,获得稳定、可塑的流量模式,对异常流量也有较高的敏感度.     

人工智能科学管理:智能手机领域的人工智能专利布局

人工智能技术与智能手机的融合,促进了智能手机领域的人工智能专利研发进程,加剧了智能手机硬件厂商、通讯运营商、软件开发者等主体的竞争局面。为促成智能手机领域在"人工智能+"时代形成良性竞争态势,竞争参与者应当寻求"以手机硬件与软件协调配合的人工智能专利布局模式",形成共享人工智能数据的开元平台,在人工智能手机元件、增强现实与虚拟现实技术、物联网基础器件等领域进行延伸性专利布局,从而使智能手机领域的人工智能应用方略为智能经济的发展形成示范效应。     

基于SSD卷积网络的视频目标检测研究

针对传统卷积神经网络对远距离视频目标识别效果差的原因,本文提出一种改进的基于SSD卷积网络的视频目标检测模型.首先,对数据集进行剪裁,旋转等预处理,提高网络检测泛化能力,其次,采用coco数据集Mobilenet_SSD预训练模型,由于其具有轻量级网络模型特点,减少计算开销,减少内存占用量.然后,再结合voc2012数据集进行二次训练微调处理,加快训练收敛速度,使用自定义数据集能有效检测特定场景目标,能够有效识别远距离场景下视频目标物体.实验结果表明,改进的网络检测模型适用于远距离目标检测,减少计算量,降低硬件内存资源消耗,提高网络模型性能和检测精确度,具有较好的鲁棒性.     

任意m×n阶cobweb网络的等效电阻研究

采用递推变换(RT)方法研究了一类任意m×n阶cobweb网络的等效电阻.首先采用网络分析建立递推矩阵方程模型(包括边界条件方程模型),其次构造矩阵变换获得矩阵的特征值和特征向量以便获得矩阵方程的通解与特解,最后利用矩阵逆变换给出支路电流的解析解,从而获得任意m×n阶cobweb网络任意2节点间的等效电阻公式,所得结果是由特征值构成及单求和表达.作为公式的应用,给出了等效电阻公式在特殊情形下的数个结果,并且给出了任意半无限和无限情形时的数个新的等效电阻公式,在与其他结果比较时发现了一个新的三角函数恒等式.     

基于卷积神经网络的多天线Polar码联合解调-解码方案

为了验证运用神经网络进行信道解码的可行性,利用其提高短码长Polar码的译码准确率,提出了一种基于卷积神经网络(convolutional neural network,CNN)的多天线(multiple-input multiple-output)Polar码新颖联合解调-解码方案.搭建了一种包括4个卷积层,2个全连接层和1个输出层的卷积神经网络,采用最小均方误差作为损失函数,通过计算机生成了Polar码编码的多天线数据并对网络进行训练,使训练得到的神经网络能很好地提取出Polar码比特间的关系特征,从而拟合出Polar码译码函数.仿真结果表明,在相同信噪比条件下,基于CNN的Po-lar码联合解调-解码方案的误码率优于已有的基于全连接神经网络方案;所提方案在不同码率的仿真实验中的误码率皆优于基于全连接神经网络方案,损失曲线的收敛速度更快,显示了基于CNN的Polar码联合解调-解码方案具有更好的泛化能力和学习能力.     

立即可解网络编码应用于无线网络重传中的时延分析

立即可解网络编码(instantly decodable network coding,IDNC)分为狭义立即可解网络编码(strict IDNC,S-IDNC)和广义立即可解网络编码(generalized IDNC,G-IDNC).分析了S-IDNC和G-IDNC的特点,并对这2种思想应用于重传的时延性能做了对比分析.以最小化解码时延为目标提出基于S-IDNC和基于G-IDNC权重顶点搜索算法,实验对比分析了所提算法和已有典型算法性能,验证了所提算法的有效性,并归纳了S-IDNC和G-IDNC的时延特征差异.实验结果表明,基于S-IDNC的重传算法使得信宿节点的时延大小分布较为聚集,而基于G-IDNC的重传算法时延大小分布更为分散,G-IDNC时延均值优于S-IDNC,而S-IDNC系统完成时延优于G-IDNC.     

卫星网络中基于蚁群优化的概率路由算法

为了提高空间信息传输的有效性和可靠性,针对传统蚁群优化(ant colony optimization,ACO)容易造成最优路径负载过重而发生拥塞的问题,提出了一种基于蚁群优化的概率路由算法(ant colony optimization based proba-bilistic routing algorithm,ACO-PRA).根据卫星网络拓扑动态周期时变的固有特点,将拓扑周期均匀分为若干个时间片,形成基于不同时间片的卫星网络拓扑连通图;根据网络拓扑连通图,将星间链路带宽和链路容量引入到目标函数中,建立时延最小的优化模型;根据蚁群算法的节点概率函数选择下一跳节点,进而找到一条能同时满足时延带宽和链路容量要求的最佳信号传输路径.仿真结果表明,提出的基于蚁群优化的概率路由算法不仅能够降低平均端到端时延和丢包率,而且能够有效地提高网络吞吐量、平衡网络负载.