基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

E-Elman神经网络在冰蓄冷空调系统建模中的应用

冰蓄冷技术能够为空调系统带来显著的节能效果, 已广泛地应用在现代建筑当中, 准确的监测数据预测值有利于系统合理地运行; 针对实际冰蓄冷空调工程中的能源管理控制系统（energy management and control system, EMCS）数据采样周期较长所导致在系统制冰与融冰阶段数据不足的问题, 提出了一种改进的机组运行状况预测模型; 模型算法以数据变化趋势为依据, 在传统Elman中引入评价层以约束网络输出值, 增加计算针对性, 从而提高模型输出的准确性; 仿真结果表明, 此种建模方法解决了系统融冰与制冰阶段的数据突变及网络输出值局部最优解等问题, 与传统Elman网络结构相比, 其输出值更为接近测量值, 有效地提高了模型输出的真实性; 通过关联函数, 设计的模型对冷水机组的能源消耗也可起到预测作用, 进一步说明了其实用性。     

冷源方式选择对CEC影响的分析

以空调系统能耗系数CEC(Coefficient of Energy Consumption)即空调设备全年总能量消耗量与假想空调负荷累计值之比作为空调系统能耗性能评价指标,对天津地区某典型办公大楼建筑空调系统选用水源热泵和溴化锂冷热水机组条件下的能耗状况进行计算与分析。并证明了与采用水源热泵的空调系统相比较,采用溴化锂冷水机组的空调系统节电不节能。     

基于遗传注意力机制的DLSTM电力系统混沌预测

提出一种基于遗传算法优化注意力机制的深度长短期记忆网络(DLSTM)方法,用于电力系统的混沌预测。通过传递共享参数,将遗传算法优化的注意力机制加入DLSTM模型中,可以挖掘时间序列中潜在特征,同时避免陷入局部优化。该方法是一种受进化计算方法启发的寻优方法,可以很好地学习注意力层中的参数。电力系统混沌预测实验表明所提模型比其他参考模型具有更高的预测精度和长期预测能力。     

基于PSO-LM-BP算法的空调系统节能预测控制研究

针对夏季建筑空调系统能耗高、碳排放量大的问题,提出一种改进后的LM-BP神经网络,并结合粒子群优化算法,建立基于建筑历史数据的空调系统冷负荷神经网络预测模型,通过粒子群算法寻优得到不同负荷率下冷源系统各设备的最优运行参数。以青岛某一公建项目为例,采用TRNSYS仿真模拟空调运行能耗。结果表明,与传统控制策略相比,所采用的空调系统负荷预测控制策略节能9.9%。     

改进的Faster-RCNN算法在聚乙烯管接头内部缺陷检测中的应用

超声相控阵技术是目前聚乙烯管道热熔接头内部缺陷检测的一种主流方法。提出了基于注意力机制的改进Faster-RCNN目标检测网络用于超声相控阵D扫图聚乙烯管接头内部缺陷检测。针对聚乙烯管道热熔接头内部超声相控阵D扫图小缺陷较多、特征信息容易丢失的问题,将残差网络(ResNet50)与特征金字塔网络(FPN)相结合作为骨干网络,并引入卷积注意力模块(CBAM)自适应细化特征。将SSD网络框架和Faster-RCNN网络框架用于模型训练和测试,使用VGG16、ResNet50、ResNet50+FPN、ACBM+ResNet50+FPN作为骨干网络依次对超声相控阵聚乙烯管道热熔对接接头内部缺陷样本进行训练对比。结果表明,改进的Faster-RCNN网络模型在聚乙烯管接头内部缺陷检测和分类方面有明显改进,对小缺陷的检测性能有了显著的提高。     

结合注意力机制的改进U-Net网络在端到端语音增强中的应用

设计了一个适用于端到端语音增强的改进的U-Net (Attention Dilated Convolution U-Net,ADC-U-Net)网络模型.与基线U-Net网络相比,一方面通过加入空洞卷积减小由采样带来的信息损失;另一方面引入了注意力机制结构,结合了含噪语音更多的上下文信息,提取更深层次和更丰富的特征信息...     

基于STA-CRNN模型的语声情感识别*

语声情感识别对人机交互和情感计算研究领域具有重要作用,各类研究方法层出不穷。近期研究学者应用卷积神经网络和长短期记忆网络方法提取对数Mel谱图空间特征和时间特征,取得了一定的成果。然而不论是卷积神经网络还是长短期记忆网络提取特征时,都会产生特征冗余,导致语声情感识别效果下降。针对这一问题,该文提出了一种基于时空注意力机制的卷积-递归神经网络模型,采用对数Mel谱图和其一阶差分、二阶差分作为特征输入,在使用卷积神经网络提取空间特征和长短期记忆网络提取时间特征时,加入空间注意力和时间注意力机制,从而使上述网络能够更好地提取到对数Mel谱图中有效表征情感的空间特征和时间特征。该模型在Emo-DB和IEMOCAP语声数据集上的加权准确率分别达到86.8%、69.4%,未加权准确率分别达到84.7%、65.5%,优于当前大多数先进方法。     

双路注意力循环网络的轻量化语音分离

提出了双路注意力循环网络的轻量化语音分离方法。首先,该方法使用基于“双路注意力机制”和“双路循环网络”的可选择分支结构对语音信号进行建模,从而提取深层特征信息并降低模型的参数量。其次,引入子带处理技术,从而降低模型的计算量。在LibriCSS数据集上的实验结果表明,该方法取得的平均词错误率为8.6%,且参数量和计算量分别仅为0.15 MiB和15.2 G/6s,与当前主流方法相比,分别减小了3.3～391.3倍和1.1～3.2倍。这表明,所提方法在取得高语音分离性能的同时,能有效地降低模型的参数量和计算量。     

基于Mel频谱值和深度学习网络的鸟声识别算法*

为了增强网络对鸟鸣声信号的特征学习能力并提高识别精度,提出一种基于深度残差收缩网络和扩张卷积的鸟声识别方法。首先,提取鸟鸣声信号的对数梅尔特征及其一阶和二阶差分系数组成logMel特征集作为网络模型的输入;其次,通过深度残差收缩网络自动学习噪声阈值,减少噪声干扰;然后,引入扩张卷积增大卷积核感受野并利用注意力机制使网络更关注关键帧特征;最后,通过双向长短时记忆网络从学到的局部特征中学习长期依赖关系。以百鸟数据birdsdata鸟声库中的19种中国常见鸟类作为实验对象,识别正确率可以达到96.58%,并对比模型在不同信噪比数据下的识别结果,结果表明该模型在噪声环境下的识别效果优于现有模型。     

结合卷积神经网络与混响时间注意力机制的混响抑制

提出一种结合卷积神经网络的编解码器模型和混响时间注意力机制的混响抑制算法,该算法通过编解码器模型实现混响抑制,并利用混响时间注意力机制克服混响环境变化对混响抑制效果的影响。该算法在编码器中使用具有不同大小的卷积核来处理混响语音幅度谱,从而获得包含多尺度上下文信息的编码特征;通过引入注意力模块,实现在不同的混响时间环境中选择性地使用不同权重的编码特征生成加权特征;最后,在解码器中使用加权特征来重建混响抑制后的语音信号幅度谱。在模拟和真实的混响环境下,该算法相对于基线系统在语音混响调制能量比上分别取得了0.36 dB和0.66 dB的提升。实验结果表明,该算法可以适应不同混响环境的变化,相对基线系统在真实混响环境下具有更高的鲁棒性。      

基于深度学习的语声抑郁识别*

世界各地抑郁症患者数量不断增多,抑郁症的诊断和治疗面临着医生短缺问题,针对这一问题,提出了CNN和结合注意力机制的BLSTM特征融合模型。从特征选择和网络构架两方面进行了研究,对比了几种经典语声特征,得出梅尔倒谱系数对抑郁分类效果最好,再将梅尔倒谱系数分别送进CNN和结合注意力机制的BLSTM网络实现抑郁分类。在DAIC-WOZ数据集上进行实验,所提出的方法对语声抑郁的分类精确度达到78.06 %,F1分数达到74.68%。 关键词：抑郁识别;语声分析;分类     

基于改进Faster R-CNN的红外目标检测算法

为提升红外目标的检测精度,提出了一种引入频域注意力机制的Faster R-CNN红外目标检测算法。首先,针对红外图像边缘模糊和噪声问题,设计了一种并行的图像增强预处理结构;其次,在Faster R-CNN中引入频域注意力机制,设计了一种新型红外目标检测主干网络;最后,引入路径增强金字塔结构,融合多尺度特征进行预测,利用底层网络丰富的位置信息,提升检测精度。在红外飞机的数据集上进行实验,结果表明,改进后的Faster R-CNN目标检测框架比以ResNet50为主干的算法的AP提升了7.6%。此外,与目前主流算法对比,本文算法提高了红外目标的检测精度,验证了算法改进的有效性。     

太阳能耦合式空调及热水一体系统研究

为解决北方部分城市无集中供暖建筑空调问题,将太阳能与建筑空调及热水系统相结合,提出一种新型太阳能耦合空气源热泵空调及热水系统。通过热力学模型建立与求解,以兰州的气候数据为依据,分析了热泵性能系数(COP)与系统能耗的变工况特性,并基于特定工况,探讨了不同太阳能保证率下系统的节能减排效益。研究结果表明,在太阳平均辐照度为374 W/m²,冷凝温度为55℃,环境温度在-10～0℃的工况下,系统COP均高于3.5,拥有良好的性能。在全年空调期为220天,建筑面积为100 m²的房屋中,相较于普通的热泵系统,采用太阳能保证率为30%的耦合式空调系统一年可多节省2.1 t的标准煤,并减少5.56 t的二氧化碳排放量。     

采用上下文相关的注意力机制及循环神经网络的语音增强方法

提出了采用上下文相关的注意力机制及循环神经网络的语音增强方法。该方法在训练阶段联合训练计算注意力评分的多层感知机和增强语音的深度循环网络,在测试阶段计算每一帧语音的注意力向量并与该帧语音拼接输入深度循环网络增强。在不同信噪比的实验中,该方法相比基线模型能更好地提高语音质量和可懂度,-6 dB下相对带噪语音短时客观可懂度(STOI)和语音质量感知评估(PESQ)可分别提高0.16和0.77,同时在未知噪声条件下该方法性能仍最优或接近最优。因此注意力机制可以有效强化模型对上下文信息的利用能力,从而提高模型增强性能。      

卧室节能空调和取暖方案的模拟研究

分别对卧室房间两种空调方案进行模拟研究,比较它们的舒适性和能耗情况找出夏季优质节能空调方案。为避免冬季空调高风速、大风量、大温差、高能耗的特征,提出改进的冬季取暖方案。模拟结果及相关分析说明了在满足人体睡眠舒适性的条件下,分别使用方案一的夏季空调方案和改进的冬季取暖方案时的能耗约为传统空调能耗的40%。并对此节能空调和取暖方式的研究进行了技术展望。     

基于多尺度残差注意力网络的水下图像增强

针对水下图像由水的散射、吸收引起的色偏、色弱、信息丢失问题,提出了一种基于多尺度残差注意力网络的水下图像增强算法。该网络引入了改进的UNet3+-Avg结构与注意力机制,设计出多尺度密集特征提取模块与残差注意力恢复模块,以及由Charbonnier损失和边缘损失相结合的联合损失函数,使该网络得以学习到多个尺度的丰富特征,在改善图像色彩的同时又可保留大量的物体边缘信息。增强后图像的平均峰值信噪比(PSNR)达到23.63 dB、结构相似度(SSIM)达到0.93。与其他水下图像增强网络的对比实验结果表明,由该网络所增强的图像在主观感受与客观评价上都取得了显著的效果。     

基于改进DeepLabV3+网络的卫星遥感图像林地提取

针对普通卷积神经网络在遥感图像分割中林地边界区域识别不完整、小片林地分割精度低的问题,提出一种基于transformer与注意力机制的DeeplabV3+网络改进方法。在编码阶段引入transformer机制,将原池化金字塔部分中的空洞卷积操作替换为可获取更多上下文信息的transformer操作,从而提高网络对林地边界信息的提取能力;将注意力机制引入到网络的解码部分,提升模型对小片林地的检测能力。实验表明,采用改进后的方法平均交并比(MIou)可达到81.83%,对比原DeepLabV3+网络模型提升了1.25%。该方法充分考虑了卫星遥感图像分割中林地边缘信息的提取以及对小目标的关注度,提出的改进方法可提升遥感图像中对林地提取的精度。     

基于DSA-BCNN的毫米波图像隐藏物检测

自动检测毫米波图像中被检人员是否携带隐藏物,是实现智能毫米波安检系统的重要技术之一.针对隐藏物在毫米波图像中的特征局部性和低辨识性问题,提出一种动态自注意力的双线性卷积神经网络,能够仅以图像级标签训练,实现图像中隐藏物的存在检测.引入自注意力机制以引导网络对隐藏物区域进行特征提取,增强网络刻画全局信息的能力;双线性池化...     

采用自注意力机制的OCT图像AMD亚型分类研究

目前基于卷积神经网络(CNN)的视网膜光学相干层析成像(OCT)图像分类方法存在对于小范围病变区域识别不清的问题,导致在判断年龄相关性黄斑变性(AMD)疾病干湿性、脉络膜新生血管形成(CNV)的活动性时准确率不高,而正确判断病变类型对于眼科医生制定治疗方案至关重要。为此本文提出了一种基于自注意力机制的CNN模型MobileX-ViT,将传统卷积层和自注意力模块结合,同时提取浅层网络的特征信息并获取图像的全局信息,以提高模型分类准确率。实验证明,相比于经典CNN分类模型Inception-V3、ResNet-50、VGG-16和MobileNeXt,文章提出模型在分类准确率上分别提高了5.6%、5.3%、4.5%和2.8%,证明了模型的有效性,为解决目前视网膜OCT图像分类中对于小范围病变区域识别不清的问题提供了新的方法。