声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法*

为提升电力变压器工作状态的智能监测水平,提出声纹信号-图形差分场增强和多头自注意力机制的变压器工作状态辨识方法。基于图形差分场技术将声纹信号映射为二维图像,再借助多头注意力机制的视觉转换器实现图像信息的深层挖掘与状态辨识,采用梯度加权类激活映射实现分类结果的可解释性分析。搭建了包含变压器4种典型工作状态下的实验模拟测试系统平台,实验结果表明：所提方法不仅能够有效表征变压器声纹信号的状态特征,且分类辨识精度相较于“时频图+引入多头注意力机制的变换网络”与“图形差分场+引入残差模块的卷积神经网络”的常规方法有显著提升,提升约6%,同时也具备较好的鲁棒性,可为电气设备的故障检测研究提供一定参考。     

多路串行数据光纤传输系统

提出一种适合于点-点或小局域间的中、长距离光纤(缆)传输系统。系统采用光纤(缆)作为传输媒介，因而具有抗电磁和核辐射等干扰能力，可应用于某些特殊的人工不宜到达的地理位置环境中；系统同时采用了单片机作串行数据的发射和接收，具有结构简单、可靠性高、数据处理能力强和串行波特率设置灵活等特点，能适应不同串行传输速率的需求，满足军用和民用的中、长距离的遥控及监控传输需求，应用前景广阔。     

连续流动式聚合酶链式反应芯片的设计进展

介绍了PCR的概念以及微型PCR芯片的优点，着重介绍连续流动式PCR(continuous-flow PCR)芯片／微装置的一般原理、串行流动及其设计进展。     

基于时空注意力机制的双向长短期记忆神经网络的股指预测研究

股票市场是一个高噪音的混沌系统，其外部属性之间的相关性问题以及在长期预测时外部影响对股价波动的加剧，导致对股票市场进行准确预测是一项富有挑战性的工作。为解决上述问题，本文利用基于注意力机制的双向长短期记忆神经网络(BiLSTM)对香港恒生指数收盘价进行有效性的实证检验。其中，空间注意力机制用于捕捉输入指标之间的相关性并为其赋予区别权重，时间注意力机制用于描述数据的时间相关性以解决长期预测中的时间依赖问题并为时间步赋予区别权重，BiLSTM神经网络用于拟合数据并构建预测模型。本文还比较了四种基于注意力机制的神经网络方法和六种基线方法，实验结果表明，与当下流行的股票指数预测方法相比，基于双维度注意力机制的BiLSTM可以在短、中、长期预测中均实现更准确的股票指数收盘价预测。     

LK-CAUNet：基于交叉注意的大内核多尺度可变形医学图像配准网络

经典的UNet网络可用于预测全分辨率空间域的密集位移场，在医学图像配准中取得了巨大成功。但对大变形的三维图像配准，还存在运行时间长、无法有效保持拓扑结构、空间特征易丢失等缺点。为此，提出一种基于交叉注意的大内核多尺度可变形医学图像配准网络（large kernel multi-scale deformable medical image registration network based on cross-attention,LK-CAUNet）。在经典UNet模型基础上，通过引入交叉注意力模块，实现高效、多层次的语义特征融合；配备大内核非对称并行卷积，使其具有多尺度特征和对复杂结构的学习能力；通过加入平方和缩放模块，实现拓扑守恒和变换可逆。基于脑部MRI数据集，将LK-CAUNet与18种经典图像配准模型进行了比较，结果表明，LK-CAUNet的配准性能较其他模型有明显提升，其Dice得分较TransMorph配准方法提高了8%，而参数量仅为TransMorph的1/5。     

基于改进U-net的金属工件表面缺陷图像分割方法

针对金属工件表面小尺寸缺陷及受非均匀光照影响的图像缺陷难以分割的问题,提出了一种改进的U-net语义分割网络,实现金属工件表面缺陷图像的精确分割。首先,在U-net网络中融入CBAM(convolutional block attention module)模块来提升图像中缺陷目标的显著度;其次,采用深度超参数化卷积DO-Conv(depthwise over-parameterized convolutional)代替网络中部分传统卷积,增加网络可学习的参数数量;然后,采用Leaky Relu函数代替网络中部分Relu函数,提高模型对负区间的特征提取能力;最后,采用中值滤波及非均匀光照的补偿方法进行图像预处理,减弱非均匀光照对金属工件图像表面缺陷的影响。结果表明:改进后的网络平均交并比、准确率和Dice系数指标分别达到0.833 5、0.933 2、0.867 4,改进的网络显著提升了对金属工件表面缺陷图像的分割效果。     

基于光谱图像的森林病虫害自动检测方法

我国天然林区分布范围广,地形复杂,依靠传统的护林员巡检方式进行林木病虫害防治,效率较低,难于及时发现早期的林木病虫害,可能因此错过防治的最佳时机。针对该问题,设计了一种基于多光谱图像检测林木病虫害的深度学习网络,研发了一套检测软件,通过无人机挂飞实验,利用搭建的深度学习网络,完成林区染病区检测,对检测结果进行了分析。     

基于深度学习的合成孔径雷达图像去噪算法

针对合成孔径雷达在生成图像时产生的固有斑点噪声问题,提出了一种基于多尺度注意力级联卷积神经网络的去噪算法,用多尺度卷积网络与注意力机制来实现图像的特征提取,将级联网络结构作为主网络中的特征增强部分,并加入批量归一化来防止模型中出现过拟合。实验结果表明,所提算法相较于其他传统图像去噪算法,峰值信噪比、结构相似性分别平均提高了0.75 dB～14.45 dB和0.01～0.16,在图像熵上也优于其他算法,并且能较好地恢复图像中的细节信息。     

基于多任务卷积神经网络的红外与可见光多分辨率图像融合

红外与可见光图像融合一直是图像领域研究的热点,融合技术能弥补单一传感器的不足,为图像理解与分析提供良好的成像基础。因生产工艺以及成本的限制,红外探测器的分辨率远低于可见光探测器,并在一定程度上因源图像分辨率的差异阻碍了实际应用。针对红外与可见光图像分辨率不一致的问题,提出了用于红外图像超分辨率重建与融合的多任务卷积网络框架,应用于多分辨率图像融合。在网络结构方面,首先设计了双通道网络分别提取红外与可见光特征,使算法不受源图像分辨率的限制;其次提出了特征上采样模块,先用双线性插值方法增加像素个数,再通过多层感知器精细化拟合像素平滑空间与高频空间的映射关系,无需重新训练模型即可实现任意尺度的红外图像上采样;接着将线性注意力引入网络,学习特征空间位置间的非线性关系,抑制无关信息并增强网络对全局信息的表达。在损失函数方面,提出了梯度损失,保留红外与可见光图像中绝对值较大的滤波器响应值,并计算该值与重建的融合图像响应值的Frobenius范数,无需理想的融合图像作为真值监督网络学习就能生成融合图像;此外,在梯度损失、像素损失的共同作用下对多任务模型进行优化,可以同时重建融合图像和高分辨率红外图像...     

注意力机制融合前端网络中间层的语声情感识别

为了使机器能够更好地理解人的情感并改善人机交互体验,可对语声特征及分类网络进行融合以提升情感识别性能。本文从网络融合的角度,把基于梅尔倒谱系数和逆梅尔倒谱系数的二维卷积神经网络和基于散射卷积网络系数的长短期记忆网络作为前端网络,提取前端网络的中间层作为话语级的特征表示,利用压缩-激励(SE)通道注意力机制对前端网络的中间层的权重进行调整并融合,然后由深度神经网络后端分类器输出情感分类结果。在汉语情感数据集中进行五折交叉验证的对比实验,实验结果表明,基于SE通道注意力机制的网络融合方式可以有效地利用不同前端网络在语声情感识别任务中的优势,提高语声情感识别的准确率。