An Improved Temporal Fusion Transformers Model for Predicting Supply Air Temperature in High-Speed Railway Carriages

A key element for reducing energy consumption and improving thermal comfort on high-speed rail is controlling air-conditioning temperature. Accurate prediction of air supply temperature is aimed at improving control effects. Existing studies of supply air temperature prediction models are interdisciplinary, involving heat transfer science and computer science, where the problem is defined as time-series prediction. However, the model is widely accepted as a complex model that is nonlinear and dynamic. That makes it difficult for existing statistical and deep learning methods, e.g., autoregressive integrated moving average model (ARIMA), convolutional neural network (CNN), and long short-term memory network (LSTM), to fully capture the interaction between these variables and provide accurate prediction results. Recent studies have shown the potential of the Transformer to increase the prediction capacity. This paper offers an improved temporal fusion transformers (TFT) prediction model for supply air temperature in high-speed train carriages to tackle these challenges, with two improvements: (i) Double-convolutional residual encoder structure based on dilated causal convolution; (ii) Spatio-temporal double-gated structure based on Gated Linear Units. Moreover, this study designs a loss function suitable for general long sequence time-series forecast tasks for temperature forecasting. Empirical simulations using a high-speed rail air-conditioning operation dataset at a specific location in China show that the temperature prediction of the two units using the improved TFT model improves the MAPE by 21.70% and 11.73%, respectively the original model. Furthermore, experiments demonstrate that the model effectively outperforms seven popular methods on time series computing tasks, and the attention of the prediction problem in the time dimension is analyzed.     

布尔电路上保护隐私集合并集运算的研究与实现

隐私保护技术是当前信息安全领域的研究热点。然而,现阶段集合并集运算中的隐私保护技术侧重理论研究,在实验模型的开发上较为欠缺。针对该问题,该文首先设计了保护隐私的集合合并运算电路、去重电路和混淆电路,并应用YAO氏通用混淆电路估值技术提出了一种布尔电路上保护隐私的集合并集协议。然后,该文使用模拟器视图仿真法证明了协议的安全性。最后,基于MightBeEvil中的YAO氏混淆电路估值框架,开发了该文理论方案对应的实验模型。实验结果表明,在安全计算稀疏集合的并集时,所提算法效率优于当前布尔电路上的其他算法。     

一种新的红外焦平面阵列盲元检测算法

在分析盲元特性的基础上,依据形态学开闭运算对尖峰信号的滤波性质,提出了一种新的红外焦平面阵列盲元检测算法。选取合适的结构元素,运用开闭运算的滤波作用对图像进行平滑处理,从平滑图像中减去其均值得到阵列噪声响应图像,选取合适的图像均值的倍数作为检测阈值。对阵列图像进行开闭运算并与平滑图像取差后得到对过亮及过暗像素增强的图像,每个像素与阈值进行比较判别出盲元。     

InGaAs固体微光器件研究进展

InGaAs器件具有光谱响应宽、量子效率高、响应速度快、数字化读出、高温工作、可靠性好以及寿命长等优点,符合新一代微光器件的发展需求,在国际上成为固体微光器件的一种新选择,获得了重要的发展和应用。文章就 InGaAs 固体微光器件材料属性、器件性能以及成像特点等几方面进行了详细分析,介绍了当前InGaAs器件的发展趋势,以及研制320×256 InGaAs阵列的最新进展。研究结果表明 InGaAs 材料生长及器件工艺具有较好的可控性和稳定性,为实现高性能、实用化的InGaAs固体微光器件提供了技术支撑。     

一种共享份分块构造的异或区域递增式视觉密码方案

该文依据授权子集的个数将共享份划分若干块,按照共享份分块构造的设计思路,结合(n, n)异或单秘密视觉密码的加密矩阵,构造了异或区域递增式视觉密码的秘密分享与恢复流程。与现有方案相比,该方案可以实现解密区域图像的完全恢复,且明显减小了共享份的大小。     

一种基于免疫系统的RBF网络在线训练方法

 针对径向基函数(RBF)网络和免疫系统的相似性,本文提出了一种基于免疫模型的RBF网络在线学习方法以解决动态问题.该方法借鉴了免疫系统动态调整以对抗不断入侵的抗原的机制,通过免疫初步覆盖、免疫交叉响应和疫苗注射等免疫操作,加速算法效率、提高算法精度和动态性能.通过以上操作使得RBF网络能够根据样本的变化迅速地调整网络结构与参数.计算机仿真研究表明,采用这种方法设计的RBF网络在动态环境下具有优良的精度和泛化能力.     

一种高性能高清视频编码分像素插值滤波算法

为提高高清晰度视频编码的效率,基于一维立方卷积滤波原理提出了一种新的分像素插值滤波算法.实验结果表明,该插值算法与H.264/AVC标准中规定的6抽头插值滤波相比,在相同码率下,对高清晰度视频的编码信噪比可以提高0.5dB;同时,解码端存储复杂度降低了19%,计算复杂度相当.     

基于通道注意力机制和多尺度卷积的行人重识别

针对真实环境中由于复杂背景和物体遮挡、角度变换、行人姿态变化带来的行人重识别(person re-identification,person re-ID) 问题,设计了基于通道注意力(efficient channel attention,ECA) 机制和多尺度卷积(poly-scale convolution,PSConv) 的行人重识别模型。首先利用残差网络提取全局特征,在网络末端加入基于ECA机制及PSConv的特征融合模块,将全局特征和该模块提取的全局特征进行融合,之后将新的全局特征进行分割得到局部特征,最后将新的全局特征和分割得到的局部特征融合得到最终特征,并计算损失函数。模型在Market1501和DukeMTMC-reID 数据集上进行实验验证。在Market1501数据集中,Rank-1和平均精度均值分别达到94.3%和85.2%,在DukeMTMC-reID数据集中,上述两参数分别达到86.3%和75.4%。实验结果可知,该模型可应对实际环境中的复杂情况,增强行人特征的辨别力,有效提高行人重识别的准确率和精度。     

基于改进VGG网络的单体热电池X光图像无损检测方法研究

为解决单体热电池生产中出现的安装错误、人工检测耗时耗力的问题,提出一个结合迁移学习和卷积 神 经网络(convolutional neural network,CNN) 的单体热电池缺陷检测模型。首先,对数据集图像进行裁剪、加噪等预处理,以VGG16(visual geometry group 16) 网络作为 模型的骨干架构,在瓶颈层后增添选择性核(selective kernel,SK) 卷积;然后,增添全局平均池化(global average pooling,GAP) 层, 增加Dropout层及添加 L2 正则化等微调操作,得到单体热电池缺陷检测模型Q-VGGNet;最后,在大型公开数据集ImageNet上进 行预训练学习,将获得的权重参数迁移到单体热电池图像识别模型Q-VGGNet上。测试实验表明:6种 网络模型对数据集缺陷图像的总体识别准确率分别达到了98.39%、94.44%、97.27%、96.34%、93.71%、 95.61%,Q-VGGNet网 络模型 对合格图像和 漏装负极、极耳断裂、漏装集流片3种缺陷图像 识别准确率 分别达到了99.6%,95.9%,99.6%和98.4%。检测结果表明:该方法能够更准确、快速地检测热电池缺陷, 拥有良好的缺陷诊断能力,较传统方法提高近3%,为人工检测单体热电池缺陷提供了良好的解决途径。     

一种融合Gabor滤波与3D/2D卷积的高光谱图像分类算法

为了减轻卷积神经网络模型对训练样本的依赖性和提高高光谱图像的分类性能,本文提出了一种融合Gabor滤波与3D/2D卷积的高光谱图像分类算法.首先,三维Gabor滤波器用于处理原始高光谱数据以生成空谱隧道信息;其次,利用三维卷积操作提取生成的空谱隧道信息的深层特征;然后,再利用二维卷积进一步提取图像的空间信息;最后,通过...