摘 要:合成孔径雷达(SAR)图像具有显著的结构信息表达能力,而可见光图像则可以提供纹理和语义信息,将两者融合能够更好地利用两种图像的不同优势。为此,提出了一种结合特征级和像素级双路径融合的图像融合模型,有效保留了可见光图像的自然纹理特性并抑制 SAR 图像中的相干斑噪声。为有效整合两条路径的优势,设计了一种基于图像质量指标的自适应融合策略。在 OSdataset 和 QXSLAB_SAROPT 数据集上的大量实验结果表明,本文模型在多个评价指标上均取得优势,表现出更好的信息保留能力和结构一致性。
202130605225@mails.zstu.edu.cn; swm@zstu.edu.cn; lijianqiang@zstu.edu.cn 摘 要:软包装印刷因具备高效率与低成本被广泛应用于包装和标签领域。然而,高速生产中材料形变与油墨转移不均易引发微小表面缺陷,严重影响产品质量。传统机器视觉虽然在缺陷检测中比人工检查具备更高精度与效率,但对微小缺陷和复杂背景仍存在局限。提出基于改
摘 要:针对现有英语口语发音评估能力不足问题,构建融合情感识别与自动发音评估的综合口语质量评估算法。通过多模态瓶颈压缩融合模块提升情感识别准确性,设计通道时间感知 SE 模块实现音素、单词和话语级多粒度发音评估,引入双向交叉注意力融合模块动态加权情感与发音特征生成综合口语质量评分。实验结果表明:在 IEMOCAP 数据集上情感识别结果 F1 分数达到 73.6%、准确率(Acc)达到 74.2%;在 SpeechOcean762 数据集上话语级流利度(PCC)达到 82.3%;在自建数据集上情感量化评估 MSE(Mean Square Error)达到 0.768,自动发音评估话语级各方面均值 PCC 达到 79.3%,综合口语质量评分 MSE 达到 75.4%。
摘 要:现有方法在处理社交软件文本情感分析的过程中往往会出现一些问题,在捕捉其口语化、非正式表达及强上下文依赖特性时常面临挑战。为克服传统模型在语义理解深度与关键信息聚焦上的不足,针对抖音用户评论文本,提出并构建了一种 BERT-BiLSTM-Attention (BERT-BiLSTM-Att) 深度学习模型,旨在高效、准确地实现评论文本的情感倾向(积极、中立、消极)分类。该模型集合了 BERT 预训练模型的强大语义表征能力、BiLSTM 捕捉上下文依赖关系的优势,以及聚焦关键信息的注意力机制(Attention Mechanism)。在包含超过 46 万条评论的数据集上,所提模型展现出了优异的性能,验证集准确率达到 92.4%,远高于如 CNN、RNN 和朴素贝叶斯等传统算法,在社交媒体的短文情感分析中充分体现了该模型的优越性。
✉ 2363703931@qq.com; louzhie@njupt.edu.cn; 892013540@qq.com; 435271860@qq.com 摘 要:针对冷链物流成本、环保与客户体验难以兼顾以及现有算法求解能力不足的问题,对低碳冷链公铁联运路径优化问题进行研究,旨在协同降低物流总成本与提升客户满意度。构建以成本-满意度比值最小为目标的数学模型,综合考虑运输、转运、制冷及碳
摘 要:多聚焦图像融合任务旨在将同一场景下不同聚焦区域的图像融合成全焦段图像。传统图像融合策略依赖固定小波基或深度学习进行特征提取和融合,灵活性差,难以在复杂应用场景下有良好的融合效果,融合图像物体边缘信息损失或重复叠加,融合后产生残影重影现象。因此提出一种基于小波变换与残差分组空洞卷积的多聚焦图像融合方法,结合可学习平稳小波变换(LSWT)与多子带梯度选择策略,有效提升融合图像的边缘清晰度与细节完整性,通过保留低频结构信息与高频细节,避免传统小波变换对图像进行下采样导致的信息损失,增强特征表达、捕捉多尺度信息,综合提升模型对多聚焦图像特征的提取与融合能力及泛化性。实验结果表明:与传统融合算法相比,本文方法在峰值信噪比(PSNR)方面平均提升约7%~18%,在SSIM方面均值突破0.976,提升约0.5%~9%,在NMI方面提升约1.5%~5%,显著增强了像素级重构、结构信息保留及多源图像信息整合能力,在图像物体边缘处理、细节信息保留方面具有优势,客观评价指标和主观评价与标准图像非常接近。
871768297@qq.com; 2722401321@qq.com; 2941253119@qq.com; 289607481@qq.com 摘 要:针对自然场景舌象识别中面临的检测精度有限、复杂特征表征能力不足以及在移动设备上部署复杂度高等问题,提出一种基于改进 MobileNet V3-Small 的轻量化舌象检测方法。首先,采用高效通道注意力(ECA)模块替代原压缩激励(SE)
摘 要:为应对风电功率预测中的不确定性,提出一种基于数据增强的加权马尔可夫链和期望分位数回归(ER)结合LightGBM的两阶段预测模型。第一阶段,构建融合Weibull分布的数据增强策略的加权马尔可夫链模型,对未来风速进行预测,并与传统马尔可夫链进行对比;第二阶段,构建基于ER与LightGBM结合的模型,以风速预测值与前一时刻的风电功率作为输入,输出特定置信水平下的风电功率预测区间,并与模型ER和QR-LightGBM进行对比。两阶段均采用基于树结构的贝叶斯优化(TPE)算法进行超参数调优。基于欧洲海上风电数据集的实验结果表明,该模型在预测准确性和区间可靠性方面均优于对比模型,有效提升了风电预测性能。
✉ wangzihang1@buaa.edu.cn; itsaweb@163.com; timefan@buaa.edu.cn; tangdiyin@buaa.edu.cn 摘 要:随着工业智能化水平的逐年提高,在现实环境中设备的复杂度和实时性要求日渐增加。目前,绝大多数的故障推理都需要将数据上传至云端统一推理返回结果,这导致对设备的故障推理高度依赖网络、稳定性较低,且浪费了端侧的硬件
摘 要:现有生成式人工智能驱动的医疗智能体在除幻能力和个性化诊断方面表现差异显著,用户面临着遴选高质量智能体并与之建立初始信任的“冷启动”难题。为此,提出一种融合区块链与社会信任的医疗智能体可信推荐方案。该方案以既往用户的直接评价为可信基石,利用社交网络的主动传播构建多跳可信推荐链;设计动态信任计算模型,引入不对称惩罚因子与多链路聚合机制,在科学量化推荐路径间接可信度的同时,有效弥补深度衰减并抵御恶意传播者的渗透;利用智能合约对全链路信任证据进行追溯与验证,确保推荐过程的真实性与不可篡改性。实验结果表明:所提方案能有效隔离恶意用户的攻击,在恶意用户占比达30%的极端攻击场景下,Precision@10 性能总衰减率仅为3.6%,显著优于传统协同过滤(CF)算法41.2%的衰减率。真实性审计在4条典型路径下仅消耗35 816 Gas、耗时238.9 ms。所提方案在推荐可靠性、信任可量化及过程可审计方面均具有显著优势,兼具经济可行性与运行效率。
摘 要:针对学术投稿过程中用户与期刊精准匹配的关键问题,对融合多维度特征的混合推荐系统进行了研究。通过整合用户学术背景、论文内容及期刊属性多源数据,建立用户-期刊双轨特征体系:用户画像融合 TF-IDF/LDA 主题模型与 H 指数、合作网络分析量化学术影响力;期刊画像基于 BERT 语义编码与主题建模解析内容偏好。设计内容匹配与协同过滤模块的协同机制,引入动态权重调节策略,根据用户学术成熟度与数据完备性实时调整权重比例。实验结果显示,该方法在信息科学数据集上 P@10 达 0.85、R@10 达 0.80、F1 分数达 0.82,为中文学术论文投稿期刊选择提供可解释的智能支持。
摘 要:为提高采油井停机探测效率与准确性,针对传统人工巡检滞后性强、停机类型难以区分的问题,提出了一种基于人工智能驱动的数字油田停机探测算法。通过融合RTU实时数据与A2生产数据,构建多源异构数据分析模型,结合Oracle数据库优化技术与帆软可视化平台,设计了动态阈值过滤、时间序列分析及机器学习辅助判据的数据清洗方法。创新性引入电流-电压联合判据与决策树分类模型,实现计划与非计划关井的精准区分;开发了聚类与地理信息系统(GIS)热力图的盗油行为预警机制,并构建实时监控看板支持多维度可视化分析。实际应用表明,该算法将停机探测响应时间缩短至10 min,关井分类准确率达97%,采油井时率提升12%,年增产原油12 000 t,为油田智能化运维提供了高效可靠的技术方案。
摘 要:织物瑕疵检测是纺织工业的重要组成部分。针对瑕疵类型多样、瑕疵尺寸小以及模型参数量大的难题,基于YOLOv11n构建了轻量级模型SDW-YOLO。模型主要创新点有3个:(1)基于ShuffleNet构建的轻量级骨干网络,参数量减少31%;(2)无参数SimAM注意力机制,增强特征表达;(3)全面改进的颈部网络,采用深度可分离卷积、优化的特征融合和小波变换进行多尺度特征提取。与YOLOv11n相比,SDW-YOLO的参数量、FLOPs和模型大小分别减少了61.6%、50.8%和57.7%,mAP@0.5提高了1.4个百分点。以上结果表明SDW-YOLO在准确率和轻量级特性方面均具有优势,非常适合在移动设备上进行织物瑕疵自动检测任务。
摘 要:基于高光谱成像技术,提出了一种用于快速预测玉米籽粒蛋白质、油脂、水分和淀粉含量的多模型对比方法。利用80个玉米样本在1100~2498 nm(700通道)范围内的光谱数据,结合5种预处理与2种变量筛选方法进行特征提取,并采用偏最小二乘回归(PLSR)、支持向量回归(SVR)、主成分回归(PCR)和岭回归(Ridge)方法建模。结果显示:1Der-BOSS-Ridge模型性能最优,预测蛋白质、油脂、水分和淀粉的 Rp2 分别达到0.975、0.934、0.923和0.894;引入SHAP解释性分析可视化了特征波段的重要性,提升了模型可解释性,为玉米籽粒品质的快速、无损检测提供了有效技术支持。