关键词： Retinex(MSR)   预处理   信噪比   动态注意力机制   Im-YOLOv5  

摘要： 针对当前化工行业中员工安全帽佩戴检测方法效率低、实时性差等问题,为减少员工由于未佩戴安全帽进入生产装置而发生意外情况,提高安全生产效率,文章提出了一种基于改进YOLOv5算法的员工安全帽佩戴检测方法。首先,采用多尺度Retinex(MSR)图像处理算法对生产现场视频图像进行预处理,提高视频图像的信噪比,降低噪声干扰;其次,结合SKNet动态注意力机制对原YOLOv5算法模型进行改进,提高视频特征信息提取能力,优化算法的检测精度;最后,对改进的Im-YOLOv5模型的检测准确率进行实验验证。实验结果表明,改进的Im-YOLOv5模型的mAP(mean average precision)达到了93.5%,其准确率相较于YOLOv5得到了提升,具有较好的检测效果。

关键词： 机载测深激光雷达   深度学习   波形处理   图像语义分割  

摘要： 为提升机载测深激光雷达水深探测能力,提出了一种反演水深的深度学习方法。该方法先将雷达采集波形转换为图像,再使用深度学习模型对图像进行语义分割,从而实现水深反演。将雷达采集波形转换为图像的好处是:相较于单条波形处理,可以利用相邻帧的波形信息,有利于微弱海底信号的提取。在数据预处理方面,提出了一种快速消除不同水质回波差异的方法,使得模型训练集的构建简单,不需要考虑不同水质回波特性的差异。深度学习模型的整体结构为U-net,结合了道路线检测模型空间卷积神经网络(SCNN),提升了模型的语义分割能力。利用大洲岛、大埕湾、北礁三地采集的数据对该方法进行了验证,结果表明:模型适用于不同水质,具有良好的鲁棒性;相较于波形处理方法,该方法的水深提取的正确率平均提升了27%,大洲岛最大测量水深提升了3.2 m,大埕湾提升了1.6 m,北礁提升了6.0 m。

关键词： 机器学习   粒子群优化算法   浅埋暗挖隧道   智能预测   地表位移  

摘要： 浅埋暗挖隧道的地表位移受众多因素影响,如隧道几何参数、地质力学参数和施工参数等。因此,建立一种能够应对复杂条件的地表位移智能预测方法,是浅埋暗挖隧道关注的核心问题,也是实现隧道智慧化施工的重要基础。采用4种机器学习方法,分别为支持向量回归、随机森林、反向传播神经网络和极限学习机,并结合粒子群优化算法确定4种机器学习模型的最优超参数或随机数,从而建立一种针对浅埋暗挖隧道地表位移的混合智能预测方法。以北京地铁12号线安华桥站—安贞桥站区间段为工程背景,构建了包含73组浅埋暗挖隧道地表位移数据的数据库,并基于3种性能评价指标(决定系数R2、平均绝对百分比误差MAPE和均方根误差RMSE)对4种混合智能预测模型的预测性能进行了对比分析。此外,采用SHAP模型研究输入特征对输出值的贡献,讨论了各影响因素对地表位移的相对重要性。结果表明,支持向量回归混合智能预测模型在测试集中性能最佳,R2为0.86,MAPE为0.0079,RMSE为1.94 mm;土的压缩模量对地表沉降影响最大,其次为隧道的中心埋深和隧道横截面的宽度。

关键词： 联邦学习   滞后者效应   模型卸载   强弱匹配   资源异质性   模型重构   边缘计算  

摘要： 针对边缘计算环境下联邦学习中因资源异质性导致的“滞后者”效应等问题,提出基于匹配的模型卸载边缘联邦学习方法(Fed-MBMO)。该方法通过收集边缘设备的性能分析结果,将设备分别划分为强、弱客户端,考虑了模型训练的四个阶段时间占比,弱客户端通过冻结部分模型以节省在特征层上反向传播的时间,并将模型卸载至“强客户端”进行额外的训练,最后将强客户端模型的特征层与弱客户端的全连接层进行模型重构。为提高模型卸载效率,综合考虑模型特征层的相似度与任务完成时间构建了卸载成本矩阵,并将问题转换为迭代求解基于二部图的最优匹配问题,提出基于Kuhn-Munkres(KM)的模型卸载算法并进一步分析了Fed-MBMO算法的时间复杂度。实验结果表明,在资源与数据极端异质的情况下,该方法能够加速模型收敛,模型训练时间与FedAvg、FedUE和Aergia相比分别平均减少46.65%、12.66%、38.07%。实验结果证明了所提的Fed-MBMO算法能够有效解决“滞后者”效应问题并显著提高联邦学习效率。

关键词： 红色歌曲   党史学习教育   党校   融入策略  

摘要： 纵观世界,红色歌曲在我国也是十分独特的文化载体,是在革命时期的劳动人民对党的歌颂、对美好生活的向往,同时也承载着巨大的文化内涵。因此,在党史的教育中融入红色歌曲,一方面可以让年轻党员感受当年党民之间的深厚情谊,从而加深自己“为人民服务”的责任感;另一方面,也拓宽了党史教育的方式方法,使得党史教育对年轻党员更具吸引力。本文将着重分析红色歌曲融入党史学习教育的重要意义,指出当下红歌发展的困境,并且提出一些将红色歌曲更好融入党史学习教育的策略与路径。

关键词： 语句   英语阅读   科普文   词汇   学习方法   说明文  

摘要： 在英语学习的海洋中,词汇和语句就像是两座暗礁,阻碍我们自由自在地遨游。本文将紧握英语阅读学习的钥匙,打开英语词汇和语句的神秘大门,让学习方法成为英语阅读的得力助手。一、关键词句提取,提炼主题观点(一)紧扣文章标题,把握文章内容在英语阅读中,一些说明文及科普文很难理解,因为其中有很多解释性的词汇和语句。对于这类文章,我们要注意它们的主标题和副标题,主标题通常预示着文章的主题,副标题则缩小了研究的内容。

关键词： 基础性学习   高中生物学习  

摘要： 一、基础性学习基础性学习是深度学习的起点,尤其在生物学科中,知识点多且琐碎,涵盖范围广,我们不仅需要记住大量的生物学概念和生理过程,还需要深入理解生命现象背后的原理与机制。“概念映射法”可以有效帮助我们理清知识点之间的逻辑联系,打破孤立记忆的局限性。例如在《细胞的基本结构》单元,“概念映射法”能够帮助我们将不同的细胞结构、功能和其在生命活动中的作用系统化,避免知识的碎片化记忆,夯实生物学的基础性知识。

关键词： 超短期风电功率预测   互补集合经验模态分解   蛇优化算法   极限学习机  

摘要： 针对风电功率数据高波动性和间歇性的特点,文章提出了一种基于泊松噪声的互补集合经验模态分解(CEEMDPN)和改进的蛇优化算法(MSO)优化极限学习机的多因素混合学习方法。首先,利用CEEMDPN将风电功率序列分解为子序列;然后,引入曲线自适应调整参数改进蛇优化算法;最后,运用MSO优化的极限学习机(ELM)对每个子序列进行预测并集成。为了验证CEEMDPN-MSO-ELM模型的有效性,采用龙源电力集团的风电功率数据进行超短期预测,实证结果表明,CEEMDPN算法能够加强风电功率序列的主频率部分并提高分解精度,MSO算法能够很好地平衡算法的寻优速度与收敛精度,从而有效提升ELM模型的预测性能,所提模型的预测精度和稳健性均优于其他对比模型。

关键词： 图神经网络   集成学习   交叉验证   节点分类  

摘要： 阐述一种创新的图神经网络集成学习方法,通过训练六种不同图神经网络变体作为基础模型,引入softmax动态权重学习机制,并采用5折交叉验证优化模型集成策略,最终提升模型的泛化能力。

关键词： 电力现货市场   电价预测   机器学习   深度学习   Transformer模型  

摘要： 随着全国统一电力市场的逐步建设,电价预测领域吸引了越来越多的学者关注。开发高效、精准的短期电价预测模型,不仅能够为电力现货市场的买卖双方提供决策支持,还能提升各方的风险控制能力,从而为建立高效统一的电力市场提供量化支撑。由于电力价格有随机性大、波动性高和时效性强等特点,将机器学习方法应用在短期电价预测领域能够综合考虑多方因素,能在较短的时间内拟合较为复杂的非线性电价数据,得到更为精准的预测结果。本文对基于机器学习的短期电力价格预测方法进行了综述,深入分析了各类方法在不同情境下的预测效果、适用性及其优势与不足,并对未来研究方向进行了展望。