关键词： 故障区段定位   海上风电场   集电线路   迁移学习   领域对抗  

摘要： 准确定位集电线路故障区段是海上风电场集电海缆故障快速恢复的关键,对于保障海上风电场的经济利益具有重要意义。在海上风电场实际运行中,可能会发生各种未知故障,集电线路的拓扑也会发生变化,基于数据驱动的集电线路故障区段定位方法在实际风电场中的应用效果会变差。针对这一问题,提出了一种基于领域对抗和图卷积神经网络的集电线路故障区段定位方法。在新的应用场景下,可缩小旧数据和新数据之间的分布差异,所提取的公共特征能够使模型对新场景具有良好的适应性。仿真结果表明,所提方法比传统机器学习方法定位精度更高,领域对抗迁移学习机制显著提高了模型在未知场景中的适应能力。

关键词： 小学   信息科技   跨学科   学习策略  

摘要： 新时期的教学需要以新课标为基础,各学科积极在这个基础上改革与创新,保持教育内容和活动形式与时俱进,使学生能接受知识、接受新的教育理念和模式,在提高学生学科学习能力与核心素养的基础上,促进学生分析和解决问题能力、创新思维的发展。小学信息科技在这样的条件下创新课堂教学模式,积极应用跨学科学习策略,设计合适的活动,保证内容与活动形式都能打破学科壁垒,提高学生的学习兴趣和积极性,从而提升信息科技课堂教学水平。本文从小学信息科技课堂跨学科学习特点、学习优势以及学习策略三个方面进行简要阐述。

关键词： 深度学习   行为识别   神经网络   数据集  

摘要： 当前,人体行为识别技术广泛应用于公共安全监控、智能交通调度及个性化教学中。随着计算机视觉技术的飞跃,深度学习已成为行为识别领域的核心驱动力,显著提升了识别精度与效率,推动多领域智能化发展。为了梳理深度学习方法的发展脉络,对基于双流网络、3D卷积神经网络等框架中最具代表性的行为识别算法进行研究综述,分析各种算法的优缺点,同时对HMDB-51和UCF-101等几种主流数据集进行介绍,在UCF-101数据集上对经典算法进行性能对比,并探讨行为识别领域的研究趋势与未来潜在方向。

关键词： 车辆算力网络   联邦学习   鲁棒性   异步学习  

摘要： 传统联邦学习的同步训练机制并不适用于动态的车辆算力网络场景,且在恶意车辆攻击的威胁下,缺乏有效的攻击检测机制。为了解决以上问题,首先,提出一种异步鲁棒联邦学习方法,通过车辆之间异步地执行联邦学习过程,在实现车辆数据隐私保护的同时,提高模型协同训练的效率。其次,有针对性地设计了模型选择方法,并提出潜在恶意模型检测方法和车辆信誉评估方法,进一步增强系统鲁棒性。然后,从概率上详细分析了所提方法的安全性,为各项参数优化提供理论基础。最后,仿真结果表明该方法能够在实现高效异步联邦学习的同时具有较好的鲁棒性。

关键词： 多智能体强化学习   图注意力网络   集中训练分散执行   多智能体协作   多智能体通信  

摘要： 目前，多智能体强化学习在各类合作任务中被广泛应用，但在真实环境中智能体通常只能获取部分观测值，导致合作策略的探索效率低下，并且智能体共享奖励值，导致智能体难以准确衡量个体贡献。针对这些问题，提出一种基于图注意力的分组多智能体强化学习框架，有效提高了合作效率并改善了个体贡献的衡量。首先，构建图结构的多智能体系统，通过图注意力网络学习个体与邻居的关系进行信息共享，用于扩展智能体个体的感受野，来缓解部分可观测的限制并有效衡量个体贡献。其次，设计了动作参考模块，为个体动作选择提供联合动作参考信息，使智能体在探索时更高效、多样。在两个不同规模的多智能体控制场景下，提出的方法对比基线方法取得了显著的优势，消融实验证明了图注意力分组方法和通信设置的有效性。

关键词： 自监督学习   对比学习   BEV感知   多模态融合  

摘要： 随着自动驾驶技术的发展，鸟瞰图（Bird's Eye View，简称BEV）感知作为关键技术之一，已经吸引了大量的研究关注。然而，有监督BEV感知技术往往依赖于大量的标记数据，且易受到标注偏差的影响。少数的自监督BEV感知方法又聚焦于单模态，存在忽略多模态信息和缺乏语义的缺陷。为了解决这些问题，本文提出了一种新颖的自监督多模态对比学习方法，旨在降低对标记数据的依赖，并提高BEV感知的准确性与鲁棒性。首先，本文通过为图像生成像素级的文本标签，然后利用图像和点云作为桥梁，建立起文本标签与BEV网格之间的映射关系，从而构建对比学习的正负样本对。接着，本文提出了一种基于BEV网格的投票策略，为BEV网格保留高质量的文本标签，有效解决了映射过程中引入的噪声问题。最后，利用预先生成的文本标签，本文实现了多模态的对比预训练，为模型注入了丰富的文本语义信息。实验结果表明，在不同标记数据微调比例下（5%、10%、20%、50%、100%），本文提出的方法在3D目标检测任务中分别实现了2.19%、2.74%、1.62%、1.17%和0.6%的3D mAP提升。这显示了该方法卓越的性能。

关键词： WINHEX学习   图形化   虚拟化   系统化  

摘要： 数字经济的健康发展离不开相关数据恢复技术的保驾护航。作为一款非常实用的数据恢复软件,WINHEX受到了数据恢复人士的青睐。本文总结了WINHEX学习方法的“四化”:理论学习“图形化”、实践操作“虚拟化”、数据恢复“系统化”以及验证提高“实战化”。

关键词： 机器学习   心理测验   教育测验   测验安全   统计量  

摘要： 测验安全的事后检测主要依靠统计量方法,而新兴的机器学习方法凭借良好的检测性能与统计量方法形成互补。为了推进测验安全问题的解决,综述了监督学习、无监督学习和半监督学习三大类机器学习方法及其衍生的集成学习、深度学习与迁移学习方法在测验安全领域的应用,阐述了不同机器学习方法的特点,提供了数据的获取及处理、输入特征的选择等实用的方法建议。未来研究可以从机器学习与个人拟合、机器学习与多模态数据、基于生成对抗网络的异常检测,以及增加研究结果的可解释性几方面开展。

关键词： 盾构荷载   机器学习   注意力机制   预测性能  

摘要： 准确的盾构荷载预测有助于优化盾构机操作参数,确保隧道施工过程中的安全性。基于此,从盾构荷载数据的时序特征出发,利用机器学习技术构建由门控神经单元网络(Gated Recurrent Unit)和注意力机制(Attention mechanism)组成的GRU-Attention模型。该模型可以挖掘数据的时序性特征和重要时间节点信息。同时,依托杭州某盾构隧道工程,收集整理监测数据,通过试验对模型的预测性能进行验证。结果表明,与对照模型相比,GRU-Attention模型取得的MAE和RMSE值最小,R2值最大,表明该模型具有较好的数据挖掘能力,能够较准确地预测施工过程中的荷载变化;通过消融试验发现,GRU-Attention模型能够结合各个子模型的优点,准确预测盾构荷载,可为同类工程提供参考。

关键词： 生产调度   柔性作业车间   深度强化学习   深度Q网络  

摘要： 针对多品种、小批量生产模式下柔性作业车间生产调度问题,以最小化订单总拖期时间为优化目标,提出一种基于组合规则和强化学习的智能调度方法。将柔性作业车间生产调度问题转换为马尔可夫决策过程,根据问题特点与优化目标,利用7种特征表征车间状态,设计6种组合式规则作为动作库,通过改进后的深度Q网络(DQN)算法对该问题进行求解。以航天结构件加工车间为案例,分别在5种不同规模大小的算例中,与其他常见的规则式方法进行对比,验证了所提方法缩短任务交付期的可行性和有效性。