摘要：异常检测是维护云数据中心性能的一项重要任务。云数据中心中运行着大量的云服务器以实现各种云计算功能。由于云数据中心的性能取决于云服务的正常运行,因此检测和分析云服务器中的异常至关重要。为此,该文提出一种基于时间序列分解和时空信息提取的云服务器异常检测模型。首先,提出带时空信息提取模块的双向Wasserstein生成对抗网络算法(BiWGAN-GTN),该算法在具有梯度惩罚的双向Wasserstein生成对抗网络(BiWGAN-GP)算法的基础上,将生成器与编码器替换为由图卷积网络(GCN)与时间卷积网络(TCN)组成的时空信息提取模块(GTN),实现对数据空时信息的提取;其次,提出半监督BiWGAN-GTN算法来识别多维时间序列中的异常,以在训练过程中避免异常数据侵入的风险并增强模型鲁棒性。最后设计多通道BiWGAN-GTN算法-MCBiWGAN-GTN以实现降低数据复杂度并提升模型学习效率的目标。利用带有自适应噪声完全集合经验模态分解(CEEMDAN)算法将时序数据分解,然后将不同的分量送入对应通道下的BiWGAN-GTN算法中训练。在真实世界云数据中心数据集Clearwater和MBD上采用精确率、召回率和F1分数这3个性能指标验证了该文所提模型的有效性。实验结果表明,MCBiWGAN-GTN在这两个数据集上的性能稳定并优于所比较的方法。

摘要：随着无人机(UAV)遥感技术的发展,无人机航拍图像目标检测逐渐成为无人机应用领域的一项核心技术,在交通规划、军事侦查及环境监测等领域具有重要应用价值。针对无人机图像中小目标实例多、背景复杂及特征提取困难的问题,提出一种基于多尺度分割注意力的无人机航拍图像目标检测算法MSA-YOLO。首先,利用嵌入在骨干网络瓶颈层的多尺度分割注意力单元建立多尺度特征间的远程依赖关系,从而强化关键特征的表达能力并抑制背景噪声干扰;其次,设计了一种自适应加权特征融合方法,该方法动态的优化各输出特征层权重,实现浅层特征与深层特征的深度融合;最后,在VisDrone公开数据集上的实验结果表明:该方法取得了34.7%的平均均值精度(mAP),相比于基线算法YOLOv5提高了2.8%,在复杂背景下仍能显著提升无人机图像目标检测性能。

摘要：目的分析近10年康复辅助器具领域国内外研究现状、研究热点和趋势。方法检索2012至2021年中国知网和Web of Science(WoS)数据库核心合集相关文献。应用CiteSpace及VOSviewer可视化分析作者、国家/地区、机构、研究热点及趋势。结果与结论国内外年发文量均呈逐年上升趋势。国内发文最多的团队为喻洪流团队,发文最多的机构为中国残疾人辅助器具中心。国外发文最多的团队为Maysam G团队,发文最多的机构为匹兹堡大学。国家发文量最多及中介中心性最高的是美国。国内外康复辅助器具相关研究热点主要集中于康复辅助器具产品的设计与研发、康复辅助器具在特殊/脆弱人群中的应用、康复辅助器具及其相关专业服务的应用效果研究;预测基于智能感知、类脑计算、深度学习及虚拟/增强现实的智能辅助器具产品设计研发及应用研究是本领域的发展趋势。

摘要：针对内河港口背景复杂、类间尺度差异大和小目标实例多的特点,提出基于多头自注意力机制(MHSA)和YOLO网络的船舶目标检测算法(MHSA-YOLO).在特征提取过程中,基于MHSA设计并行的自注意力残差模块(PARM),以弱化复杂背景信息干扰并强化船舶目标特征信息;在特征融合过程中,开发简化的双向特征金字塔结构,以强化特征信息的融合与表征能力.在Seaships数据集上的实验结果表明,与其他先进的目标检测方法相比,MHSA-YOLO拥有较好的学习能力,在检测精度方面取得97.59%的平均均值精度,MHSA-YOLO对复杂背景船舶目标和小尺寸目标的检测更有效.基于自制数据集的实验结果表明,MHSA-YOLO的泛化能力强.

摘要：针对物联网场景下,传统异常检测方法在海量不均衡数据中检测准确率低、数据异构导致模型泛化能力差等问题,提出了基于联邦学习的对抗双编码异常检测网络(GB-AEnet-FL)的物联网设备异常检测算法。首先,提出了一种基于异常数据的主动特征分布学习算法,主动学习数据的潜在特征分布通过数据重构扩充异常数据,均衡正负样本比例。其次,在潜在特征层引入了对抗训练机制并添加一致性增强约束和收缩约束,提高特征提取的精度。最后,设计了一种基于动态模型选择的联邦学习算法,比较局部模型与全局模型的置信度评分,动态选择部分联邦体参与,加速模型的聚合,在一定程度上也保护了用户隐私。在四个不同数据集上进行验证,结果显示,所提算法在检测准确度优于传统算法且泛化能力得到相应提升。

摘要：为探究硫酸亚铁和生物炭单独或联用施用对堆肥过程和产品特性的影响,以及产品施用于土壤的培肥效果,本研究以牛粪和菌渣为原料,在自行设计的强制通风好氧堆肥反应器中进行堆肥试验,分别添加不同比例硫酸亚铁(Fe)、生物炭(BC)和硫酸亚铁+生物炭混合物(FeBC);待堆肥结束后,将堆肥样品与土壤混合进行盆栽试验,以研究堆肥产品对土壤和植物生长的影响。结果表明:外源添加剂的联用可以延长堆肥的高温期,加快堆肥进程,且堆肥结束时各产品均符合施用标准(NY/T 525—2021);各处理中腐殖质含量整体上呈先降低后增加的趋势,FeBC处理可以促进更多有机物转化为腐殖质,堆肥结束时腐殖质含量最高为115.0 g·kg^(-1);胡敏酸含量随着堆肥时间呈持续上升的趋势,而富里酸的含量逐渐降低;堆肥结束时,FeBC处理中胡敏酸含量最高(71.90 g·kg^(-1)),而富里酸含量最低(24.65 g·kg^(-1))。堆肥产品的施用显著提升土壤的有机质含量(44.2%)和NPK含量(56.7%),小青菜的生长指标也得到显著提高;此外,堆肥产品的添加提高土壤大团聚体的占比,机械团聚体稳定性指标平均重量直径(MWD)、几何平均直径(GMD)在添加堆肥产品后也得到显著提升,添加FeBC堆肥产品相较于其他堆肥产品处理更能显著增加土壤机械团聚体的稳定性。研究表明,硫酸亚铁与生物炭联合添加相较于添加剂的单独使用可以更好地促进堆肥进程,提高堆肥的腐殖化。在土壤改良方面,硫酸亚铁与生物炭联用的堆肥产品能更好地改良土壤理化性质以提高土壤肥力。

摘要：针对红外图像行人检测算法中复杂背景行人误检率高、密集行人检测精度低以及远景小目标行人漏检等问题,提出了一种基于注意力及特征融合的红外行人检测算法(attention and feature fusion-you only look once, AFFM-YOLO)。提出了一种注意力特征提取模块(attention feature extraction module, AFEM),融入网络主干部分,抑制无关背景信息,加强关键特征信息的提取。设计了一种多尺度特征融合模块(Multi-scale feature fusion module, MFFM),嵌入网络颈部部分,实现不同尺度间特征信息的有效融合,增加大尺度检测层,加强目标检测器对远景小目标行人的特征提取能力。在FLIR数据集做验证实验,结果表明:AFFM-YOLO取得了89.1%的平均精度,相比于基线算法YOLOv5提高了2.4%,AFFM-YOLO具有更好的表现,对红外图像行人的检测效果有明显提升。

摘要：针对现有交通灯算法对小目标、遮挡目标检测识别效果不佳等问题,提出一种基于注意力与多尺度特征融合的YOLOv5检测算法(YOLOv5 detection algorithm based on attention and multi-scale feature fusion,AM-YOLOv5)。通过在残差结构中引入坐标注意力模块,提高对小目标的特征提取能力;设计四尺度检测层,通过引入更浅层特征改善对小尺度目标的检测性能,提高检测精度;针对引入注意力和检测层导致计算量增大、速度降低的问题,采用分布移位卷积替换部分主干卷积的方法,简化模型,提升速度。实验结果表明:该算法在Lara数据集上平均精度均值达到90.8%,相较于经典YOLOv5算法,精度提升2.7%,速度达到59.9 FPS,在复杂恶劣环境下的BDD100K数据集上,精度提升3.6%,速度达到34.8 FPS,具有良好的检测效果,能较好地满足交通灯的实时检测。

摘要：典型场景的边界需要从实际道路中发生的原始场景数据中提取,但人工场景标注方法效率低、成本高.因此,研究真实道路中自动驾驶场景的获取对自动驾驶汽车的测试具有重要意义,而切入场景是典型的危险场景.本研究基于一辆搭载L2级自动驾驶系统的车辆,改装多源异构传感器的场景采集系统,比较了类驾驶员与自动驾驶系统在速度保持和车道居中行驶的能力.提出了基于预碰撞区域的切入场景自动识别算法,并基于SCANeR软件构建了识别算法评估测试平台,设计了大量测试用例生成程序对算法进行仿真测试.在试验场进行了11组实车切入场景测试,对识别算法进行了评价,并将仿真结果与实际试验结果进行了比较.

摘要：目的为支撑疫苗接种工作,设计基于大数据技术架构的免疫规划信息系统,大幅提升系统高并发状态下的承载能力。方法基于大数据技术架构设计系统的硬件部署、软件功能及业务流程,对各个环节实时查看、分析和统计。结果该系统高效支撑了全市疫苗接种工作,实现了对疫苗接种全流程信息采集、疫苗管理全程追溯、实时查询统计分析、数据共享交换等功能。结论大数据技术在疫苗接种工作中的成功应用,对于高并发信息系统建设具有借鉴意义。