摘要：传统的盾构姿态纠偏措施多是在盾构机实际轴线已经偏离设计轴线之后采取的被动控制措施,具有一定的滞后性,而盾构姿态纠偏不及时会给施工过程和完成后的隧道本身带来严重的危害。为了准确预测盾构姿态偏差,为提前纠偏提供决策支持,本文依托江阴—靖江长江隧道超大直径盾构施工项目,提出一种基于CNN-EMD-LSTM的深度学习模型,该模型既能捕捉时间序列的维度特征和时变特征,又能提高盾构姿态数据分解重构方法的预测精度;通过消融实验对CNN-EMD-LSTM模型中每个部分的重要性进行探讨,并对CNN-EMD-LSTM模型在不同窗口长度、不同滑动步长下的预测效果进行对比。研究结果表明:CNN-EMD-LSTM模型对超大直径盾构姿态的预测效果较好;可以通过调节不同推进区间的压力进行盾构姿态纠偏;CNN-EMD-LSTM模型中各个部分按重要性从大到小排序依次为EMD、CNN、LSTM;窗口长度过大或过小都会增大模型预测误差,而滑动步长越小模型的预测效果越好。

摘要：针对水下退化图像存在颜色失真、模糊雾化、对比度低等问题,提出了一种新的基于改进U-Net的水下图像增强算法。设计一种新的残差注意力结构和边缘检测模块并将其引入到U-Net网络中,构建改进后的水下图像增强算法。实验结果表明,本文提出的算法在校正水下色偏和增强对比度方面均得到了很好的效果,IE值较原始图像平均提高了14.2%,UCIQE值较原始图像平均提高了24%。消融实验结果表明,本文提出的残差注意力结构、边缘检测模块和损失函数均对水下图像增强起到了积极的效果。

摘要：现阶段布匹缺陷种类繁杂,且包含大量人眼难以辨别的小目标缺陷和长宽比极端不平衡缺陷,使得在复杂背景下的布匹缺陷检测成为一项艰巨任务。为此,提出一种改进YOLOv5的布匹缺陷检测方法。首先,在YOLOv5的C3模块中增加注意力机制NAM,设计为C3NAM模块,其可以抑制特征值中不显著的权重,在保持性能的同时进行高效计算;其次,采用一个新的CNN模块SPD-Conv,以解决大部分的布匹缺陷检测在分辨率较低或者瑕疵较小时性能迅速下降的问题;最后,在检测端引入新的损失函数Alpha-IoU,促进真实框和预测框的拟合,并提升对缺陷预测的准确性。实验结果表明:改进的YOLOv5网络模型较原YOLOv5网络模型mAP@0.5值提高了5.4%,mAP@0.5:0.95值提高了2.2%,且检测效果优于原网络模型和其他主流目标检测模型。

摘要：不同工况下的故障轴承原始振动信号存在分布差异较大的问题,在进行故障诊断时也会存在特征提取不充分,从而导致故障诊断模型诊断精度较低的问题,为此,提出了一种基于多尺度残差网络的对数相关对齐(logCORAL-MsRN)的域适应轴承故障识别方法(模型)。首先,对轴承原始振动信号进行了预处理,将其转换为二维灰度图像;然后,使用多尺度残差块和空洞卷积对残差神经网络ResNet50的网络结构进行了改进,设计了一种多尺度残差网络(MsRN),以充分提取轴承的故障特征,避免深层网络结构的梯度消失问题;提出了一种对数相关对齐(logCORAL)域适应方法,更好地进行了域间分布对齐;最后,采用交叉熵损失和logCORAL损失作为目标优化函数,对上述模型(方法)进行了训练,在美国凯斯西储大学(CWRU)公开数据集上进行了变工况下的对比实验和消融实验。研究结果表明:logCORAL-MsRN方法在变工况条件下的轴承故障诊断的平均准确率高达96.53%,并且优于其他对比方法,即特征提取网络MsRN可以提取出不同尺度的、更加丰富的轴承故障信息,域适应方法logCORAL可以有效地对齐源域和目标域之间的特征分布,验证了该方法的有效性及优越性。

摘要：针对火灾现场干扰因素复杂、传统火灾报警方式相对滞后的问题,提出了一种基于YOLOv5改进的火灾识别算法。首先,通过改进激活函数提升模型非线性表达及泛化能力,改进损失函数,减少模型对非必要特征的学习;然后,通过引入注意力机制CBAM,增强模型在通道和空间的双向感知力;最后,设计改进YOLOv5算法与其他识别算法对比实验。通过定性及定量分析证明改进算法的有效性,与原YOLOv5算法相比,模型平均精准率AP提高了5.85%,整体网络性能有了较明显的提升,满足了火灾图像检测准确度、实时性的需求,测试结果证明其具有良好的性能以及应用价值。

摘要：近几年,基于容器的虚拟化应用技术发展迅速,Kubernetes已经成为容器编排领域的事实标准,其自身的HPA控制器能够自动实现pod的水平伸缩。但Kubernetes本身的伸缩策略是一种响应式策略,pod的水平扩容存在延迟,在这期间将不可避免地会出现响应延迟或响应失败。为改善上述问题,文中设计一种基于预测值的扩容方案,其中的预测算法采用KNG模型。KNG模型是基于Kalman⁃NeuralProphet⁃GRU组合模型优化而来,并对其做出适当的扩展与改动,以更好地适应预测需要。所设计的扩容方案首先使用KNG模型来预测pod的资源使用情况;然后将预测值送入HPA控制器,以计算出所需的pod副本数。实验结果表明,预测算法能够较为准确地预测到pod负载的变化,使HPA控制器能够以预测值为依据,提前完成pod副本数的扩充,从而提高应用在流量高峰初始阶段的响应能力。

摘要：针对现有人体骨架行为识别方法中因只侧重于视频数据中时间或空间信息的单独提取而存在的时空特征提取不充分的问题,提出一种融合注意力机制的LSTM-GCN网络。该网络设计为LSTM层和图卷积层两层,其中LSTM层重点提取骨架序列的时间信息,图卷积层重点提取骨架序列的空间信息。同时在两个网络层中融入了注意力机制,并按人体骨骼点对整体动作贡献程度对其分配不同的权重,实现了对数据中显著特征及关键帧的增强识别。两个网络层按一定的比重融合后利用Softmax对动作进行分类识别。为验证该方法的优越性,在Kinetics和NTU-RGB+D两个比较典型的公开数据集上进行了仿真实验和消融实验。同时录制了一些相似度高、易混淆的视频,并对其识别结果可视化,再次证明该方法的普适性。实验结果表明该方法可以有效增强人体骨骼行为识别性能,并在计算精度和识别效率上具有一定的优势。

摘要：滑坡灾害会造成严重的生命财产安全问题,对滑坡稳定性进行准确预测对于指导滑坡灾害的防治工作具有重要意义。不平衡数据集会影响机器学习模型预测的准确性,为解决这一问题,提出一种基于SMOTE技术的BO-SVM滑坡稳定性预测方法,该方法首先采用SMOTE技术对不平衡滑坡数据集进行过采样处理,然后采用BO算法基于过采样处理后的数据集对SVM模型进行超参数优化,最后使用优化后的BO-SVM模型对测试集进行预测,其预测准确率达到95.58%。将BO-SVM模型的预测结果与RF、XGBoost和CatBoost模型的预测结果进行对比,证明BO-SVM模型的预测性能具有优越性。采用SHAP方法对SVM模型进行解释,并实施消融实验研究其输入特征对4个机器学习模型预测性能的影响。本研究解决了不平衡数据集会降低滑坡稳定性预测准确性的问题,并为滑坡的防治工作提供一定的参考。