摘要：航空安全事件风险等级预测是主动风险管理的重要手段。考虑海量航空安全事件数据呈现的高维复杂、类不平衡等特性,提出一种基于集成代价敏感深度神经网络(ECSDNN)的航空安全事件风险等级预测方法。采用分类型属性嵌入特征编码和数值型属性拼接的方法实现航空安全事件数据的特征表示;综合考虑错分比例和固定代价设计代价敏感矩阵和代价敏感损失函数,构建基于代价敏感深度神经网络(CSDNN)的基分类器模型;采用硬投票方法,集成多个参数不同、性能各异的基分类器,构建航空安全事件风险等级预测模型。在航空安全事件报告系统(ASRS)数据集上的实验结果表明:相比基准算法,所提ECSDNN模型的预测准确率提升了4.51%;相比单个CSDNN基分类器,所提ECSDNN模型的预测准确率提升了3.17%。验证了基于ECSDNN的航空安全事件风险等级预测方法的有效性。

摘要：以航空货物搬运机器人为对象,对其进行了本体结构的分析,建立了相应的运动学模型进行验证。通过对机器人工作空间的建模求解,确定了航空货物搬运区域的最优布局。针对航空货物搬运的任务需求,提出了使用七次多项式插值法来规划机器人的末端轨迹,并设定了加加速度为优化目标,结合改进鲸鱼优化算法对此插值法进行了优化。利用MATLAB进行了仿真计算,并在实地实验平台进行了实验验证。通过仿真和实地实验,证实了该研究所提出的方法能有效地提高机器人的运动稳定性并满足设计要求。

摘要：会话推荐根据匿名用户短期内的交互数据预测下一个交互物品。针对会话中物品少、物品长尾分布等特性,现有基于图对比学习的会话推荐模型提出对会话内物品采用随机裁剪、扰动等方式构造正负样本。然而,上述随机退出策略进一步缩减较短会话中的可用物品,使得会话更加稀疏,引起会话兴趣学习偏差。为此,提出了结合图对比学习的多图神经网络会话推荐方法。其核心思想是:在物品局部图、物品全局图等上提取融入物品局部和全局的高阶邻域物品表示,并生成物品级的会话表示,然后设计会话-会话图并学习会话级的会话表示,最后递归利用不同级别会话兴趣生成正负样本对,通过对比学习机制增强会话兴趣区分性。与退出策略相比,所提模型保留了完整的会话信息,实现了真正的数据扩充。在两个基准数据集上进行了大量实验,结果表明,该算法的推荐性能远优于主流基线方法。

摘要：X光安检图像违禁品分类被广泛应用于协助维护航空和运输安全。针对X光安检图像中违禁品尺度不一、存在困难样本及旅客行李安检固有的正负样本不均衡等问题,提出一种端到端的考虑样本不平衡的X光安检图像违禁品分类方法。采用多尺度特征提取网络捕获尺度不一的多类型违禁品特征,通过特征融合模块提升模型对图像边缘和纹理特征的表达能力,基于代价敏感思想设计损失函数,解决数据集不平衡问题,并提高困难样本分类精准度。在公开数据集SIXray上构建的子集实验结果表明:所提方法相较于端到端分类模型,平均AP指标值提升了4.5%,特别是对剪刀等难分类样本,AP指标值都有显著的提升效果。

摘要：为解决现有序列推荐算法只从项目级别序列中挖掘用户兴趣,并未探究项目属性及其交互对用户兴趣影响的问题,提出一种基于特征交叉注意力网络的序列推荐模型。通过构建项目属性级别注意力和序列级别注意力,更好挖掘用户兴趣;项目属性级别注意力旨在学习项目及项目属性间的自适应相关性;序列级别注意力聚焦从项目级别序列和属性级别序列上学习序列动态性。在两个公开数据集上的实验结果表明,所提方法相比其它主流序列推荐算法在Hit、NDCG和MRR指标上有明显提升。

摘要：为了研究仿鸟扑翼飞行器气动力设计了一种固定在新型悬臂梁式测量装置。在无来流的条件下,对直流电动机驱动传动机构使扑翼做往复运动时产生的气动力、影响扑翼升力和推力因素(电压、电源和电流)进行了研究。结果表明:锂电池电压减小,升力和推力扑动频率及推力曲线峰值减小;恒压源比锂电池电源对扑翼飞行器气动力影响较小;电流的变化对扑翼飞行器的气动力影响最大,电流大小是驱动扑翼拍动的关键参数。也证实了测量装置设计的合理性和适用性,并且具有高灵敏度,测量数据准确可靠,数值模拟实验原理简单,可为扑翼飞行器的机体和扑翼结构设计提供快捷的气动力测试数据支持及应用价值。

摘要：现有多行为会话推荐研究将会话的微行为序列拆分为物品序列和操作序列以捕获用户兴趣偏好,但未考虑两个序列的交叉影响,导致用户兴趣建模存在偏差,限制了模型性能。针对上述问题,提出一种基于序列交叉融合的多行为会话推荐模型。利用提出的序列交叉融合模块,充分交叉融合物品序列和操作序列各自的兴趣信息。设计基于兴趣相似物品的标签平滑损失函数,将与样本标签物品具有相似兴趣的物品也推荐给用户,提升模型泛化能力。在3个公开数据集上的大量实验验证了该模型性能优于基准模型。

摘要：针对现有机票销售模型忽视不同票价等级需求问题,考虑到机票需求的影响,提出一种多任务学习模型预测机票价格。在机票价格预测中引入辅助任务机票需求预测,建立多任务学习网络,通过共享相关任务在日、周、半月、月等水平上的多尺度需求特征,分析不同周期需求特征的影响。在六千万条记录的真实数据集上的实验结果表明,较之基准算法,该模型在准确率和F1分数方面提高了将近6%,验证了多任务学习模型的有效性。

摘要：为解决航班座位需求预测中,由于对座位需求量呈现“周”特性和影响因素考虑不足导致预测准确性低的问题,提出融入稀疏因子编码约束的航班座位需求预测模型。利用稀疏因子编码过程对影响航班座位需求的航班、日期、节假日、天气特征等多个特征学习,将学习的特征输入到梯度提升决策树模型。实验结果表明,该模型在考虑多个特征的基础上能够得到更准确的预测结果。

摘要：为预测未来时刻人群密度图,对人群聚集提前预警,提出一种基于生成对抗网络动态建模的人群密度预测方法。采用生成对抗网络结构,生成器采用加入扩张卷积的U-Net网络捕捉人群空间分布信息,利用光流估计模型FlowNet提取人群运动信息,联合4项损失函数对人群空间和时序两方面约束。实验结果表明,Mall数据集上均方误差、峰值信噪比和结构相似性分别为30.97、24.26 dB和0.671,Airport数据集上分别为8.36、34.58 dB和0.931,较现有方法具有更好的性能,验证了该方法的有效性。