摘要：[目的]实现绿茶种类的快速识别。[方法]提出一种基于电子舌和电子鼻结合CNN-Transformer组合模型实现绿茶种类辨识的快速检测方法。分别使用电子舌、电子鼻对5种不同种类绿茶采集味觉、嗅觉的指纹信息,利用短时傅里叶变换(short-time fourier transform,STFT)将一维电子舌和电子鼻信号转换为二维时频图,充分揭示信号能量在时频域的分布特性;提出一种CNN-Transformer组合模型实现电子舌和电子鼻的信息融合和模式识别。该模型引入选择性核卷积和归一化注意力设计卷积模块来替换传统的CNN卷积层,以实现对信号时频图的局部特征动态提取;采用Transformer编码器中的多头自注意力机制提取电子舌和电子鼻特征的全局时序信息,并实现其特征的加权融合;最后,通过全连接层进行分类识别。[结果]基于电子舌和电子鼻的信息融合方法能够有效提取绿茶样本的味觉和嗅觉信号深层特征,并为模型提供更丰富的融合特征表征,以实现对不同绿茶种类的高准确识别,其测试集准确率、精确率、召回率和F 1-Score分别达到99.00%,99.05%,99.00%,99.00%。[结论]试验方法具有成本低、快速、高效等特点。

摘要：针对卷积神经网络(convolutional neural network,CNN)在存储和计算资源有限的边缘设备中难以部署应用的问题,提出一种基于损失变化的混合精度量化方法,以低位宽定点数代替全精度浮点数进行运算,降低网络所需资源。根据每个量化层的一阶和二阶信息指导位宽分配,采用K-means方法将量化层聚类成块,降低位宽策略搜索空间。提出一种自适应搜索方式,根据历史策略训练结果自行调整搜索状态。重新整合量化训练过程,减少传统量化训练中计算量。实验结果表明,采用所提方法可在CNN模型推理损失精度较小的前提下,有效压缩模型。

摘要：针对不同产地花椒产品的溯源问题,提出一种基于电子鼻和电子舌结合一维卷积神经网络(One Dimension-Convolutional Neural Networks,1D-CNN)-长短期记忆网络(Long Short-Term Memory,LSTM)混合模型的花椒产地快速检测方法。以5个不同产地的花椒为试验对象,采用电子舌和电子鼻分别采集花椒样本的味觉和嗅觉指纹图谱信息,根据信号特点分别设计1D-CNN提取味觉和嗅觉信号中的局部空间特征,然后采用LSTM捕捉信号的时间序列特征,最后采用多层感知机融合两种特征并进行分类识别。实验结果表明,电子鼻与电子舌信息融合对不同产地花椒的分辨准确率优于单一设备,与其他深度模型相比,所提的模型分类准确性更高,其准确率、精确率、召回率、F1分数分别达到99.0%、99.1%、99.0%、0.989。以上研究将为不同产地花椒的快速鉴定提供新的方法,并为其他农产品的产地溯源检测提供新的研究思路。

摘要：合理的事件编码方式有助于提升业务流程剩余时间预测效果,为此,有针对性地设计出5种事件编码方式。首先,抽取业务流程包含的全部事件,并利用事件编码方式对获取的事件进行编码。其次,根据业务流程序列性的特点,构建不同类型的剩余时间预测模型,同时将事件编码向量作为预测模型的输入,从而评估事件编码方式对业务流程剩余时间预测的影响。在8个公开事件日志数据集上进行实验,结果表明GloVe事件编码方式在提高业务流程剩余时间预测效果上是最有效的。该实验结果可帮助研究者和从业者选择最合适的事件编码方式以实现最佳剩余时间预测效果。

摘要：针对传统数据中心网络流量调度策略可能会引发大象流冲突,从而导致网络链路堵塞和负载不均衡问题,提出了一种模糊逻辑和离散粒子群相结合的数据中心负载均衡机制。该研究充分利用软件定义网络集中控制与全局视图特性,首先基于重定义的离散粒子群优化算法对大象流进行筛选;然后设计了一个基于模糊逻辑的综合评价模型,模型根据候选路径的特定参数生成路径综合评分;最后选择综合评分最高的路径转发大象流。实验结果表明,与其他算法相比,本文算法网络吞吐量提高了3.05%,链路利用率提高了8.82%。

摘要：针对深度强化学习算法存在训练时间长、收敛速度慢的问题,将深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法和人工势场(artifical potential field,APF)法相融合,引入长短期记忆(long short-term memory,LSTM)神经网络结构,提出了APF-LSTM-DDPG算法。首先在DDPG算法中添加LSTM,通过记忆单元和遗忘单元将奖励较高的样本优先学习,使模型更快地收敛;其次引入人工势场法,设计相应势场函数,解决环境奖励稀疏的缺点,加速模型收敛进程;然后通过人工势场法修正算法的动作选择,缩短路径长度;最后在机器人仿真平台(robot operating system,ROS)中搭建不同障碍物环境对算法进行了仿真验证。仿真结果表明,APF-LSTM-DDPG算法在搭建的仿真环境中训练时平均奖励能够更快地稳定,提高了算法的成功率并减少了规划路径中的冗余。

摘要：在推荐系统中冷启动问题一直面临着巨大的挑战。跨域推荐旨在利用源域中用户丰富的信息来提高目标域中冷启动用户推荐的性能,能够有效地缓解冷启动问题。基于映射函数的跨域推荐方法存在过于依赖重叠用户的问题,然而在冷启动场景中重叠用户的数量非常少,导致较差的泛化能力。元学习能够在冷启动推荐背景下快速适应数据稀疏的新任务,具有良好的泛化能力。提出了用于冷启动推荐的用户偏好跨域转移框架(UPCTFCR),设计了一个自编码器和元学习器,用以训练映射函数的初始化参数,将用户在源域中的偏好转移到目标域,将此作为冷启动用户在目标域中的初始嵌入进行推荐。利用亚马逊数据集构建了3个跨域任务,通过实验证明了UPCTFCR在冷启动推荐中的有效性。

摘要：无线通信的覆盖范围大、运行速度快、适用范围广,但由于通信传输信道存在时变特性,受多种干扰影响,导致易出现信号衰减问题。为增强通信稳定性,合理分配信道资源,设计一种基于信道带宽自调节的无线通信路径选择方法。将无线通信信道看作非线性多变量系统,计算信道输入输出响应关联,运用神经网络组建无线通信信道模型;将网络单元划分为高突发、中突发与低突发三种类型,按照统计学原理明确带宽调节区间范围,让信道带宽伴随数据传输规格变化实现自适应调制;创建通信代价函数,利用邻居节点集合确立待选节点,考虑节点剩余能量与节点转发能量损耗,将拥有最低通信代价的路径作为最优通信数据传输途径。实验结果证明,所提方法可有效提高网络吞吐量,且通信时延在0.2ms以内,具备极强的可靠性。

摘要：针对量子遗传算法求解大规模优化问题存在收敛速度慢、易于陷入局部最优等问题,改进量子遗传算法。设计一种种群混合迁移机制促进算法的种群多样性,采用仿TriBA种群结构、双精英种群、重生种群、自适应迁移算子、个体竞争排挤算子以及随机失活机制,提高算法的局部勘测能力和全局寻优能力。利用Spark框架实现算法在分布式集群环境下的运算。改进2-opt&R优化算法,通过引入高斯变异提高算法的局部搜索能力,缩小算法的搜索空间。实验结果表明,改进后的算法在全局优化能力、收敛速度、运行速度和求解稳定性等方面均有大幅度提升。

摘要：为了给不同听者在不同场景下提供更好的语音增强主观听觉感受,提出了一种基于感知条件网络的可控语音增强模型。首先设计分位数损失函数来对语音的高估和低估进行权衡,并以此来指导网络的训练,通过调节网络输出中的语音损失和噪声残留水平,来控制模型的输出特性。然后为了让单个网络具有可变的输出特性,引入条件网络,利用分位数损失函数中与听者感知相关的分位值产生条件信息来对含噪语音特征进行调制,建立了可控的语音增强模型。实验结果表明,设计的分位数损失函数能够有效调节增强语音中的语音损失和噪声残留水平;基于感知条件网络建立的可控语音增强模型,能够提供可由听者主动控制的增强语音输出特性,使听者获得更好的语音增强体验。