摘要：针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net,MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module,ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module,CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE_DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。

摘要：报道了一种高功率宽调谐外腔面发射绿光激光器,利用设计的1018 nm半导体增益芯片、折叠镜以及后端镜构成结构紧凑的V型腔,使用长度为10 mm的Ⅰ类相位匹配三硼酸锂(LiB_(3)O_(5),LBO)非线性频率变换晶体进行腔内倍频,实现了509 nm波长的高功率绿光输出.通过在腔内插入双折射滤波片(birefringent filter,BRF),可获得连续调谐的激光波长.当BRF厚度为1 mm时,基频激光和倍频绿光的波长调谐范围分别为47.1 nm和20.1 nm.可调谐绿光的最大输出功率为8.23 W,对应的倍频转换效率为68.2%,相应的从吸收泵浦光到倍频绿光的光-光转换效率为16.6%.

摘要：锁模半导体碟片激光器(semiconductor disk laser,SDL)兼具输出功率高与光束质量好的优点,但半导体增益介质ns量级很短的载流子寿命限制了锁模脉冲重复频率的降低,因而在一定程度上限制了锁模脉冲峰值功率的提高.本工作中增益芯片内较浅的量子阱所对应的载流子寿命相对较长,结合特殊设计的较小饱和通量的半导体可饱和吸收镜(semiconductor saturable absorption mirror,SESAM),获得了低重复频率、高峰值功率的被动锁模SDL.当温度为12℃时,利用六镜谐振腔产生的被动锁模激光脉冲重复频率低至78 MHz,为迄今为止在SESAM锁模SDL中所获得的最低重复频率.锁模SDL的平均输出功率为2.1 W,脉冲宽度为2.08 ps,对应的脉冲的峰值功率12.8 kW,为已有报道最高值的近2倍.

摘要：为了探究图神经网络各个模型之间的本质关系,更好地运用图神经网络解决实际问题,从基于空域的三个图神经网络出发,在统一的优化框架下,由不同的卷积核得到三个具体的优化问题,求解这些问题得到信息传播机制的表达式。结果表明,各模型的传播机制,分别对应特定图正则化项下优化问题的解,区别在于卷积核的设计不同。本研究为设计新的图神经网络变体提供了思路。

摘要：为了深入分析电动汽车充电设施发展动力不足的内在原因,提出相应的对策方案,以促进电动汽车产业的快速发展,本文从充电设施投资的时间维度和空间维度出发,将参与充电市场投建的两个及多个充电设施服务商作为研究对象,分别分析了其在序贯投资和同时投资模型下,不同区域市场的动态投资行为,并设计了对应的激励方案。研究发现:在电动汽车发展初期,无论是两个还是多个充电设施服务商,在序贯投资和同时投资场景下,都会受投建充电站成本的影响,而倾向于在相对低需求的市场投建充电设施,该选择行为将随着电动汽车的发展逐渐转向高需求市场;为提高充电设施服务商向高需求市场投资的力度,增加高需求市场的充电设施数量,本文分别设计了序贯投资场景和同时投资场景下的投资激励方案,并给出了激励金的最低限额取值和激励措施的终止条件。算例分析结果验证了本文提出的模型与理论分析的可行性。

摘要：【目的】研究解决传统神经网络手动设计网络结构的局限性,并探究差分进化算法对神经网络优化的有效性。【方法】提出了一种基于差分进化算法的多层前馈神经网络的优化设计方案,用以同时完成神经网络的权值空间和网络结构空间的搜索,给出不同场景下的最优网络结构。该算法采用(1+1)-ES二元进化策略,使用一种新的网络结构交叉和变异方法,通过双种群结构共同进化及自适应变异率等策略加快网络结构的搜索以及算法的收敛。【结果】在预测、分类等问题中,基于差分进化算法的神经网络优化设计能够较好地搜索到最优的神经网络结构,并与传统的BP神经网络以及经典的预测分类算法进行比较,实验结果具有较强的鲁棒性。【结论】基于差分进化算法的神经网络优化设计是解决网络结构寻优问题的有效方法。

摘要：出水化学需氧量(COD)的快速准确测量对于污水处理过程水质的动态调控至关重要。针对出水COD难以实时检测的问题,提出一种基于量子加权最小门限单元(QWMGU)神经网络的出水COD预测方法。先通过多维单步(滑动窗口)预测技术构建时间序列;然后在最小门限单元(MGU)遗忘门、候选状态与输出环节设计量子计算机制,通过更新量子相移门矩阵替代MGU权值矩阵的更新,赋予网络神经元量子特性,并给出QWMGU模型设计的具体规则与构建流程。应用该方法对德州市污水处理厂2020年出水COD进行预测,并与5种流行预测模型进行对比,以检验模型优越性。结果表明:QWMGU网络的相对预测误差优于其他方法,且稳定性较高,其均方根误差、确定系数、平均绝对误差分别为0.073、1、0.047。该模型有助于实现污水处理厂COD的高效在线检测。

摘要：针对传统的图像描述模型不能充分利用图像信息且融合特征方式单一的问题,提出了一种融合自适应常识门(ACG)的图像描述生成模型。首先,使用基于视觉常识区域的卷积神经网络(VC R-CNN)提取视觉常识特征,并将常识特征分层输入到Transformer编码器中;然后,在编码器的每一分层中设计了ACG,从而对视觉常识特征和编码特征进行自适应融合操作;最后,将融合常识信息的编码特征送入Transformer解码器中完成训练。使用MSCOCO数据集进行训练和测试,结果表明所提模型在评价指标BLEU‑4、CIDEr和SPICE上分别达到了39.2、129.6和22.7,相较于词性堆叠交叉注意网络(POS-SCAN)模型分别提升了3.2%、2.9%和2.3%。所提模型的效果明显优于使用单一显著区域特征的Transformer模型,能够对图像内容进行准确的描述。

摘要：针对文本生成图像任务过程中存在图像视觉特征和通道特征信息利用不充分问题,提出一种基于特征增强生成对抗网络(FE-GAN)的文本生成图像方法.首先,在动态记忆读取时,设计二次记忆(MoM)模块来对生成的中间特征进行注意与融合,利用注意力机制在记忆读取时进行第一次视觉特征增强,再将得到的注意力结果和上一个生成器生成的图像特征进行融合,实现第二次图像视觉特征增强.然后,在残差块中引入通道注意力来获取图像特征中的不同语义,提升相似语义通道之间的关联性,实现通道特征增强.最后,将实例归一化上采样块和批量归一化上采样块相结合来提高图像分辨率,同时缓解批量大小对生成效果的影响,提升生成图像风格多样性能力.在CUB-200-2011和Oxford-102数据集上进行的仿真实验表明,所提方法的IS分别达到了4.83和4.13,与DM-GAN相比分别提高了1.68%和5.62%.实验结果表明,FE-GAN生成的图像在细节处理上更好,更加符合文本语义.