Abstract ：

在交通碳达峰和碳中和的背景下,高精度、细粒度、可实施性强的机动车能耗实时预测方法成为交通减碳关键组成之一.针对传统基于回归的车辆能耗模型普适性较差的问题,提出了一种基于径向基函数神经网络(radial basis function neu-ral network,RBFNN)的车辆能耗预测模型.首先分析车辆能耗影响因素并基于Min-Max标准化方法对影响因素矩阵进行归一化处理,然后基于灰狼算法(grey wolf optimization,GWO)优化RBFNN算法隐藏层中心点、高斯函数的宽度和隐含层与输出层连接的权值的训练,最后从横向模型对比和实车实测数据进行模型预测准确度分析.测试结果表明:RBFNN算法预测准确度较传统回归模型提高约12％,整体准确度达到90％以上,能够很好地对城市机动车能耗进行预测.

Keyword ：

灰狼算法(GWO) 能耗 机动车 径向基函数神经网络(RBFNN)

Cite：

Copy from the list or Export to your reference management。

Abstract ：

自动文本摘要是自然语言处理(NLP)领域中的一个重要分支,其主要难点之一是在于如何快速、客观且准确地评估生成摘要的质量.针对现有文本摘要质量评估方法中评估准确度不高、需要参考文本以及计算资源消耗大的问题,本文提出一种基于大语言模型的文本摘要质量评估方法,设计基于思维链原理的提示词构建方法以提高大语言模型在文本摘要质量评估任务上的性能,同时生成思维链数据集并以模型微调的方式对小型大语言模型进行训练,显著降低了计算需求.本文方法首先根据文本摘要的特点确定评估维度,并基于思维链原理(chain of thought,CoT)构建提示词;使用提示词对大型大语言模型进行引导,使其根据摘要样本生成思维链过程与评估结果,同时以此为基础生成思维链数据集;使用生成的思维链数据集对小型大语言模型进行微调训练;最后使用微调后的小型大语言模型完成文本摘要的质量评估任务.本文在Summeval数据集上进行了对比实验与分析,实验结果表明,本评估方法显著提高了小型大语言模型在文本摘要质量评估任务上的评估准确度,实现了一种无需参考文本、评估准确度高、计算需求低、便于部署的文本摘要质量评估方法.

Keyword ：

大语言模型 文本摘要 微调训练 思维链 质量评估

Cite：

Copy from the list or Export to your reference management。

Abstract ：

深度学习技术在目标检测领域取得了巨大进展,但其优异的性能建立在大量精确标注的数据集之上.在样本稀缺的特定领域,如国防海上安全和医学等领域,获取具有标注的数据尤为困难.因此,小样本目标检测领域因其能够应对样本稀疏性所带来的挑战而得到学术界的广泛研究.该领域的研究目标是得到能够从极其有限的样本中提取知识并实现高效目标检测的算法框架.然而,由于新类样本的稀缺性,其与基类之间存在着显著的分布差异,导致了小样本目标检测任务的准确度受限.此外,在对模型应用新类进行微调的过程中,由于新类与基类的不重叠性,模型学习新类的特征知识的过程中会存在大量的梯度更新,导致基类的特征知识被遗忘的问题,从而降低模型的整体性能.针对新类别样本稀缺的问题,本研究采用自监督学习策略.自监督学习,无须依赖标注信息,便于构建代理任务以进行模型训练,是缓解小样本目标检测样本稀缺问题的有效方案.为了避免模型在学习新类特征知识后出现基类灾难性遗忘的问题,本文将自监督学习与两阶段的目标检测器相结合.通过在类别域应用潜在特征来表示各个类别的特征信息,通过动态更新策略在学习新类别的过程中进一步优化特征,并借助检测框域构建良好的代理任务提升回归框的精准度.本研究在PASCAL VOC数据集和MS COCO数据集上进行大量的实验验证,实验结果表明,无论是在新类性能方面还是总体性能方面,本研究所提出的方法相较于其他多个小样本目标检测模型均展现出更加优越的性能表现.

Keyword ：

自监督学习 深度学习 小样本目标检测 广义小样本目标检测

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 通过对痧象图片数据的研究，提出一种数显的客观方法来对背部痧象特征要素进行准确辨识，以避免主观认知不同带来的偏差，帮助人们快速辨识痧象的相关特征，为中医医师的诊断提供一定的客观依据，减少主观化成分。方法 首先，采用深度语义分割算法模型对采集的背部痧象图片进行分割，以获取只包含痧象的部分区域，去除图片中其他无关部分，尽可能减少对后续实验所带来的影响。然后针对分割得到的图像，结合中医五脏六腑在背部的映射区，采用关键区域检测的方法对痧象颜色特征进行3种区间的识别；根据中医主观上对于痧象形状的划分，采用像素统计方法将痧象形状划分为片状和点状两种。最后，通过准确度、精确度、召回率、F1值对客观识别的结果进行数据上的评价。结果 本文提出的客观数显方法在痧象颜色特征划分上的准确率达到了80.56%,在痧象形状特征的划分上准确率达到了89.60%,能够较为准确地对痧象特征要素进行划分，具有一定的可行性。结论 本文提出的数显方法能够对痧象的颜色和形状特征进行较为准确的辨识，可以在很大程度上避免主观认知所造成的辨识不同问题，在辅助医师诊断以及用于中医痧象特征的识别教学方面具有较大的应用前景，可为正确了解痧象特征信息提供帮助。

Keyword ：

图像处理 特征分类 信息化 机器学习 中医痧象

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 验证基于临床CT的数字体相关(digital volume correlation, DVC)方法在测量股骨内部变形场时的准确性，并通过DVC进一步测量股骨在跌倒情况下的内部变形，验证基于临床CT的有限元分析方法(finite element analysis, FEA)在计算股骨内部变形场的准确性。方法 使用猪股骨，模拟侧向跌倒姿态，进行分步力学加载实验，同步进行多次CT成像。通过重复扫描和虚拟位移验证DVC方法的准确性。DVC以子体积作为配准两组图像的研究对象，分别设置8、12、16和20 mm的子体积进行测试。量化误差指标包括位移系统误差-平均值(mean)、位移随机误差-标准差(standard deviation, SD)、应变准确度-平均绝对误差(mean absolute error, MAER)和应变精确度-标准差误差(standard deviation of the error, SDER)。基于CT图像建立股骨有限元模型，模拟实验条件，计算股骨内部位移，与DVC测量的内部变形场对比验证。结果 基于临床CT的DVC方法重复扫描位移偏差小于0.013 mm, MAER和SDER均小于200με;虚拟位移偏差小于0.098 mm, MAER为1 093～1 687με,SDER为604～1 267με,远小于骨组织屈服应变。FEA计算的位移和DVC测量的位移之间具有较强的相关性(R~2≥0.76,P<0.05)。结论 基于临床CT的DVC方法可以准确测量股骨内部变形场，并且基于临床CT的有限元模型可以准确计算股骨内部变形场。

Keyword ：

CT图像 骨质疏松 有限元分析 数字体相关 股骨骨折

Cite：

Copy from the list or Export to your reference management。

Abstract ：

为解决泵站场景下远距离小尺寸目标和特征遮挡等因素对泵站安全风险检测任务带来的挑战,文章提出一种融合坐标注意力机制和梯度流特征提取模块的泵站安全风险检测算法.通过在特征提取网络中采用梯度流特征提取模块以提高网络的特征提取能力,同时引入坐标注意力机制模块提升对全局信息的捕获能力,最后在特征融合模块采用BiFPN结构提高对不同尺寸目标特征的融合效果.在泵站场景下进行实验,结果表明文章所提算法在泵站场景下的安全风险检测任务中算法平均准确度达到94.78%,与常见的目标检测算法相比具有较好的效果.

Keyword ：

坐标注意力机制 安全风险检测 特征提取 BiFPN

Cite：

Copy from the list or Export to your reference management。

Abstract ：

针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法.该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取.与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50％,使得算法的计算复杂度大大降低.同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性.考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的.最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中.实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能.

Keyword ：

UKF)算法 无迹卡尔曼滤波(unscented Kalman filter 球形不敏变换 均方根误差 SOC)估计 锂电池 Sage-Husa滤波 荷电状态(state of charge

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于深度学习的癫痫脑电自动检测方法，能避免人为因素的影响而倍受关注，而其有效性主要取决于深度神经网络模型。为此，本研究将根据癫痫脑电的多尺度、时空特点及导联间的信息流动特征，设计一种基于注意力的多尺度残差网络（AMSRN），并与多尺度主元分析法（MSPCA）相结合，实现癫痫的自动检测。首先，利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计AMSRN模型结构与参数。其中，注意力模块（AM）、多尺度卷积模块（MCM）、时空特征提取模块（STFEM）和分类模块（CM）相继完成基于注意力加权机制的信号重表达以及多尺度-时空特征的提取、融合与分类。基于麻省理工学院的波士顿儿童医院（CHB-MIT）公共数据集进行5折交叉验证实验研究，AMSRN模型在灵敏度（98.56%）、F1分数（98.35%）、准确度（98.41%）及精确度（98.43%）等方面均取得了较好结果。结果表明，AMSRN模型能够很好地利用癫痫发作引起的脑网络信息流动强化导联间差异性，并有效捕获癫痫脑电的多尺度和时空特征，有利于改善癫痫检测性能。.; The deep learning-based automatic detection of epilepsy electroencephalogram (EEG), which can avoid the artificial influence, has attracted much attention, and its effectiveness mainly depends on the deep neural network model. In this paper, an attention-based multi-scale residual network (AMSRN) was proposed in consideration of the multiscale, spatio-temporal characteristics of epilepsy EEG and the information flow among channels, and it was combined with multiscale principal component analysis (MSPCA) to realize the automatic epilepsy detection. Firstly, MSPCA was used for noise reduction and feature enhancement of original epilepsy EEG. Then, we designed the structure and parameters of AMSRN. Among them, the attention module (AM), multiscale convolutional module (MCM), spatio-temporal feature extraction module (STFEM) and classification module (CM) were applied successively to signal reexpression with attention weighted mechanism as well as extraction, fusion and classification for multiscale and spatio-temporal features. Based on the Children's Hospital Boston-Massachusetts Institute of Technology (CHB-MIT) public dataset, the AMSRN model achieved good results in sensitivity (98.56%), F1 score (98.35%), accuracy (98.41%) and precision (98.43%). The results show that AMSRN can make good use of brain network information flow caused by seizures to enhance the difference among channels, and effectively capture the multiscale and spatio-temporal features of EEG to improve the performance of epilepsy detection.

Keyword ：

Multi-scale principal component analysis (MSPCA) Electroencephalogram signal Deep learning Seizure detection Brain networks

Cite：

Copy from the list or Export to your reference management。

Abstract ：

基于深度学习的癫痫脑电自动检测方法，能避免人为因素的影响而倍受关注，而其有效性主要取决于深度神经网络模型。为此，本研究将根据癫痫脑电的多尺度、时空特点及导联间的信息流动特征，设计一种基于注意力的多尺度残差网络（AMSRN），并与多尺度主元分析法（MSPCA）相结合，实现癫痫的自动检测。首先，利用MSPCA对原始癫痫脑电信号进行去噪和特征增强；进而，设计AMSRN模型结构与参数。其中，注意力模块（AM）、多尺度卷积模块（MCM）、时空特征提取模块（STFEM）和分类模块（CM）相继完成基于注意力加权机制的信号重表达以及多尺度-时空特征的提取、融合与分类。基于麻省理工学院的波士顿儿童医院（CHBMIT）公共数据集进行5折交叉验证实验研究，AMSRN模型在灵敏度（98.56%）、F1分数（98.35%）、准确度（98.41%）及精确度（98.43%）等方面均取得了较好结果。结果表明，AMSRN模型能够很好地利用癫痫发作引起的脑网络信息流动强化导联间差异性，并有效捕获癫痫脑电的多尺度和时空特征，有利于改善癫痫检测性能。

Keyword ：

癫痫检测 多尺度主元分析 脑电信号 深度学习 脑网络

Cite：

Copy from the list or Export to your reference management。

Abstract ：

由于息肉图像的自动分割病灶区域大小不一和边界模糊,从而导致分割精度较低.针对这两个问题,本文提出先定位后逐步精细的渐进式消减网络(Progressive Reduction Network,PRNet).该网络采用Res2Net提取病灶区域特征,利用多尺度跨级融合模块将注意融合机制与跨级特征结合,有效应对病灶区域多尺度问题,提升定位准确度.在自上而下恢复图像分辨率的过程中,引入不确定区域处理模块和多尺度上下文感知模块.前者通过设定递减的阈值逐步挖掘息肉边缘信息,增强边缘细节特征的识别能力;后者则进一步探索病灶区域周围潜在的上下文语义,提升模型的整体表征能力.此外,本算法还设计了一个简单的特征过滤模块,用于筛选编码器特征中的有效信息.在Kvasir-SEG、CVC-Clinic和ETIS数据集上的实验结果表明,所提算法的Dice系数分别达到了92.09%、93.05%和74.19%,优于现有的息肉分割算法,展示出了较好的鲁棒性和泛化性.

Keyword ：

息肉分割 结肠镜 医学图像处理 不确定区域 多尺度

Cite：

Copy from the list or Export to your reference management。