Abstract:

目的 氮氧化物的大量排放,造成了光化学烟雾、酸雨、臭氧空洞等环境问题,严重威胁人类健康和社会的可 持续发展。 光催化技术是氧化去除 NO 的有效策略之一,具有能耗低、成本低、生态友好等优点。 然而,光催化高 效去除 NO 仍面临诸多挑战,如催化剂成本高、活性低、稳定性差等。 因此,选择合适的光催化剂以及简单的改性 策略至关重要。 方法 通过调研大量文献资料分析 MOFs 材料在光催化氧化去除 NO 领域的研究现状,对 MOFs 材 料改性策略及相应催化反应机制进行了综述。 结果 MOFs 材料在光激发下导致光生载流子的分离以此拥有氧化 还原能力进而产生活性氧物质( ROS) 是将 NO 氧化为低毒害物质的关键因素。 但有限的可见光响应能力与高的 光生载流子复合限制了 MOFs 材料的进一步利用。 结论 虽然报道了大量 MOFs 材料改性策略用于光催化氧化去 除 NO 领域,但活性与稳定性仍处于较低阶段,应对其进行更深入的研究,以早日开发出成本低,活性高,且易大量 制备的光催化剂。

Abstract:

目的 定量分析城市湿地公园中的社会价值,推动城市湿地公园布局由传统规划向社会功能导向发展;验证 跨国社会价值转移模型有效性,推进湿地规划与湿地生态系统社会价值评估国际合作,实现跨国生态系统惠益共 享。 方法 以中国重庆市彩云湖国家湿地公园及美国马里兰州 LA( Lake Artemesia) 公园为研究区,基于调查问卷和 环境背景数据构建 SolVES 模型,定量化评估彩云湖国家湿地公园社会价值,并对 LA 公园社会价值指数分布进行 预测。 结果 彩云湖国家湿地公园社会价值热点呈现沿湖环状分布,美学价值的最大价值指数最高为 9,未来价值 的最大价值指数最低为 4;LA 公园社会价值热点区域呈一带式分布,美学价值的最大价值指数最高,经济、未来、学 习和精神价值最低为 6;环境要素中距水体距离对价值指数的影响最大,距离道路 0 ~ 30 m 范围内,美学价值呈现 波动变化,距离居住区 170 m 处价值指数达到峰值。 结论 湿地公园社会价值转移在国际尺度具有可行性;水体是 湿地公园社会价值分布的重要调控因素,在湿地公园规划设计中应结合评估结果,针对不同区域提出相应的规划 建议。

Abstract:

目的 传统的混合调制策略在应用于直流侧电压比为 1 ∶ 1 ∶ 2 的混合级联 H 桥多电平逆变器时,解决了电流 倒灌问题,但仍存在着各单元输出功率不均衡的问题。 为解决此问题,提出了一种可实现各单元输出功率均衡的 新型调制策略。 方法 新型调制策略从数学计算和开关状态组合角度出发,通过计算,控制高压单元输出功率为逆 变器输出总功率的一半,在此基础上,通过对冗余开关状态组合的调整,对高压单元的导通区间进行一次再分配, 以满足完整调制的要求,而低压单元在特定区间上的脉冲信号需经逻辑处理,以确保两低压单元的导通时间相等, 进而确保两低压单元输出功率相等。 结果 仿真和实验表明:新型调制策略不仅实现了三单元的功率均衡输出,并 且其输出电压质量更好。 结论 仿真和实验同时也说明了计算法可以控制 H 桥单元的输出功率,而对开关状态组 合的调整可以满足调制的需求,两者结合使用,可以有效解决直流侧电压比不相等的级联 H 桥单元间的功率均衡 问题。

Abstract:

目的 分析不同加水量对全麦面条蒸煮损失率、吸水率、质构和感官的影响,优化全麦面条制备工艺中的最 适加水量。 方法 测定不同加水量(40%、41%、42%、43%、44%、45%) 对全麦面条硬度、粘着性、弹性、凝聚性、胶黏 性、咀嚼性、回弹性、蒸煮损失率、吸水率以及感官评分 10 个品质指标的影响,并对品质指标进行相关性分析,采用 主成分分析法( PCA) 得到主成分因子及与其相关的数据指标,计算出不同加水量时全麦面条品质指标的综合得 分。 结果 不同加水量对全麦面条蒸煮损失率、吸水率、质构和感官的影响趋势不同,品质指标间相关性比较大。 在 6 个加水量梯度中,添加 41%的水全麦面条综合得分最高,其次是 43%和 42%的加水量,且 41%、42%、43%三个加 水梯度的全麦面条品质指标与其他 3 组形成显著差异( p<0. 05) 。 结论 加水量会对面条品质产生显著影响,当加 水量为全麦面粉的 41%时制备的全麦面条品质综合指标最优。

Abstract:

目的 类不平衡和概念漂移是数据流分类任务中的两个主要挑战,当它们同时发生时,将显著影响数据流分 类算法的性能,因此,针对传统数据流分类算法难以应对类别不平衡和概念漂移同时存在的问题,提出一种专注于 非平衡数据流的重采样集成模型。 方法 首先,设计一种适用于数据流的边界过采样方法,利用三角形重心的特点, 在边界样本内侧合成新样本,使得块中的少数类得到增强的同时,尽可能保持数据原有分布并且避免引入新的概 念,有效改善数据块中类别不平衡情况;在此基础上,融合时间衰减策略和加权集成策略,设计基于马修斯相关系 数作为权重的动态加权集成模型,解决概念漂移问题,同时增强分类挖掘模型的自适应性和健壮性。 结果 在 3 个 真实数据流和 6 个模拟数据流上的仿真实验结果表明:所提方法在非平衡数据流场景中,展现出对多数类和少数 类均有高效的识别能力,并且对突变和增量概念漂移都具有更好的漂移感知和适应能力,分类模型整体性能优于 对比算法。 结论 实验验证:所提方法构建出一种鲁棒的非平衡数据流分类模型,在处理非平衡数据流和适应两种 类型的概念漂移方面具有更好的优势。

Abstract:

目的 针对传统优化算法在训练深度学习模型时,由于模型参数量不断增大,网络层数不断加深所产生的训 练效率较低的问题,提出一种基于 Nesterov 加速的 Nadabelief 优化算法,以提高模型的训练效率。 方法 首先采取 Adabelief 算法代替 Adam 算法,缓解了算法的泛化性问题;接着从一阶矩经典动量项的角度出发,在 Adabelief 算法 的基础上引入了 Nesterov 动量加速机制,在梯度更新时不仅考虑当前时刻的梯度,还借助于历史累积梯度来修正 梯度的更新幅度,进一步提升了算法的效率;最后根据理论分析证明得到算法的遗憾界,确保了算法的收敛性。 结 果 为了验证算法的性能,在凸情况下进行了 Logistic 回归实验,在非凸情况下进行了图像分类和语言建模实验,通 过与 Adam、Adabelief 等算法的比较,验证了 Nadabelief 算法的优越性。 通过在不同初始学习率下对算法进行测试, 验证了算法良好的鲁棒性。 结论 实验表明:所提出的算法在保持原有 Adabelief 算法泛化能力的同时兼具更好的 收敛精度,在训练深度学习模型时效率得到了进一步提高。

Abstract:

目的 基于深度神经网络的聚类模型由于能从原始数据中学习到有效特征,在各种无监督应用中受到了广 泛关注。 针对现有的基于自编码的聚类模型没有生成能力,且通常以高斯分布作为先验,限制了对多模态特征的 表达能力问题,提出一种深度嵌入聚类模型———DVADEC( Deep Embedded Clustering based on Dirichlet Variational Autoencoder) ,该模型将狄利克雷变分自编码器的表征学习能力和嵌入聚类的聚类能力结合到一个统一的模型中。 方法 首先,在预训练阶段,利用狄利克雷分布的多模态特性,将其作为先验分布来指导隐变量的学习过程;然后, 将训练好的权重加载到聚类模型中,并通过在隐藏空间中嵌入聚类层来进行类别分配;最后,通过交替优化目标函 数来微调网络,以提升聚类结果。 结果 实验结果显示:DVADEC 模型在 4 个基准数据集上展现出较好的聚类性能, 其中在 MNIST 图像数据集上达到了 97. 13%的准确率,在 REUTER-10k 文本数据集上达到了 80. 1%的准确率。 另 外,可视化结果显示潜在特征具有明显的可分性,且根据特征生成的样本轮廓清晰、平滑多样。 结论 DVADEC 模 型融合了生成能力和多模态特征的表达能力,并显著提高了特征提取和聚类性能,为数据挖掘和模式识别领域提 供了新的思路和技术手段。

Abstract:

目的 针对 JPEG 压缩反取证方法在生成图像质量与反取证性能之间平衡不足的问题,设计了一种融合多级 残差块和通道注意力机制的反取证模型 RBAM-JAF,以提高生成图像的质量,促使反取证性能和图像质量之间达 到更好的平衡。 方法 采用基于生成对抗网络的框架,包括生成器和鉴别器两部分,其中,生成器引入多级残差块和 通道注意力机制,使模型具有更好的泛化性,增强图像特征表示的能力;添加特征融合模块,以充分利用所有卷积 层的特征,提高生成图像的质量。 结果 实验结果显示,与现有的 4 种反取证方法 M1 、M2 、M3 和 M4 相比,在 QF = 25 的情况下,PSNR 值分别增长了 8. 52%、3. 31%、1. 52% 和 0. 07%,SSIM 值分别增长了 12. 89%、2. 46%、1. 90% 和 0. 55%;在 QF = 50 的情况下,PSNR 值分别增长了 10. 22%、2. 21%、0. 88% 和 0. 19%,SSIM 值分别增长了 9. 71%、 1. 52%、0. 64%和 0. 21%;在 QF = 75 的情况下,PSNR 值分别增长了 18. 26%、3. 56%、3. 80%和 2. 96%,SSIM 值分别 增长了 10. 83%、1. 58%、1. 16%和 0. 52%。 此外,通过 4 种取证检测器的检测,QF = 25、50 和 75 时,AUC 值均接近 或低于 0. 5。 结论 实验结果显示:方法 M5 与现有的反取证方法相比,提高了生成图像的视觉质量且能够有效地欺 骗现有的取证检测器,使反取证性能和生成图像质量之间达到了更好的平衡。

Abstract:

目的 针对现有基于生成对抗网络的无数据黑盒攻击方法容易出现收敛缓慢和代价高昂的问题,提出一种 新颖的黑盒迁移攻击方法。 方法 分为两个阶段:训练数据合成与替代模型蒸馏。 在训练数据合成阶段,通过优化 生成器以最大化替代模型与目标模型输出的一致性,同时引入 2 种损失函数来约束生成器产生的数据分布;在替 代模型蒸馏阶段,采用具有可学习参数的残差块设计替代模型,并利用生成器合成的数据来拟合目标模型的决策 边界。 通过交替进行这两个阶段的训练,替代模型可以更好地拟合目标模型的决策边界,进而提升攻击效果。 结果 通过系列实验验证,针对目标模型的无目标黑盒攻击成功率可以达到 70%以上;在 CIFAR100 数据集上,该方法相 较于其他黑盒攻击方法,有目标攻击成功率提高了 2%以上,且在实现相同攻击效果时,所需查询预算更低。 结论 所提方法能够高效拟合目标模型的决策边界,具有较好的攻击效果。

Abstract:

目的 铝合金铸件表面缺陷检测是工业中的一个重要应用,正确且快速地检测出铸件表面的缺陷可以大大 提高产量和质量。 针对图像中缺陷目标较小,缺陷类别易混淆,定位不精准等问题,提出了一种在一级检测器基础 上改进的 SAD-YOLOv5 模型。 方法 针对一般卷积神经网络中由于跨步卷积和池化层导致网络训练过程中信息丢 失的问题,通过引入空间到深度( space-to-depth,SPD) 模块避免细粒度信息的丢失,提高对小目标的特征学习能 力;为进一步提升网络模型精度, 在 网 络 的 Head 中 引 入 自 适 应 空 间 特 征 融 合 ( adaptively spatial feature fusion, ASFF) 和 Decoupled Head,其中 ASFF 通过实现不同特征之间的自适应融合,抑制了不同尺度特征之间的不一致 性,保留更有鉴别性的信息,从而提升网络学习能力;使用 Decoupled Head 替换原先的耦合头,将分类和回归进行 解耦,使分类更加关注纹理信息,回归更加关注边缘信息,二者各司其职,进一步提升网络判断能力。 结果 在自己 拍摄的铸件缺陷检测数据集中的测试结果表明,SAD-YOLOv5 的 mAP@ 0. 5 和 mAP@ 0. 5:0. 95 分别为 95. 1% 和 68%,较基线模型( YOLOv5) 分别提升了 1%和 3. 3%。 结论 SAD-YOLO5 能更准确地完成铝合金铸件的表面缺陷 检测任务。

Abstract:

目的 针对室内场景中的复杂光照、多样化的材质以及空间结构,现有的 RGBD 语义分割算法未能充分利用 深度图像提供的形状信息,且计算成本高等问题,提出一种基于 SwiftNet 面向室内 RGBD 场景高效语义分割方法。 方法 首先,在轻量级多尺度道路 RGB 场景语义分割算法( SwiftNet) 中引入深度图像,通过利用深度图像的颜色稳 定性和其为每个像素提供的到相机的距离信息,能够降低光线、颜色和距离等因素对分割结果的影响;然后,针对 深度图像的几何形状特征进行专门提取,把深度特征分解为位置分量和形状分量,同时引入两个可学习权重以独 立地与它们协作,再对这两个分量的重新加权组合应用卷积获取深度数据中固有的几何形状信息,不会在推理阶 段引入计算和内存增加;最后,为了更快地捕捉更丰富的上下文信息,改进深度聚合金字塔池化模块使其并行提取 上下文信息,称为快速聚合金字塔池化模块( FAPPM) 。 结果 通过在公共室内数据集 NYUv2 和 SUNRGBD 上的评 估实验结果表明:相较于当前表现良好的 ESANet 模型,在两数据集上分别获得的 2. 21%和 3. 2%的 MIoU 提升,同 时能够达到 33. 36 的 FPS。 结论 验证了该算法在处理复杂的室内环境语义分割中展现出的高效与准确性,为室内 应用的后续智能机器人任务提供了良好的支持。

Abstract:

目的 近年来,随着数字技术的发展,图像篡改已经成为一个日益严重的问题,现有的众多图像篡改和目标检 测方法均存在 着 识 别 精 度 不 足 和 检 测 效 果 不 理 想 的 问 题。 为 了 更 有 效 解 决 这 一 挑 战, 提 出 一 个 基 于 改 进 的 YOLOv8 检测算法,希望能够实现更高的检测精度。 方法 首先,为了捕获篡改的边缘特征,引入局部和全局注意力 机制,对 YOLOv8 的骨干网络进行深度优化,这种优化结合了上下文感知和局部增强技术,大大增强了对边缘特征 的识别力;考虑到篡改区域可能存在各种形态,进一步采用堆叠特征金字塔的网络结构,以捕获多尺度特征;最后, 为了提高模型的计算效率和推理速度,在模型中结合深度可分离卷积和通道重排技术。 结果 在一系列的实验中, 改进的 YOLOv8 篡改检测算法在 CASIA2. 0 图像篡改数据集上展现了出色的性能,与原始算法相比,其准确率高达 82. 3%,明显提高了检测的效果;提出的基于改进的 YOLOv8 篡改检测算法,经过深度的网络优化和结构调整,成 功地提高了图像篡改检测的准确性和效率。 结论 文中提出的方法在图像篡改检测方面表现出较高的准确性,为图 像篡改检测领域带来了重要的进展,具有深远而重要的意义。

Abstract:

目的 针对 CenterNet 无锚框目标检测算法表征能力不足的问题,提出一种基于上下文增强和特征融合的学 习方法。 方法 该方法采用多感受野和信息融合的思想,构建自适应上下文提取模块和特征融合策略。 首先网络通 过自适应上下文提取模块的多路径空洞卷积层获取目标的上下文特征,督促深层网络学习多尺度信息;然后,通过 ACON-C 激活函数在网络中加入非线性因素,对网络神经元自适应地激活,增强网络的数据拟合能力;最后,联合 注意力特征融合策略对不同层次的特征信息进行合并,通过整合深层网络的语义信息和浅层网络的位置信息,来 捕获对识别任务有用的特征信息,同时学习特征图在多个层次通道间的相关性,以加强网络对关键目标特征的专 注度。 结果 所提方法在 PASCAL VOC 公开数据集上 mAP 达到 83. 82%,约比基线算法 CenterNet 增加了 3. 72%。 相较于经典算法 Faster R-CNN、SSD、YOLOv3 分别增加了 7. 4%、9. 5%、3. 5%。 结论 有效地提升了 CenterNet 算法 的检测性能,并且改进的 CenterNet 相较于其他目标识别算法具有更高的识别准确度,在目标检测应用中具有良好 的实用性,充分验证了所提方法的有效性。

Abstract:

目的 目标追踪在视频监控、汽车自动驾驶、无人机航拍等领域有广泛应用,现有的基于 Transformer 模型的 自注意力操作是将 2D 特征转换为 1D 序列,会忽略目标对象的空间先验知识,导致追踪效果不佳,针对这一问题, 提出一种名为 Pool-Swin Transformer Tracker ( PSTransT) 的追踪器。 方法 PSTransT 将 Swin Transformer 的每个阶段 与一个池化层相结合,实现了在不同尺度上充分提取特征的能力,同时保留了空间位置信息。 具体而言,PSTransT 利用基于跨尺度融合的 Swin Transformer 模型进行上下文建模,该模型在每个阶段都与一个池化层并联,这样可以 在保持特征丰富性的同时,有效地捕捉不同尺度上的空间特征。 此外,该方法采用基于 Transformer 的特征融合网 络,通过 Transformer 的自注意力机制,联合学习模板特征和搜索特征之间的关联性进行特征融合,以更好地捕捉被 追踪目标的动态变化和局部上下文信息。 结果 该方法在多个基准数据集上对 PSTransT 进行了广泛评估,其中在 LaSOT 上达到了 69. 2%的成功率,比 SiamPRN++高 19. 6%、在 GOT-10k 上达到了 72. 2%的平均重叠率( mAO) ,比 SiamPRN++高 20. 5%。 结论 实验结果表明: 在保留上下文信息的同时,保留空间先验信息对目标追踪性能有利, PSTransT 优于其他对比方法。

Abstract:

目的 针对不同偏相关系数的估计方法,提出在高维非稀疏条件下不同偏相关系数估计方法的算法性能、估 计准确性和效率的探讨方法。 方法 现有 Pcor 估计方法的研究主要关注高维数据和稀疏性假设下偏相关关系的存 在性, 但是, 在非稀疏条件下,Pcor 估计方法的算法效率和估计准确性研究较为缺乏。 本研究综合考虑了适用于 非稀疏条件的偏相关系数估计方法, 并采用正则化方法处理相应的高维回归模型, 进一步探索估计方法对偏相关 系数的估计性能和效率,为验证不同算法的估计表现, 进行了大量的数值模拟实验, 并分析了股票市场中的实际 数据。 结果 在高维非稀疏条件下, 无偏自适应 LASSO 和渐进无偏 MCP 在偏相关系数的估计中表现都很出色。 结论 在高维非稀疏条件下, 偏相关系数的估计方法与高维稀疏条件下呈现出相似的特点: 当 Pcor 为负值时, 估 计较为准确; 当 Pcor 为正值时, 估计存在一定的偏差。 在正则化方法的选择上, 无偏自适应 LASSO 和渐进无偏 的 MCP 方法综合表现都优于相应的有偏 LASSO 方法,特别地, 在小样本量下, 自适应 LASSO·RES 算法表现较 优, 而在大样本量下, MCP·REG2 较好, 其中, REG2 方法在 Pcor 取正值时效果最好。 值得注意的是, 相较于稀 疏条件下控制变量得到有效控制, 在非稀疏条件下控制变量的干扰和影响增多,因此当非稀疏条件越趋近于稀疏 条件时, 算法误差越低, 效率越高;在适当的非稀疏性条件下, 无偏自适应 LASSO·RES 和渐进无偏 MCP·REG2 算法都表现良好, 也有较好的鲁棒性和稳定性;在较强非稀疏性条件下自适应 LASSO·RF 算法表现最好。