在本文中,我们提出了一种新颖的独立混合脉冲卷积神经网络 (SC-NN) 模型,并在图像修复任务上进行了测试。我们的方法利用 SNN 的独特功能(例如基于事件的计算和时间处理)以及 CNN 强大的表示学习能力来生成高质量的修复图像。该模型在专为图像修复设计的自定义数据集上进行训练,其中使用蒙版创建缺失区域。混合模型由 SNNConv2d 层和传统 CNN 层组成。SNNConv2d 层实现泄漏积分和发射 (LIF) 神经元模型,捕捉脉冲行为,而 CNN 层捕捉空间特征。在本研究中,均方误差 (MSE) 损失函数演示了训练过程,其中训练损失值为 0.015,表示在训练集上的表现准确,并且模型实现了低至 0 的验证损失值。 0017 的测试结果。此外,大量的实验结果证明了其最先进的性能,展示了在单个网络中集成时间动态和特征提取进行图像修复的潜力。
AI 人工智能 ANN 人工神经网络 ASA 应用科学协会 ATM 应用技术与管理 BEP 反向误差传播 BFHYDRO 边界拟合流体动力学模型 CRADA 合作研究与开发协议 DSS 决策支持系统 EFDC 环境流体动力学规范 EIS 环境影响声明 FCFWRU 佛罗里达州鱼类与野生动物合作单位 GaEPD 佐治亚州环境保护部 GPA 佐治亚州港务局 GUI 图形用户界面 LMS Lawler、Matusky 和 Skelly ME 平均误差 MLP 多层感知器 MSE 均方误差 M2M 模型到沼泽应用 NWIS 国家水信息系统 OLS 普通最小二乘法 PME 百分比模型误差 psu 实用盐度单位 Q 流量 RMSE 均方根误差 R 2 判定系数 SISO 单输入单输出 SNWR 萨凡纳国家野生动物保护区 SSE 误差平方和 SSR 状态空间重建 USACOE 美国陆军工程兵团 USFW 美国鱼类与野生动物管理局 USGS 美国地质调查局 WASP7 水资源评估与模拟程序 - 第 7 版 WES 水道美国陆军工程兵团实验站 WL 水位 XWL 潮汐范围
像素转换在图像处理中至关重要,很大程度上取决于插值方法来确保平滑度和清晰度。这项工作重点关注两种广泛使用的图像插值技术:最近邻插值和双线性插值,这两种技术都是使用集成软件代码实现的。我们的方法使每种插值技术都可以独立应用,从而可以直接比较它们的性能。为了对每种插值方法进行全面评估,我们使用了一组基本质量评估指标:峰值信噪比 (PSNR)、结构相似性指数 (SSIM)、灰度分析和均方误差 (MSE)。选择这些指标是为了对图像清晰度、结构准确性和整体视觉质量进行平衡评估。本研究的结果对每种插值技术的优势和局限性进行了详细分析。这些发现旨在帮助研究人员和从业者根据他们在图像处理领域的特定要求选择最合适的插值方法。通过提供比较框架,这项工作通过增强评估和优化数字成像应用中的图像质量的方法来为该领域做出贡献。
摘要:随着分布式能源(DER)的出现及其相关的通信和控制复杂性,需要一个高效的平台来消化所有传入数据并确保电力系统的可靠运行。数字孪生(DT)是一个新概念,可以释放巨大的机遇,可用于电力系统的不同控制和安全级别。本文提供了一种用于多种应用的能源信息物理系统(ECPS)实施建模的方法。介绍了两种 DT 类型,以涵盖需要集中监督决策的高带宽和低带宽应用。使用 Amazon Web Services(AWS)作为云主机验证和测试数字孪生的概念,该云主机可以整合物理和数据模型,并能够从不同的实际电力和控制实体接收实时测量值。实验结果证明了基于物联网 (IoT) 和云计算技术实时实现 ECPS DT 的可行性。低带宽 DT 情况下的归一化均方误差为 3.7%。在高带宽 DT 的情况下,所提出的方法在重建电压估计方面表现出色,仅从控制器的状态来看准确率就达到 98.2%。
ErbB 受体家族(包括 EGFR 和 HER2)在细胞生长和存活中起着至关重要的作用,并与乳腺癌和肺癌等各种癌症的进展有关。在本研究中,我们开发了一个深度学习模型,使用基于 SMILES 表示的分子指纹来预测 ErbB 抑制剂的结合亲和力。每种 ErbB 抑制剂的 SMILES 表示均来自 ChEMBL 数据库。我们首先从 SMILES 字符串生成 Morgan 指纹,并应用 AutoDock Vina 对接来计算结合亲和力值。根据结合亲和力过滤数据集后,我们训练了一个深度神经网络 (DNN) 模型来根据分子指纹预测结合亲和力值。该模型取得了显著的性能,训练集上的均方误差 (MSE) 为 0.2591,平均绝对误差 (MAE) 为 0.3658,R 平方 (R²) 值为 0.9389。尽管在测试集上性能略有下降(R² = 0.7731),但该模型仍然表现出强大的泛化能力。这些结果表明深度学习方法对于预测 ErbB 抑制剂的结合亲和力非常有效,为虚拟筛选和药物发现提供了宝贵的工具。
摘要 — 当解码器需要重建参数序列时,考虑通过随机参数量子信道进行通信。我们研究了编码器处可用的严格因果、因果或非因果信道边信息 (CSI) 的场景,以及 CSI 不可用的情况。该模型可以看作是一种量子计量学,也是解码器处具有状态估计的经典速率和状态信道的量子对应物。推导出容量失真区域的正则化公式。在测量信道的特殊情况下,推导出严格因果和因果设置的单字母特征。此外,在更一般的纠缠破坏信道情况下,当 CSI 不可用时,推导出单字母特征。因此,我们获得了具有 CSI 的随机参数量子信道容量的正则化公式,推广了 Boche 等人在 2016 年关于经典量子信道的先前结果。最后,我们引入了玻色子脏纸编码,证明最佳系数不一定是经典设置中的最小均方误差估计的系数。
摘要:本文收集了两种类型的医学图像,它们来自 CT 扫描和超声系统,目的是在保持图像质量的情况下减少表示医学图像所需的位数。医学成像对疾病诊断和手术准备有很大影响。另一方面,由于医学图像数据量巨大,存储和传输是一个重要问题。例如,每张 CT 图像切片为 512 x 512,数据集由 200 到 400 张图像组成,平均数据量为 150 MB。对医学数据进行有效压缩可以解决存储和传输问题。医学图像使用提出的算法进行压缩,该算法包括两种技术,即离散余弦变换 DCT 和矢量量化 VQ。本文从收集医学图像开始,使用 MATLAB 通过 DCT-QV 开发压缩算法,并通过使用峰值信噪比 PSNR、均方误差 MSE、压缩比 CR 和每像素比特 BPP 测量原始图像和压缩图像之间的差异来评估这些技术的性能。实验结果表明,所提算法压缩后的图像质量较高,量化水平达到30%以上,压缩率达到可接受水平。
在本研究中,将深度确定性策略梯度 (DDPG) 算法(该算法由人工神经网络和强化学习组成)应用于垂直起飞和着陆 (VTOL) 系统模型以控制俯仰角。之所以选择该算法,是因为传统控制算法(例如比例-积分-微分 (PID) 控制器)无法始终生成合适的控制信号来消除干扰和不必要的环境对所考虑系统的影响。为了控制该系统,在 Simulink 环境中对 VTOL 系统数学模型中的正弦参考进行训练,通过深度强化学习方法中具有连续动作空间的 DDPG 算法,该算法可以产生控制动作值,这些动作值采用能够根据确定的奖励函数最大化奖励的结构,以实现控制目的和人工神经网络的泛化能力。对于正弦参考和恒定参考,将俯仰角(指定 VTOL 系统的输出)的跟踪误差性能与传统 PID 控制器在均方误差、积分平方误差、积分绝对误差、百分比超调和稳定时间方面的性能进行了比较。通过模拟研究给出了得到的结果。
摘要:本研究提出了一种基于深度强化学习 (DRL) 的车辆到电网 (V2G) 运营策略,该策略侧重于动态整合充电站 (CS) 状态以优化太阳能发电 (SPG) 预测。为了解决太阳能和 CS 状态的变化,本研究提出了一种新方法,将 V2G 运营制定为马尔可夫决策过程,并利用 DRL 自适应地管理 SPG 预测误差。利用韩国南方电力公司的实际数据,使用 PyTorch 框架证明了该策略在增强 SPG 预测方面的有效性。结果表明,与没有 V2G 的情景相比,均方误差显著降低了 40% 至 56%。我们对阻塞概率阈值和折扣因子影响的研究揭示了最佳 V2G 系统性能的见解,表明在即时运营需求和长期战略目标之间取得平衡。研究结果强调了使用基于 DRL 的策略实现电网更可靠、更高效的可再生能源整合的可能性,标志着智能电网优化向前迈出了重要一步。
摘要 — 随着人口增长和新技术的引入,能源消耗不断增加,这带来了消费者方面的高效能源管理等关键问题。这提高了使用可再生能源的重要性,特别是光伏 (PV) 系统和风力涡轮机。这项工作建模并讨论了基于电网和电池存储的混合电力系统的设计方案。研究了装机容量对每种模式的可再生能源渗透率 (RP) 和电力成本 (COE) 的影响。为了成功运行混合电力系统和电力市场中的电力交易,需要考虑对光伏发电和负荷需求的准确预测。引入了机器学习 (ML) 模型来调度和预测光伏发电和负荷需求的变化。ML 模型的适应度表明,当采用线性回归模型时,均方误差 (MSE) 为 0.000012,均方根误差 (RMSE) 为 0.003560,R 2 为 0.999379。根据预测的光伏发电量和负荷需求,当使用光伏和电网时,电力成本降低37.5%,而当使用光伏、电网和储能系统时,电力成本降低43.06%。