任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来...任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来获取局部和全局视频序列关键特征,降低注意力值的方差。同时通过并行地引入双向门控循环网络(bidirectional recurrent neural network,BiGRU),二者的输出分别输入到改进的分类回归模块后再将结果进行加性融合,最后利用非极大值抑制(non-maximum suppression,NMS)和核时序分割方法(kernel temporal segmentation,KTS)筛选片段并分割为高质量代表性镜头,通过背包组合优化算法生成最终摘要,从而提出一种结合多尺度注意力机制和双向门控循环网络的视频摘要模型(local and global attentions combine with the BiGRU,LG-RU)。该模型在TvSum和SumMe的标准和增强数据集上进行了对比试验,结果表明该模型取得了更高的F-score,证实了该视频摘要模型保持高准确率的同时可鲁棒地对视频完成摘要。展开更多
锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,...锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。展开更多
文摘任务中全局注意力在长距离视频序列上注意力值分布的方差较大,生成关键帧的重要性分数偏差较大,且时间序列节点边界值缺乏长程依赖导致的片段语义连贯性较差等问题,通过改进注意力模块,采用分段局部自注意力和全局自注意力机制相结合来获取局部和全局视频序列关键特征,降低注意力值的方差。同时通过并行地引入双向门控循环网络(bidirectional recurrent neural network,BiGRU),二者的输出分别输入到改进的分类回归模块后再将结果进行加性融合,最后利用非极大值抑制(non-maximum suppression,NMS)和核时序分割方法(kernel temporal segmentation,KTS)筛选片段并分割为高质量代表性镜头,通过背包组合优化算法生成最终摘要,从而提出一种结合多尺度注意力机制和双向门控循环网络的视频摘要模型(local and global attentions combine with the BiGRU,LG-RU)。该模型在TvSum和SumMe的标准和增强数据集上进行了对比试验,结果表明该模型取得了更高的F-score,证实了该视频摘要模型保持高准确率的同时可鲁棒地对视频完成摘要。
文摘锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。
