在车辆行驶过程中,荷电状态(State of Charge,SOC)估算高度依赖电流测量,但电流传感器故障会导致数据缺失,进而降低SOC估算精度,为此,亟需一种能够在电流数据异常或缺失情况下仍可准确估算SOC的方法。针对此问题,提出了一种基于卷积神...在车辆行驶过程中,荷电状态(State of Charge,SOC)估算高度依赖电流测量,但电流传感器故障会导致数据缺失,进而降低SOC估算精度,为此,亟需一种能够在电流数据异常或缺失情况下仍可准确估算SOC的方法。针对此问题,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)-长短期记忆(Long Short-Term Memory,LSTM)网络-科尔莫戈洛夫-阿诺德网络(Kolmogorov-Arnold Networks,KAN)的数据驱动方法,该方法不依赖电流数据,可以作为电流传感器失效时的替代SOC估算方案。CNN-LSTM网络-KAN模型综合利用了CNN的特征提取能力、LSTM网络的时间序列建模优势和KAN的非线性分解能力,从而实现对车辆行驶过程中SOC的估算。最终CNN-LSTM网络-KAN模型通过实车行驶数据集得到了效果验证,结果表明,所提方法对SOC的预测值与SOC真实值之间的平均绝对误差(Mean Absolute Error,MAE)为0.381,均方根误差(Root Mean Square Error,RMSE)为0.467,决定系数R2为0.980。说明所提方法在电流传感器失效情况下,仍然能够有效估算车辆的SOC。展开更多
U-Net因其简单高效的网络结构,已成为当前医学图像分割领域中的基准模型,在多种图像分割任务中取得了良好的效果。然而,传统U-Net在细节特征提取、跨尺度信息融合以及复杂结构识别方面仍存在一定的局限性,难以充分适应医学图像中存在的...U-Net因其简单高效的网络结构,已成为当前医学图像分割领域中的基准模型,在多种图像分割任务中取得了良好的效果。然而,传统U-Net在细节特征提取、跨尺度信息融合以及复杂结构识别方面仍存在一定的局限性,难以充分适应医学图像中存在的形变、低对比度以及多样性目标等挑战。为进一步提升分割性能,该文提出一种改进模型U-KPD(U-Net with Kolmogorov-Arnold Network and ParNet-Deformable Module)。该模型在U-Net的基础上引入科尔莫哥罗夫-阿诺德网络(Kolmogorov-Arnold Network,KAN),以增强网络对图像局部与全局特征的表达能力,同时结合ParNet-Deformable模块(PD)提升模型对关键区域的自适应建模与形变结构的捕捉能力,从而提高分割的准确性与鲁棒性。通过在CVC-ClinicDB与BUSI两个具有代表性的数据集上开展充分实验验证,结果表明,U-KPD在IoU、Dice系数以及HD95多个评估指标上均优于传统U-Net及其他主流改进模型,尤其在复杂结构、形变目标的识别精度方面表现更为优异,具有良好的通用性与应用前景。展开更多
文摘U-Net因其简单高效的网络结构,已成为当前医学图像分割领域中的基准模型,在多种图像分割任务中取得了良好的效果。然而,传统U-Net在细节特征提取、跨尺度信息融合以及复杂结构识别方面仍存在一定的局限性,难以充分适应医学图像中存在的形变、低对比度以及多样性目标等挑战。为进一步提升分割性能,该文提出一种改进模型U-KPD(U-Net with Kolmogorov-Arnold Network and ParNet-Deformable Module)。该模型在U-Net的基础上引入科尔莫哥罗夫-阿诺德网络(Kolmogorov-Arnold Network,KAN),以增强网络对图像局部与全局特征的表达能力,同时结合ParNet-Deformable模块(PD)提升模型对关键区域的自适应建模与形变结构的捕捉能力,从而提高分割的准确性与鲁棒性。通过在CVC-ClinicDB与BUSI两个具有代表性的数据集上开展充分实验验证,结果表明,U-KPD在IoU、Dice系数以及HD95多个评估指标上均优于传统U-Net及其他主流改进模型,尤其在复杂结构、形变目标的识别精度方面表现更为优异,具有良好的通用性与应用前景。
