本技术公开了一种基于工程优化级联森林的火成岩岩性识别方法，涉及岩性识别领域，该基于工程优化级联森林的火成岩岩性识别方法包括以下步骤:步骤1，从待识别区域随机选取不同火成岩的测井曲线，对测井曲线进行预处理后；本发明提出的CXDF方法仅依靠常规测井数据，可以不依赖地层元素测井等造价昂贵的数据，成本低、准确性高，普适性更强；CXDF方法结合了深度森林和极端梯度提升方法，不仅避免了过拟合问题，而且当面对回欠采样数据集时，也能保证优秀的分类效率；CXDF方法还对结合后的深度森林和极端梯度提升方法进行了工程优化，让极端梯度提升采用列块并行学习，不仅显著减少计算量，而且还大幅降低计算成本。

 本技术提供一种豆制品发酵影响因素分析方法及系统，涉及食品安全检测技术领域，本发明在预设范围内设定多组关键参数，实时监测这些参数下的理化指标变化，包括单宁变化量、产酸能力、发酵速率和活性酶变化量，并构建理化指标预测模型，将关键参数作为输入进行训练，然后对发酵豆制品进行评估，以理化指标为输入训练感官评价指数预测模型，最后，以最大化感官评价指数为目标，通过遗传算法确定关键参数的最优组合，从而优化发酵工艺。本发明通过设定和实时调整关键发酵参数并结合理化指标监测与感官评价，实现了优化发酵过程和提升豆制品最终质量的目的。

 本技术借鉴计算机视觉领域的VanillaNet网络结构并改进后，将其应用于基于肌电信号处理的手势识别问题中，考虑到图像信号和肌电信号在数据维度和特征复杂度上的差异，VanillaNet网络难以直接应用在肌电信号处理，因此，本发明对VanillaNet网络结构在数据输入和结构简化上做了改进，以使其能够应用于肌电信号。最终在保证识别精度的情况下，能够实现模型轻量化；进一步的，本发明在数据预处理阶段，对模态分解方式和数据多域融合上进行改进，避免了模式混叠的问题，以进一步提高准确率，并提高鲁棒性；同时，本发明在实时控制过程中，还设计了一种数据缓存方法解决由智能仿生手设备自身引起的延迟现象。

 本技术提供了一种基于多权限属性基加密的区块链数据可信交互方法，包括以下步骤:步骤1:系统初始化。整个系统生成初始参数，包括公共参数的生成和上链，以及公钥、私钥的生成。步骤2:数据加密。系统中的数据所有者，需要整理和加密数据，并将密文信息上传区块链。步骤3:密钥生成。数据使用者想要访问其他数据所有者的数据时，其将向区块链发送访问请求。在监控数据使用者的访问请求后，区块链通知属性权限提供访问密钥。步骤4:数据解密。需求访问加密数据的数据使用者获得访问密钥，然后下载相应的密文。数据使用者根据系统参数和属性令牌对密文进行解密，获取数据。

 本技术公开了一种基于联邦学习的家庭住宅用电量预测方法、介质及设备。针对多终端环境中不同数据特性导致的知识混淆问题，本发明提出了一种融合奇异谱分析与联邦学习的家庭住宅用电量预测方法，是首个在联邦学习框架下同时解决能耗预测精度和数据隐私问题的方法，能够安全有效地预测住宅能耗数据的各种分布。本发明通过使用奇异谱分析技术从住宅能耗数据中提取层次特征，使得预测模型可以更好地理解和区分各个终端的数据特性，提高跨终端的学习效果和预测准确性。同时，本发明采用双向长短期记忆神经网络进行数据局部处理，只将处理后的模型参数或学习结果共享到中央服务器，避免了数据与全局模型的直接交互，降低了训练时间和隐私泄露的风险。

 本技术公开了一种基于延拓自相关和滑动时频同步平均的电机滚动轴承故障特征提取方法，首先对接收到的带有故障信息的振动信号使用延拓自相关将其进行强化周期性分量的处理；然后对经过EACF处理的信号利用短时傅里叶变换进行时频分析，并在时频平面上沿着频率轴划分出多个频带；接下来分别取各频带的中心频率作为其特征行数据。分别提取出各个频带所对应的特征数据的归一化包络谱；最终通过比较各频带的中心频率在包络谱上的最大能量，选择能量最大的特征行数据并提取出来，对该行及附近的数据行分别做滑动时域同步平均，再对多行数据进行组合实现滑动时频同步平均，从而提取出故障特征信息。本发明方法直观简单，计算速度快并且具有良好的精度。

 本技术公开了一种基于深度学习的波浪力感知建模船舶操纵运动预报方法，包括以下步骤:S1、预数据处理，对原始数据进行清理和标准化；S2、二次插值，通过二次插值步骤估计中间值，以更好地表示波浪力的连续效应，提高输入数据的时间分辨率；S3、LSTM网络预测，处理细化数据来预测船舶操纵运动，利用其在捕获时间依赖性方面的优势，同时对插值输入具有鲁棒性，本发明提出了一种稳健的数学模型来预测深水和浅水条件下波浪干扰下的船舶机动性能，通过采用三次拼接插值的改进LSTM模型，该方法在排除波高、方向和当前速度方面证明了可靠的预测能力，该方法具有较高的准确性，可提高航行安全，降低经济风险。

 本技术公开了一种基于红外双波段图像的弱小目标端到端检测方法，该方法构建了双波段红外弱小目标检测模型，该模型包括多层依次连接的特征融合单元每一个特征融合单元分别通过两个动态注意力模块对中波信息参数和长波信息参数分别进行处理后，获得各自的过程特征一，将两个过程特征一分别通过融合模块处理，获得融合特征，融合特征与上一层特征融合单元的结果加和后，将加和结果通过动态注意力模块处理，获得特征融合单元的输出特征；该目标检测模型多次复用了Attention模块，将整个检测模型简化，显著提升算法的性能表现，通过对模型全局建模能力的增强，使得算法在双波段红外弱小目标检测上有较好的表现。

 本技术公开一种基于强化学习的多无人机协同对抗学习方法，设计基于多智能体间的通信机制并结合长短期记忆网络的特征聚合提取模块，准确高效地提取战场态势特征；采用分层强化学习方法，引入底层机动控制模块和上层作战决策模块，分别实现底层控制和上层决策，基于高效环境并行模块进行训练，提升复杂作战场景下的作战策略训练效率；此外，通过基于种群演化多样化的多智能体博弈训练模块提升了作战策略的泛化能力。本发明能够有效提取战场态势特征，进行高效协同作战训练，从而适应复杂多变的战场环境，提高无人机自主协同作战的泛化能力。

 本技术涉及一种Transformer与RF相融合的电力负荷预测方法，包括:获取目标区域待预测的短期电力负荷数据，经过聚类和分解后输入训练后的随机森林网络RF，输出电力负荷预测结果。RF的训练过程包括：采集特定区域的电力负荷历史数据及其相应历史天气数据，经预处理后分别得到带标签的第一训练数据集和第二训练数据集；基于电力负荷历史数据及其相应历史天气数据的时间序列特性，分别对带标签的第一训练数据集和第二训练数据进行聚类和分解；分别将经聚类和分解后的电力负荷数据输入多模态时序预测变换器，得到特征序列；将该特征序列输RF进行回归预测，计算回归损失，通过该回归损失迭代优化随机森林网络。本发明可以明显电力负荷预测结果的准确性。