多变量时间序列回归预测在诸多领域具有广泛的应用，例如金融市场预测、气象预报、能源消耗预测等。近年来，深度学习技术，特别是循环神经网络 (RNN) 及其变体 GRU (Gated Recurrent Unit) 和卷积神经网络 (CNN) 以及新兴的 Transformer 模型，在处理时间序列数据方面展现出强大的能力。本文将对 Transformer-GRU、Transformer、CNN-GRU

多输入多输出（MIMO）技术凭借其显著的频谱效率提升和空间分集增益，已成为现代无线通信系统的关键组成部分。然而，无线通信的广播特性也使其容易受到窃听攻击，信息安全日益成为一个重要的研究课题。窃听信道模型是研究物理层安全的核心工具，旨在通过巧妙地设计传输方案，使得合法用户能够可靠地接收信息，同时最小化窃听者获得的信息。尤其是在MIMO环境下，由于空间自由度的增加，窃听信道的安全性分析和保密容量优化变

光度立体 (Photometric Stereo) 作为一种无需依赖深度传感器即可恢复物体三维形状的计算机视觉技术，凭借其简单、高效的特性，在逆向工程、机器人视觉及文物数字化等领域得到了广泛应用。经典光度立体方法通常基于朗伯反射模型，通过分析同一场景下不同光照条件下的图像信息来重建物体的表面法向量，进而积分得到三维形状。然而，经典方法通常面临着非凸优化问题，导致解的唯一性难以保证，且对噪声较为敏感

近年来，随着数据规模的爆炸式增长和深度学习技术的飞速发展，多输入多输出预测问题受到了广泛关注。该类问题通常需要处理复杂、高维的时空数据，并预测多个相关的输出变量。传统的预测模型往往难以捕捉数据中的非线性关系和长程依赖，因此，构建一种能够有效处理多输入多输出预测问题的深度学习模型至关重要。本文将深入探讨一种结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和挤压激励注意力机制（SE At

遥感影像广泛应用于土地利用分类、灾害监测、气候变化研究等多个领域。然而，由于地球大气的复杂性，云层常常覆盖地表，导致遥感传感器无法获取到真实的地表信息。这不仅降低了遥感影像的可用性，也对后续的定量分析和应用造成了困难。传统的云检测方法主要包括基于阈值的方法、基于物理模型的方法和基于机器学习的方法。虽然这些方法在一定程度上解决了云检测问题，但仍存在各自的局限性。例如，基于阈值的方法对阈值的选择敏感，

在电力系统的运行与管理中，负荷预测的及时性和准确性直接关系到电力资源的优化配置、电网的安全稳定运行以及电力企业的经济效益。随着电力系统规模的不断扩大和用电负荷的日益复杂，传统的预测方法以及部分结构复杂的深度学习模型在面对实时性要求高、数据规模大的场景时，往往存在计算成本高、训练速度慢等问题。极限学习机（ELM，Extreme Learning Machine）作为一种单隐层前馈神经网络，以其结构简

本论文针对孤岛模式下微电网因分布式电源间歇性、负荷不确定性导致的优化调度难题，构建基于遗传算法的微电网优化调度模型。在分析孤岛微电网结构与运行特性基础上，以运行成本最小、碳排放最低为优化目标，综合考虑功率平衡、设备运行等约束条件，建立优化调度数学模型。通过设计遗传算法的编码、选择、交叉、变异操作，对模型进行求解。仿真实验结果表明，该模型能够有效降低微电网运行成本，减少碳排放，实现资源的合理配置，为

时间序列预测是数据分析和机器学习领域中的一个核心问题，广泛应用于金融、气象、能源等诸多领域。准确预测未来趋势对于决策制定至关重要。近年来，深度学习技术，特别是循环神经网络(RNN)，在时间序列预测任务中取得了显著成果。其中，双向长短期记忆神经网络(BiLSTM)凭借其处理长序列数据和捕捉双向时间依赖性的能力，成为一种备受关注的预测模型。然而，BiLSTM模型的性能高度依赖于超参数的设置，而手动调整

循环神经网络 (Recurrent Neural Network, RNN) 以其处理序列数据的能力而闻名，广泛应用于自然语言处理、语音识别、时间序列预测等领域。然而，标准的 RNN 架构通常仅处理单输入单输出的情况。在许多实际应用中，我们需要处理多输入多输出的情况，例如：多语言机器翻译（多语言输入，目标语言输出），视频字幕生成（视频帧序列输入，文本序列输出），以及多传感器数据融合（多个传感器数据

COVID-19疫情自2019年末爆发以来，对全球公共卫生和社会经济造成了巨大冲击。有效预测疫情发展趋势，对于制定合理的防控策略、优化医疗资源配置以及减少社会经济损失至关重要。然而，疫情发展受到多种复杂因素的影响，例如病毒变异、人口流动、防控措施以及疫苗接种情况等，使得传统的统计模型难以准确捕捉其非线性、时变的特性。因此，发展更加智能化的预测模型，以提高预测精度和可靠性，成为一项重要的研究任务。