基于卷积神经网络的钝体尾迹识别研究

针对相同特征长度不同钝体的尾迹结构相近, 肉眼难于分辨的问题, 提出了一种基于卷积神经网络的钝体尾迹识别方法, 并在竖直肥皂膜水洞的典型钝体模型尾迹实验中获得高准确率验证. 实验平台由自建竖直肥皂膜实验装置、钝体模型(方柱、圆柱和三角柱)及图像采集系统组成, 可基于光学干涉法实现对不同速度下钝体肥皂膜尾迹的高清持续拍摄. 所建立卷积神经网络识别模型由输入层、卷积层、池化层、全连接层和分类层组成, 其中, 卷积层和池化层用于提取尾迹的深层次特征信息, 而全连接层和分类层构成识别分类模式来分类输出图像对应的钝体类型或雷诺数. 通过将9000张尾迹图像数据集导入卷积神经网络模型, 以数据驱动方式建立了具有钝体形状或雷诺数识别能力的尾迹特征识别模型. 结果表明, 该模型对相同雷诺数下识别钝体形状的准确率达97.6%(识别300张不同形状钝体尾迹图像), 对不同雷诺数下识别钝体形状的准确率达96%(识别1200张不同雷诺数尾迹图像), 即使将不同钝体形状和雷诺数下尾迹图像混放一起, 其钝体形状和雷诺数识别准确率也可以达到91%(识别1500张混放尾迹图像). 该方法为进一步利用人工智能提取流体尾迹中的物理信息提供借鉴.      

基于手机惯性传感器与多特征CNN的驾驶行为识别算法

不良驾驶行为识别对于减少交通事故的发生及实现智能交通具有重要意义。针对目前驾驶行为识别精度不高及系统稳定性不好问题,提出了一种基于多特征卷积神经网络和智能手机惯性传感器的新型驾驶行为识别方法。通过获取手机惯性传感器数据,利用多特征卷积神经网络对数据集进行特征提取和分析,来实现对多种驾驶行为的识别。最后,利用实际采集的车载数据进行不同方法试验对比,该算法对驾驶行为的分类精度达到97.14%,在识别精度上有一定优势。此外,MFCNN测试结果的方差仅为0.014 391,小于其它3种网络模型,可见所研究的网络模型及方法更加稳定可靠。     

基于经验小波变换和卷积神经网络的水泵水轮机无叶区流态特征提取及识别研究

监测和识别原型水泵水轮机无叶区的流动状态，对于保证抽水蓄能电站的运行安全性和稳定性有非常重要的意义。本文提出了一种基于经验小波变换、散布熵和卷积神经网络原理的流态特征提取和识别方法，首先使用经验小波变换对压力脉动信号进行分解，然后通过计算各分量的散布熵提取流态相关特征，最后通过利用特征–标签对训练卷积神经网络得到的智能识别模型，实现了无叶区流态识别。利用从国内某水泵水轮机采集到的发电、抽水和空转工况下实测压力脉动信号对该方法进行了测试，测试的平均准确率达到了94.84%，证明了该方法的有效性。     

卷积神经网络在流场重构研究中的进展

近年来, 随着深度学习在图像处理、语音识别、自动驾驶、自然语言处理等领域迅速发展, 该技术也被越来越广泛地应用于处理具有复杂非线性、高维度、大数据量等特点的流体力学方向. 传统的方法无法有效地处理这些庞大的数据, 深度学习因其具有强大的函数拟合能力, 可以从大量的数据中挖掘有用的信息. 当前, 流体力学深度学习技术有了初步的一些研究成果, 在流动信息特征提取、多源数据信息融合及流场的智能重构等方面具有重要的工程价值, 其应用潜力逐渐得到证实. 如何利用地面风洞试验、数值模拟及飞行试验获取的数据进行深入挖掘, 快速智能感知及重构流场, 可为主动流动控制提供重要指导. 本文主要从深度学习不同类型的网络结构出发探讨了卷积神经网络在流场重构中的研究进展, 文章首先介绍卷积神经网络的一些基本概念以及基本网络结构, 之后简要介绍流场超分辨率重构网络、端到端的映射网络、长短期记忆网络的基本结构与理论, 并详细归纳出他们的改进形式在流场重构领域的一系列研究进展与成果, 最后对文章做出总结并探讨了流场重构深度学习技术所面临的挑战与展望.      

卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

基于主磁场长期变化模型的地磁导航基准图时变修正

地球主磁场长期变化是影响地磁导航基准图时效性的一个重要因素。提出一种以模型预测值对基准图进行时变修正的方法,利用主磁场长期变化模型解决临近空间地磁导航基准图的时变修正问题。基于WMM2010建立地球主磁场长期变化模型,在此基础上建立中国地区临近空间(海拔高度30 km)的主磁场长期变化模型,利用该模型计算出的地磁场分量长期变化率对基准图时变进行修正。仿真实验结果表明,修正后的地磁导航基准图的匹配概率可以达到90%以上,相比修正前有显著提高,且修正前后间隔时间越长效果越明显。利用主磁场长期变化模型修正后的地磁导航基准图具有良好的适配性。     

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征，而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模，两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件．但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解．为了克服这一问题，本文充分利用无网格法能够灵活构建数据样本的优点，提出了一种径向基函数前置卷积神经网络模型．该网络通过径向基函数的前置，提前激活输入数据，实现了非线性变换和数据特征维度跃升，随后再将数据传入传统卷积层得到输出．由于所提网络模型具备线性求解的特点，能够有效提升预测精度与计算效率．在数值算例中，通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果，系统验证了所提网络模型的有效性．     

基于尾流时程目标识别的流场参数选择研究

浸入流场中的固体壁面会形成高度复杂且具有一定特征的尾流流场, 利用尾流所包含的信息对物体的外形特征进行识别具有重要的应用价值. 然而, 在较高雷诺数情况下尾流流场形态及其时序特征复杂, 难以通过传统的数学物理方法对流场信号进行特征的识别与提取. 本文提出了基于尾流时程数据深度学习的流场特征提取与分析方法, 实现了基于一点的物理量时程进行流场中物体外形的识别; 同时, 对流场中不同物理参数时程的识别精度与识别结果进行分析与研究, 得到适用于目标识别的最优物理量参数. 通过对圆柱和方柱的尾流数据研究结果表明, 本文提出的基于卷积神经网络的模型具有好的训练收敛性和高的预测精度, 能够识别并提取得到时程数据中包含的流场特征, 采用流场横向速度时程作为物体外形识别信号的模型准确率高. 证明了本方法用于浸入流场中物体外形识别的可行性, 是一种目标识别的高精度方法.      

融合稀疏八叉树与卷积神经网络的汽车风阻系数预测

针对汽车风阻系数预测研究中参数化方法难以准确表征汽车外造型的难题,提出融合稀疏八叉树与卷积神经网络的汽车风阻系数预测方法。将汽车外造型按照八叉树结构离散,使用平均法向量对离散的复杂曲面进行简化,利用卷积神经网络对八叉树形式的汽车外造型进行特征提取,进而对汽车风阻系数进行快速预测。通过改变卷积层数与全连接层数,研究了不同卷积神经网络结构对风阻系数预测精度的影响。与参数化方法相比,本文提出的外造型表示方法能更好地描述模型细节,构建的卷积神经网络结构对风阻系数预测的最小相对误差为1.453%,且计算速度是CFD仿真的1620倍,具有较高的精度及计算效率。     

基于四元数卷积神经网络的移动机器人闭环检测

为提高复杂环境下移动机器人闭环检测的准确性,减少视觉里程计的累积误差,提出了四元数卷积神经网络的闭环检测算法。首先,利用超像素分割,提取多尺度路标,提升图像描述的视角和外观不变性;然后,扩展卷积神经网络的卷积层为四元数卷积层,增加红绿蓝三通道的关联性,提取彩色图像的深层信息,更好地体现彩色图像的整体性;最后,在图像相似度度量中,不仅计算路标距离,还考虑路标形状和空间分布信息,提高相似性度量的准确性。在卡内基梅隆大学和昆士兰大学公开数据集上对算法有效性进行了验证。实验结果表明,相比传统闭环检测算法,所提算法在保证较高召回率的同时,提高了闭环检测的准确率,在数据集上分别取得87.64%和90.12%的平均准确率,显著提高了光照、视角和季节变化等复杂环境中移动机器人闭环检测的准确性。     

Multilayer brain network combined with deep convolutional neural network for detecting major depressive disorder

As a global and grievous mental disease, major depressive disorder (MDD) has received much attention. Accurate detection of MDD via physiological signals represents an urgent research topic. Here, a frequency-dependent multilayer brain network, combined with deep convolutional neural network (CNN), is developed to detect the MDD. Multivariate pseudo Wigner distribution is firstly introduced to extract the time-frequency characteristics from the multi-channel EEG signals. Then multilayer brain network is constructed, with each layer corresponding to a specific frequency band. Such multilayer framework is in line with the nature of the workings of the brain, and can effectively characterize the brain state. Further, a multilayer deep CNN architecture is designed to study the brain network topology features, which is finally used to accurately detect MDD. The experimental results on a publicly available MDD dataset show that the proposed approach is able to detect MDD with state-of-the-art accuracy of 97.27%. Our approach, combining multilayer brain network and deep CNN, enriches the multivariate time series analysis theory and helps to better characterize and recognize the complex brain states.

     

基于Fuzzy ARTMAP神经网络的景像匹配实时图选取方法

提出一种新的基于Fuzzy ARTMAP神经网络并利用图像直方图特征的快速景像匹配实时图选取方法。与已有的方法相比,该方法充分考虑了图像的边缘、亮度、对比度、信噪比等特征对影像实时图质量的影响,具有自适应聚类、收敛导速,实时性好,分类准确率高和通用性强等优点。将该方法应用于SMGS（景像匹配制导系统）进行实时图像的自动选取,可大大提高SMGS的智能性,可靠性和实时性。     

智能Kalman滤波在水下地形组合导航系统中的应用

为了避免现实环境的动态变化对水下航行器系统模型造成的随机干扰影响,保证水下航行器长时间导航精度的稳定性,提出了利用RBF神经网络辅助联邦Kalman滤波方法对SINS/TAN/DVL/MCP组合导航系统进行信息融合。给出了各子导航系统的误差模型,通过足够精度的样本对前向神经网络进行离线训练,建立神经网络控制模型。仿真结果表明,该方法可使水下航行器的系统状态在较短的时间内以较高的精度达到稳定。通过与联邦Kalman滤波结果对比表明,采用智能控制方法辅助的信息融合方式的导航定位精度提高了一倍,能有效提高常规联邦Kalman滤波器的自适应能力,达到减小误差,提高精度的目的。     

基于卷积神经网络的无网格形函数影响域优化研究

在无网格法中,离散节点之间的相互联系由节点形函数影响域的大小确定,因此形函数影响域的大小对无网格法的计算精度有着直接和重要的影响。但由于无网格形函数的形式较为复杂,目前形函数影响域大小的选择仍然缺乏系统的理论依据,通常在实际计算中仍凭借经验进行选取,难以保证计算精度。卷积神经网络是一类机器学习方法,其感受野与无网格形函数的影响域具有内在相似性,因此在形函数影响域选择方面有很好的适用性。基于该特性,本文通过引入卷积神经网络对无网格形函数的影响域进行了优化选择。首先,针对感受野和影响域的匹配关系,分析了卷积神经网络的结构设计和超参数选择,提出了一种无网格法内禀卷积神经网络结构的设计方法;然后依托该网络结构设计方法,建立了对无网格形函数影响域和数值解分别优化或同时优化的卷积神经网络。文中通过算例系统验证了所提无网格法内禀卷积神经网络对形函数影响域选择和计算结果的优化效应。     

车载紧耦合MIMUs/GPS的神经网络辅助强跟踪滤波方法

微惯性测量单元由三轴正交的微机械陀螺、加速度计和微型地磁传感器组成.将上述装置与GPS接收机组合,可构成最佳导航定位模型,其中紧耦合MIMUs/GPS对全导航参数(位置、速度及姿态)的测量精度可大幅提高.由于微惯性传感器具有大漂移特性,为获得具有自适应的线性参数模型,提出了融合滤波的信息处理方法,利用强跟踪滤波实现状态预测,二阶EKF实现测量更新,并借用神经网络技术完成对状态预测的修正.由于系统组件具有非线性,该神经网络辅助的强跟踪滤波方法旨在逼近MIMUs/GPS的真实特性,并为车载用户提供更为精准的导航参数信息.动态环境下的仿真试验表明,尽管MEMS惯性传感器的精度有限,所提出的方法能够有效用于实际的导航参数解算.     

基于Bagging模型的惯导系统误差抑制方法

由惯性导航系统(SINS)和卫星导航系统(GPS)构成的组合导航系统一直是陆用车辆的主要导航设备。当GPS失锁时,SINS的定位误差将随着时间不受控制的迅速增长。为了提高惯导系统的定位精度,相比较于单一的神经网络,集成学习算法中的Bagging模型能够深度学习惯导误差之间的内在关系,进一步提高导航性能。在智能算法和组合导航系统的框架下提出了惯导系统的误差抑制方案,即在GPS存在时训练组合导航系统数据,当GPS失锁时预测惯导系统位置增量。试验结果表明,该方案能够在GPS丢失时抑制惯导系统定位误差发散,相比较于BP算法,Bagging模型的定位精度在5 min时提高了约49%,15 min时提高了约41%。     

基于Legendre函数的超高阶次地磁场建模方法

Legendre函数是超高阶地磁场模型球谐展开的重要组成部分,是解决高纬度地区数据溢出问题的关键。针对Legendre函数在超高阶地磁场建模中的解算问题,从Legendre函数的递推方法出发,优化了Legendre函数的解算过程,提高了效率和精度,解决了数据溢出问题,并给出了Legendre函数的递推过程、函数值和精度检验值。仿真结果表明,该方法提高了磁场模型数值稳定性及精度,为建立更高阶次的地磁场模型和地磁导航基准图的制备提供理论依据。通过将模型计算的各磁场要素与EMM2010模型相比较,验证了方法的有效性,并生成了全球的地磁图。