基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

Prediction of Concrete Meso-Model Stress-Strain Curves Based on GoogLeNet北大核心CSCD

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能，但是建立明确的关系表达式极其困难。为了应对这一挑战，以混凝土为研究对象，提出了一种基于深度学习的策略，能够高效、准确地通过细观模型图像信息获取应力-应变曲线。首先，使用基于卷积神经网络（convolutional neural network，CNN）的GoogLeNet模型进行图像信息识别和提取，并针对应力-应变曲线的复杂性特点，进行了数据预处理操作，并且设计了相应的多任务损失函数。数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成，并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线。最后，通过对神经网络的训练和测试评估了所提出方法的可行性。结果表明，GoogLeNet模型训练效率和预测精度均优于AlexNet和ResNet模型，具有良好的泛化能力和鲁棒性。     

基于LSTM的浮选钼精矿品位软测量模型

战略性稀有金属钼矿品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位结果,但此方式严重滞后于浮选工艺,难以满足对生产过程进行实时监测和操作指导。LSTM是一种特殊的循环神经网络,引入门机制有效的传递或选择性遗忘长时间序列中的信息,解决RNN中的长期依赖、梯度消失和爆炸问题。本文分析整理东坡选厂中各平台源数据,结合选厂浮选工艺及机理,筛选出多个影响浮选钼精矿品位的变量作为模型输入;将输入变量进行异常值判定,缺失值填充和数据降噪等数据预处理,建立高质量浮选钼精矿品位数据库;软测量模型采用PyCharm软件编码,使用BatchNorm批量规范化处理样本数据,加入Dropout正则化防止过拟合,建立基于LSTM的浮选钼精矿品位软测量模型,通过前向传播算法更新神经网络结构参数,并于Linear模型和CNN模型的预测性能指标结果比较。结果表明：基于LSTM的浮选钼精矿品位软测量模型预测准确度高,样本数据误差波动平稳,浮动范围小,模型泛化能力强,模型平均绝对百分比误差MAPE为1.13%,均方根误差RMSE为0.7049%,决定系数R2为0.8763,实现了浮选钼精矿品位的在线预测。     

含有五个反馈权值的二维细胞神经网络可实现Mosaic模式

研究一类含有五个反馈权值二维细胞神经网络系统,以系统的输出反馈权值及阈值为参数构成参数空间,引入几何方法,将此空间分解分块成有限个区域,当输出反馈权值及阈值在某一区域上时,给出系统具有M osaic解所有可能的输出函数M osaic模式的充要条件.     

一种基于自组织粒子群–径向基神经网络的污水总磷TP软测量

针对当前污水处理过程出水总磷TP测量操作繁琐、仪器设备造价高、测量结果可靠性和精确性低等问题,本发明设计了一种基于自组织粒子群–径向基神经网络的污水处理过程出水总磷TP软测量方法,并利用实时数据对出水总磷TP软测量方法进行校正,实现了对污水处理过程出水总磷TP的预测,解决了出水总磷TP难以测量的问题;结果表明该出水总磷TP软测量方法能够快速、准确地预测污水处理出水总磷TP的浓度,有利于加强城市污水处理厂精细化管理和提升实时水质质量监控水平。     

稀土萃取分离过程软测量方法的研究

分析了稀土组分含量在线检测技术进展缓慢的原因,分析了稀土萃取分离过程机制,找出影响稀土组分含量检测的主要因素,确定辅助变量。利用从包钢稀土厂采集的数据通过newrb函数创建径向基网络来实现稀土组分含量的软测量。文中通过流程图详细阐述了建模方法,采用50组样本数据对所建立的模型进行计算机仿真验证,仿真结果证明了模型的可行性。     

结合区域提取和改进卷积神经网络的水下小目标检测

针对水下小目标信息量有限而难以提取有效特征导致的检测性能不佳问题,提出了一种结合区域提取和融合Hu矩特征的改进卷积神经网络水下小目标检测方法。该方法包含区域提取和分类两个步骤。首先以马尔可夫随机场分割算法为基础进行区域提取,对潜在目标定位的同时降低伪目标对后续分类的干扰;然后提取潜在目标区域的Hu矩特征并融入卷积神经网络,形成一种形状特征表征能力更强的改进卷积神经网络用于分类。声呐实测数据处理结果表明,该方法可以有效提升对水下小目标的发现概率和正确报警率,与其他目标检测方法相比,该方法具有更好的检测性能和泛化性。     

基于智能算法的冷水机组优化运行研究

以南方某机场航站楼冷源系统为研究对象,采用深度神经网络建立了两种不同类型冷水机组的运行能效模型,并将冷却水出水温度模型与冷水机组能效模型进行耦合,以冷源系统能耗最低为目标,采用布谷鸟搜索算法优化了冷源系统的运行参数、冷水机组与冷却塔的组合方式。研究结果表明：采用深度神经网络建立的冷水机组模型具有较高的精度和泛化能力,与原运行方式对比,采用布谷鸟搜索算法优化的方法在夏季典型日最高节能19.6%,具有较高的节能效果。     

可见光通信系统的非线性失真抑制研究北大核心CSCD

发光二极管的非线性特性是引起光信号出现非线性失真的一个重要因素,针对该问题,采用人工神经网络在接收端对信号的非线性失真进行抑制,进而降低可见光通信系统的误码率。将发光二极管的输入电信号与接收端转换后的电信号组成成对数据,将成对数据集送入神经网络进行训练,学习信号在电光转换、信道传输及光电转换过程中的非线性失真特性,通过神经网络对信号的非线性失真进行估计与抑制。此外,在训练过程中采用分布估计算法搜索神经网络的超参数集,以降低训练难度。实验结果表明,该方法在不同的信道环境下均能有效地改善可见光通信的性能。