基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。     

矩形巷道围岩弹性变形能积聚特征分析

煤矿冲击地压主要发生在巷道中,其主要原因之一是巷道围岩积聚了大量的弹性能。为得出矩形巷道围岩弹性变形能积聚特征,降低巷道支护成本,推导了巷道冲击破坏失稳能量准则,并建立了矩形巷道围岩能量积聚计算模型,理论分析了采深、巷道断面尺寸和煤层厚度对矩形巷道围岩能量积聚影响规律,得出:矩形巷道积聚的弹性能随采深的增加而增大,采深越深,巷道积聚的弹性能增长速率越快。巷道围岩积聚能量随巷道断面尺寸增加而增大。当煤层厚度小于巷道影响范围时,巷道积聚能量随煤层厚度增加而增大。在实际工程中,尽可能减小巷道断面尺寸,尽可能沿顶、底板布置巷道。研究结果为冲击地压巷道布置和降低巷道支护成本提供了理论依据。     

基于Deep-IndRNN的DGA域名检测方法

恶意服务常利用域名生成算法（DGA）逃避域名检测,针对DGA域名隐蔽性强、现有检测方法检测速度较慢、实用性不强等问题,采用深度学习技术,提出了一种基于Deep-IndRNN的DGA域名检测方法。方法运用词袋模型（BoW）将域名向量化,然后通过Deep-IndRNN提取域名字符间特征,并使用Sigmoid函数对域名分类检测。其主要特点在于:通过将Deep-IndRNN的多序列输入拼接为单向量输入,以单步处理代替循环处理,同时结合Deep-IndRNN能保存更长时间记忆的特点,可有效释放深度学习时占用的GPU、CPU等系统资源,且在保证高准确率和精确度的前提下提高训练、检测速度。实验结果表明,基于Deep-IndRNN的DGA域名检测方法在检测任务中具有较高的准确率和精确度,相比于DNN、CNN、LSTM、BiLSTM、CNN-LSTM-Concat等同类检测方法,能显著提高训练、检测速度,是有效可行的。     

基于深度学习理论的有机重排反应课堂教学

重排反应有着不同于加成、消除及氧化还原等其他类型基础有机反应的独特性,是在有机合成课程中学生普遍反馈难以理解和记忆的教学内容。在基础有机化学课程的教学中,重排反应相关知识点散落在各个章节,学生对于这部分内容缺乏深层次的理解以及内在关联性的认识。因此,搭建零散的相关重排反应之间的关联,开展重排反应的深度学习教学显得尤为重要。本文结合有机化学学科的特点,根据有机合成教学现状,围绕深度学习教学设计的四要素,把握深度学习的四大特征,以教学片段为例阐述深度学习理论在教学实践中的应用。     

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。     

利用激光背向散射成像的马铃薯品质智能分级

激光背向散射成像是激光与生物组织相互作用产生散射光的成像,在农产品的品质分类中有着广泛的应用。利用激光背向散射成像技术与深度学习,实现马铃薯在不同存储情况下的品质分类。对激光背向散射进行理论分析,搭建激光背向散射成像的数据采集系统,对马铃薯样品进行激光背向散射图像采集,得到新鲜马铃薯、冰箱存储与室温存储马铃薯的激光背向散射成像数据集。对数据集利用改进后的VGG16网络进行训练,并与DenseNet121网络、原始VGG16网络的训练结果进行对比。结果显示,改进后的VGG16网络对数据集的分类准确率为95.33%。由此表明,激光背向散射成像结合深度学习可以实现马铃薯品质的智能分级。     

基于GANs网络的条纹图正交化方法

提出一种利用深度学习强大的隐式建模能力解决单帧条纹图正交化存在的欠采样问题,结合条纹图降噪归一化技术,利用对抗生成网络的特征先验,构造了一种条纹图轮廓项数字方式的π/2相移网路,实现了单帧条纹图的正交化,放松了应用解析模型法实现条纹图正交化时的严格要求。通过标签图像对训练后,该网络成功地实现了归一化后的条纹图的正交化,进而高精度地实现了单帧条纹图的相位解调。仿真和实验分析证明,与基于Riesz变换的数字相移方法相比,所提方法求解更可靠,能有效地恢复测量相位。以现有的多帧高精度相移算法的解调结果作为参考值,实验结果表明所提方法的相位误差分布在0.05 rad以内,为瞬变场和物体三维轮廓测量提供了一种途径。     

基于DCGANs的半片光伏组件电致发光图像增强技术

针对半片光伏组件电致发光（electroluminescence,EL）缺陷自动识别过程中训练用样本不足导致模型过拟合的问题,采用深度卷积生成对抗网络（deep convolutional generative adversarial networks,DCGANs）生成可控制属性的半片光伏组件EL图像,再采用多尺度结构相似性（multiscale structural similarity,MS-SSIM）指标对生成的EL图像与拍摄的EL图像之间的相似程度进行了评估。评估结果得到,使用DCGANs生成的所有类型半片光伏组件的EL图像与拍摄的EL图像的MS-SSIM指标都大于0.55,大部分的MS-SSIM值在0.7附近。在分类模型的训练过程中,测试集准确率随着训练集中生成图像数量的增加而升高,当生成图像数量达到6 000张时,测试集准确率达到97.92%。实验结果表明,采用DCGANs能够生成高质量且可控制属性的半片光伏组件EL图像,较好地解决因缺少训练样本而导致的模型过拟合问题。     

基于PCAU-Net的快速多通道磁共振成像方法

多通道磁共振成像方法采用多个接收线圈同时欠采样k空间以加快成像速度,并基于后处理算法重建图像,但在较高加速因子时,其图像重建质量仍然较差．本文提出了一种基于PCAU-Net的快速多通道磁共振成像方法,将单通道实数U型卷积神经网络拓展到多通道复数卷积神经网络,设计了一种结构不对称的U型网络结构,通过在解码部分减小网络规模以降低模型的复杂度．PCAU-Net网络在跳跃连接前增加了1×1卷积,以实现跨通道信息交互．输入和输出之间利用残差连接为误差的反向传播提供捷径．实验结果表明,使用规则和随机采样模板,在不同加速因子时,相比常规的GRAPPA重建算法和SPIRiT重建方法,本文提出的PCAU-Net方法可高质量重建出磁共振复数图像,并且相比于PCU-Net方法,PCAU-Net减少了模型参数、缩短了训练时间．