卷积神经网络辅助激光诱导击穿光谱鉴别37类铁矿石

采用激光诱导击穿光谱快速鉴别铁矿石种类有利于保障贸易双方合法权益,是防止贸易欺诈的有效措施。采用卷积神经网络辅助激光诱导击穿光谱鉴别澳大利亚、哈萨克斯坦、巴西、南非、越南、毛里塔尼亚、伊朗和印度等8个国家37类铁矿石。642批铁矿石3 852条激光诱导击穿光谱经t分布随机邻域嵌入算法降维后,二维散点图表明,随着铁矿石种类增加,鉴别难度增大。对前期16类品牌铁矿石卷积神经网络鉴别模型进行了优化,增加了卷积层和批量归一化层,优化了卷积层中卷积核大小和个数,全连接层中神经元个数等超参数,并对激活函数进行对比和选择。优化模型训练集、验证集、测试集的准确率分别为100%±0.00%,99.54%±0.22%,96.16%±0.43%。采用10倍交叉验证评价了模型稳定性,以测试集准确率和损失函数作为评价指标,获得了最优应用模型。方法有助于推动激光诱导击穿光谱在铁矿石分析测试领域的实际应用。     

排序支持的交互数据分类算法及其应用

交互分类是解决数据复杂分类问题的主要手段之一。在现有的大多交互分类系统中,用户能准确识别数据类别,但在有些分类场景中,类别之间的顺序关系更容易被识别,为此,提出一种排序支持的交互数据分类算法。为提升交互分类精度,引入数据的顺序信息,为降低标记难度,提出候选样本推荐策略。另外,提出一种评估分类算法性能的可视化方法,用包含基本车况、交通违法记录、交通事故记录等信息的车辆数据集进行实验验证,将相关车辆分为高危车辆、中危车辆、低危车辆3类,算法的分类结果模型一致度达近98%,验证了方法的有效性。     

基于FCM的簇内欠采样算法

针对传统分类器在不平衡数据集上性能降低的问题,提出一种基于FCM的簇内欠采样算法(Fuzzy C-means clustering Based Under Sampling In Clusters, FCMUSIC)。使用模糊c-均值聚类算法(Fuzzy C-Means clustering, FCM)将多数类样本划分成若干簇,在每个簇内以类别不平衡比率(imbalanced ratio, IR)的倒数作为采样倍率,得到新的多数类样本并与少数类样本合并,形成新的平衡样本集,结合KNN和Random Forest分类器进行分类。分析在5组不平衡数据集上的分类结果,当使用KNN分类器时,改进后的算法的F1值平均提高了6.65%,G-mean值平均提高了7.75%;使用Random Forest分类器时,F1值平均提高了5.31%,G-mean值平均提高了6.07%。表明FCMUSIC算法能够有效地提升传统分类器对不平衡数据集的分类性能。     

基于有限元-时域分段自适应算法的围岩衬砌耦合渐进分析

以开挖时间、一衬时间、二衬时间划分时间区段,考虑围岩与衬砌为弹性/粘弹性介质,将围岩的“位移/应力释放不完全”、开挖等影响模拟为载荷的渐进释放,提出一个有限元-时域分段自适应算法,求解围岩衬砌耦合问题,并通过数值算例对算法进行了验证。所提方法给出了各时间区段的关联条件;可更准确描述各变量随时间的变化;同时将原时空耦合问题转化为一系列空间问题,并利用有限元方法递推求解;当步长变化时可通过自适应计算保证稳定的计算精度。此外,还建立了一个载荷渐进参数的反问题数值求解模型,并给出了相关算例。     

基于改进西原模型巷道围岩流变参数反演分析

当应力达到一定水平时,岩石经过衰减和稳定蠕变过程之后会发生加速蠕变破坏,但是传统西原体模型无法更有效地反映该加速蠕变阶段。为了解决这一问题,引入一个非线性流变元件,并将其串联在西原体模型上,组成一个新的六元件模型,该模型可充分反映岩石蠕变的三个阶段。基于改进的西原体模型本构方程,应用Laplace变换,得到了盾构圆形巷道围岩的径向位移变化规律;根据巷道围岩收敛变形现场实测数据,反演得到了岩石黏弹塑性蠕变参数;由巷道围岩径向位移计算结果和实测数据对比分析表明:两者吻合较好;当t25 d时,巷道围岩处于加速变形阶段,其径向位移变化速率随时间的增长而不断增加,当t 25 d时,巷道围岩进入稳定变形阶段,随时间的推移,其径向围岩位移变化速率逐渐趋于稳定。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高,以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题,本文提出了一种基于级联卷积神经网络（Convolutional Neural Network,CNN）和磁共振图像的前列腺癌（Prostate Cancer,PCa）自动分类诊断方法,该网络以Faster-RCNN作为前网络,对前列腺区域进行提取分割,用于排除前列腺附近组织器官的干扰;以基于ResNet改进的网络结构CNN40_bottleneck作为后网络,用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成,其中使用批量标准化（Batch Normalization,BN）、全局平均池化（Global Average Pooling,GAP）进行优化.实验结果证明,本文方法对前列腺癌诊断结果较好,而且缩减了训练时间和参数量,有效降低了训练成本.     

非线性科学中的对称性研究及其应用

自1990年宁波大学非线性科学课题组完成非线性系统对称性约化的第1个对称性专题研究以来, 宁波大学的非线性科学研究,特别是非线性系统的对称性研究成为一个特色, 引起了同行的广泛关注. 宁波大学非线性科学团队在对称性研究方面的主要进展有: 递推算子的因式化和逆递推算子及逆对称和逆可积梯队、形式级数对称法、非局域对称及其局域化、达布变换和非局域对称、条件对称和分离变量法、对称群直接法、群不变非线性系统分类、超对称和玻色化、留数对称、从对称性到达布变换、非局域对称的对称性约化和相容Riccati展开法、完备对称和可积性、大气和海洋系统中的对称性应用、离散对称和多地物理学、局域对称和非局域对称的对偶及可积系统的正梯队和负梯队的对偶等.     

高效毛细管电泳法分析蓝色签字笔字迹色痕种类及相对形成时间

选用毛细管区带电泳分离模式,对13种市售蓝色签字笔样品字迹色痕进行了分析。当电压为15 kV、柱温为25 ℃时,以0.03 mol/L 四硼酸钠水溶液(外加10%(体积分数)的甲醇)为缓冲液,所有样品都可以得到良好的区分;依据紫外区检测结果,样品可以分为三大类、五小类;依据可见区检测结果,样品可以分为四类;两种分析结果相结合有助于增大不同样品之间的区分度;选择3种样品进行暗处保存老化制样,根据字迹中色料成分相对含量的变化,对字迹的相对形成时间进行了初步探讨。研究还发现纸张类型对于上述研究结果无影响。