融合自适应差分进化机制的多目标灰狼优化算法

针对灰狼算法易于陷入局部最优问题,提出了一种融合自适应差分进化机制的多目标灰狼优化算法。首先,将外部种群Archive按目标函数值的距离进行分组以避免存储相似个体。其次,设置头狼选择机制,在外部种群中选择头狼。最后,在更新过程中引入差分进化,择优选择下一代灰狼,同时差分进化参数可根据候选解加权目标函数值动态地自适应调整,平衡算法的局部开发与全局探测性能。基于8个多目标测试函数的验证结果表明,提出的多目标灰狼优化算法的收敛性与分布性优于其他3种算法。

基于自组织增量-图卷积神经网络的金相图半监督学习

采用深度学习对钢铁材料显微组织图像分类,需要大量带标注信息的训练集。针对训练集人工标注效率低下问题,该文提出一种新的融合自组织增量神经网络和图卷积神经网络的半监督学习方法。首先,采用迁移学习获取图像数据样本的特征向量集合;其次,通过引入连接权重策略的自组织增量神经网络(WSOINN)对特征数据进行学习,获得其拓扑图结构,并引入胜利次数进行少量人工节点标注;然后,搭建图卷积网络(GCN)挖掘图中节点的潜在联系,利用Dropout手段提高网络的泛化能力,对剩余节点进行自动标注进而获得所有金相图的分类结果。针对从某国家重点实验室收集到的金相图数据,比较了在不同人工标注比例下的自动分类精度,结果表明:在图片标注量仅为传统模型12%时,新模型的分类准确度可达到91%。

基于卷积神经网络的钢铁材料微观组织自动辨识

基于深度学习在计算机视觉上优异的表现,采用深度学习模型对扫描电子显微镜(SEM)所获得的钢铁材料微观组织图片进行自动辨识。提出了适用于钢铁材料微观组织辨识的AlexNet、VggNet、GoogleNet、ResNet改进模型,比较了不同卷积神经网络模型在不同预处理方式下的图片辨识精度,针对从某国家重点实验室收集到的铁素体、珠光体、上贝氏体、下贝氏体、板条马氏体、片状马氏体等6类微观组织图像的数据集进行预测实验,结果表明:与现有技术或人工辨识相比,提出的卷积神经网络能成功辨识不同类型的钢材微观组织,具有较高的适应性和准确度,在测试集上的识别率精度最高可达到100%。