基于LSTM-SAFCN模型的生物质锅炉NO_(x)排放浓度预测

针对生物质锅炉燃烧过程的动态特性,提出一种改进的长短期记忆-自注意力机制全卷积神经网络(LSTM-SAFCN)模型用于预测NO_(x)排放浓度。首先利用完全自适应噪声集合经验模态分解法(CEEMDAN)对数据进行预处理,消除数据噪声对NO_(x)排放浓度预测的影响;其次融合自注意力机制与长短时记忆-全卷积神经网络(LSTM-FCN)进行特征提取与预测建模,该拓展方法能够同时兼顾时间序列数据的局部细节与长期趋势特征;最后,利用生物质热电联产系统的实际运行数据验证了所提算法的有效性。

FCN3调控肝细胞癌细胞增殖、迁移和上皮间质化

目的:探讨纤维胶凝蛋白3(FCN3)在肝细胞癌(HCC)组织中的表达及对HCC细胞增殖、迁移和上皮-间质转化(EMT)的影响。方法:首先利用生物信息学技术分析FCN3在HCC中的表达及与患者预后的关系;然后通过qRT-PCR、免疫组化进一步检测FCN3在HCC细胞和组织中的表达。构建过表达FCN3的Huh7稳转细胞株,通过CCK-8实验、细胞划痕实验和Transwell实验检测FCN3对HCC细胞增殖、迁移、侵袭的影响;通过Western Blot实验检测E-cadherin、N-cadherin、Vimentin表达水平;通过裸鼠皮下成瘤实验,在体内探究FCN3对HCC增殖的影响。结果:生物信息学分析表明FCN3在HCC组织中的表达水平显著低于癌旁组织,高表达FCN3的HCC患者具有更长的总体生存时间。qRT-PCR表明,与正常肝细胞相比,HCC细胞株Huh-7、Hep3B和SNU-449中FCN3 mRNA表达水平显著降低。免疫组化表明,FCN3在HCC组织中染色阳性细胞的比例显著低于癌旁组织。选取FCN3相对表达量最低的Huh-7细胞株进行慢病毒稳转FCN3基因,得到稳定OE-Huh7和空载慢病毒稳转的NC-Huh7。Transwell实验、划痕实验、CCK8实验表明,与NC-Huh7组相比,OE-Huh7组的迁移、增殖、侵袭能力显著降低;Western Blot结果显示,OE-Huh7组Vimentin、N-cadherin蛋白表达量降低,E-cadherin蛋白表达量升高。结论:FCN3在HCC中低表达且影响患者的预后,过表达其水平后可抑制HCC细胞的增殖、迁移及EMT。

基于改进FCN的肺炎图像分割方法

针对胸部X射线影像中肺炎病灶识别工作量大,结果不够精准等问题,提出一种基于改进FCN的肺炎病灶图像分割方法。首先,构建Pascal数据集格式的健康肺部影像和感染肺炎影像的数据集。其次,对比不同ResNet网络和传统VGG网络训练损失的收敛速度。然后使用效果最好的ResNet50网络代替经典FCN算法中VGG网络作为主干网络,并提出一种多尺度特征提取模块,最后将改进的FCN网络与传统FCN网络、LR-ASPP、DEEPLAB-V3进行对比,改进的FCN网络较其他方法得到了更好的效果。实验结果表明,改进的FCN网络可以精准分割胸部X射线中各种形状和大小的肺炎病灶,分割效果良好,可以为临床的肺炎诊断提供可靠依据。

基于特征优选策略和DLSTMs-FCN优化的短期负荷预测

针对当前基于长短期记忆网络的短期负荷预测模型存在特征冗余、重要信息丢失等问题,提出一种基于特征优选策略和DLSTMs-FCN并联优化结构的短期负荷预测方法。首先利用基于极限梯度提升的特征优选策略构造负荷预测模型中的输入特征最优集,减少冗余信息,加快模型拟合;而后利用DLSTMs提取负荷数据的时序特征,并辅以FCN的多维卷积运算及结构特征提取的高分辨率信息,增强对输入数据重要特征的学习和记忆,进而并联构成高效准确的短期负荷预测模型。实验结果表明,本文优化方法相较于ALSTMs和CNN-LSTMs预测误差分别降低了6%和4%,预测误差波动分别降低了4.7%和4.8%。

基于FCN网格定位和特征融合的水培生菜幼苗状态检测方法

为了及时发现问题幼苗状态和提高幼苗分拣效率,以水培生菜幼苗培育过程中出现的死亡和双株状态为研究对象,提出一种基于FCN网格定位和特征融合的水培生菜幼苗状态检测方法。在原有研究的基础上,针对双株状态幼苗检测精度低的问题,引入FCN架构改变原有边框回归方式,利用其对位置信息敏感的特性,获取精确的网格点空间信息。同时,利用特征融合策略,充分获取不同网格点间的相关性,实现对水培生菜幼苗问题状态的精准定位。试验结果表明,该方法的平均检测精度达到88.1%,检测精度优于原有方法、FSAF、YOLOv3、FoveaBox、ATSS和CornerNet,尤其对双株状态的幼苗检测精度得到明显提升。该方法能够实现水培生菜问题幼苗状态的自动检测,为水培蔬菜育苗分拣智能化及种植自动化提供技术支持。

基于融合FCN-TCN-LSTM的工业大用户可调节潜力分析模型

综合考虑调控成本和价格激励的影响,开展工业大用户双向可调节潜力的分时段分析是提升新型电力系统负荷管理能力的关键。建立一种基于融合全卷积网络、时域卷积网络、长短期记忆网络的模型,以分析工业大用户可调节潜力。建立全卷积网络数据集重构模型,并基于典型负荷特性指标实现对具有高可调节潜力负荷数据的工业大用户的遴选;以高可调节潜力数据集为基础,建立改进时域卷积网络模型,对工业大用户进行调控成本影响下的可调节潜力分析测算。基于实际数据对所提模型进行验证,算例结果表明,所提模型可分析出工业大用户典型设备的可调节潜力,且模型的稳定性与精确度较高。

基于R-FCN区域全卷积网络的绝缘子红外图像识别研究

红外热成像因其具有非接触性、灵敏性等优点,已被广泛应用于电力设备的带电检测及其诊断中。其中,对设备快速精确地识别定位是电力设备智能诊断的关键。然而利用传统机器算法对电力设备图像进行识别定位,存在泛化能力不强、鲁棒性较差等不足。针对此问题,开展基于R-FCN区域全卷积网络的绝缘子红外图像识别研究。在TensorFlow框架下搭建R-FCN检测模型,并利用迁移学习方法初始化模型权重,以提高训练效果。最后,将所研究算法与Faster-RCNN和SSD模型进行对比。实验表明,R-FCN模型的检测精度为89.2%,检测速度为23 fps,具有较高的精度和速度。该算法为绝缘子的智能诊断奠定坚实基础。

基于FCN和LSTM深度学习模型的电力终端负荷预测方法

针对目前研究的电力终端负荷预测方法在预测过程中,未考虑负荷终端时序性和非线性的特点,存在预测精度较低,速度较慢的问题,提出了基于FCN和LSTM深度学习模型的电力终端负荷预测方法。利用循环神经网络,建立电力终端负荷预测模型,分析记忆状态,对电力终端数据进行预处理,并编码非数字特征,确定预测模型。利用均方误差公式得到的电力终端负荷预测模型的损失函数,通过数据预处理、优化数据参数、训练电力终端负荷预测模型完成负荷预测。实验结果表明,基于FCN和LSTM深度学习模型的电力终端负荷预测方法充分分析了终端时序性和非线性特点,有效确保预测精度,提高预测速度。

基于FCN算法的秦岭北麓建设用地多时序遥感监测分析研究

为全面掌握秦岭北麓建设用地分布情况及转化机制,促进资源、环境协调可持续发展。本文选取秦岭北麓建设用地作为研究对象,以2019—2021年的高分一号影像数据作为数据源。通过建立样本库,选取实验区,采用FCN(fully convolutional networks全卷积神经网络)算法对实验区和秦岭北麓全区多时序影像进行智能提取,实现秦岭北麓建设用地变化监测。从对建设用地图斑分布情况、变化趋势以及变更因素的分析来看,秦岭北麓12个季度建设用地面积整体呈现增长趋势,建设用地转入类型以其他用地和耕地为主,转出则以其他用地为主。通过有效掌握秦岭北麓建设用地变更机制,对提升国土综合监管及社会服务能力具有重要意义。

基于FCN-BiGRU的空中目标意图识别方法

随着科学技术的发展和作战方式的改变,对于敌方作战意图的推理开始进入战场,防空作战决策对于意图识别的准确率有更高的要求,现有的知识图谱、专家网络和深度神经网络等方法在识别的精度上还存在差距,难以满足防空作战的需求。因此,本文结合卷积神经网络和循环神经网络的优点设计了一种用于空中目标意图识别的深度学习模型FCN-BiGRU,全卷积网络(FCN)可以提取空战数据中的复杂局部特征,双向门控循环单元(BiGRU)用来捕捉空战意图数据的时序特征,通过消融实验和对比实验证明,FCN-BiGRU模型的意图识别准确率达到98.71%,超过现有空中目标意图识别模型1.14%,为防空作战决策提供了更有力的依据。

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。

基于R-FCN深度卷积神经网络的机器人疏果前苹果目标的识别

疏果前期苹果背景复杂、光照条件变化、重叠及被遮挡,特别是果实与背景叶片颜色极为相近等因素,给其目标识别带来很大困难。为识别疏果前期的苹果目标,提出基于区域的全卷积网络(region-based fully convolutional network,R-FCN)的苹果目标识别方法。该方法在研究基于ResNet-50和ResNet-101的R-FCN结构及识别结果的基础上,改进设计了基于ResNet-44的R-FCN,以提高识别精度并简化网络。该网络主要由ResNet-44全卷积网络、区域生成网络(RegionProposal Network, RPN)及感兴趣区域(Region of Interest, RoI)子网构成。ResNet-44全卷积网络为基础网络,用以提取图像的特征,RPN根据提取的特征生成Ro I,然后Ro I子网根据ResNet-44提取的特征及RPN输出的Ro I进行苹果目标的识别与定位。对采集的图像扩容后,随机选取23 591幅图像作为训练集,4 739幅图像作为验证集,对网络进行训练及参数优化。该文提出的改进模型在332幅图像组成的测试集上的试验结果表明,该方法可有效地识别出重叠、被枝叶遮挡、模糊及表面有阴影的苹果目标,识别的召回率为85.7%,识别的准确率为95.1%,误识率为4.9%,平均速度为0.187 s/幅。通过与其他3种方法进行对比试验,该文方法比FasterR-CNN、基于ResNet-50和ResNet-101的R-FCN的F1值分别提高16.4、0.7和0.7个百分点,识别速度比基于ResNet-50和ResNet-101的R-FCN分别提高了0.010和0.041 s。该方法可实现传统方法难以实现的疏果前苹果目标的识别,也可广泛应用于其他与背景颜色相近的小目标识别中。

结合FPN改进R-FCN的肺结节检测算法

针对目前肺结节检测算法在CT影像中存在的检出率低、假阳性高及体积较小的结节难以检测的问题,提出结合特征金字塔FPN(Feature Pyramid Networks)改进R-FCN(Region-based Fully Convolutional Networks)的肺结节检测算法。对传统R-FCN算法加以改进,将ResNet(Residual Neural Network)结构升级为DenseNet(Dense Convolutional Network)利用其密集连接机制以加强特征的传播复用,提升网络效率;引入FPN结构,一方面用于生成不同尺度的特征作为RPN(Region Proposal Network)网络的输入以生成候选区域,另一方面在检测时可以综合利用低层特征的高分辨率信息与高层特征的高语义信息,从而有效解决体积较小结节难以定位的问题。改进网络将使用focal loss作为损失函数以解决训练过程中正负样本不均衡的问题。实验结果显示,所提算法的CPM为0.876,检测精度有效提升。

利用定量蛋白组学方法发现涂阴肺结核患者血清差异表达蛋白并验证FCN3

目的:利用定量蛋白组学方法检测涂阴肺结核(SNP-TB)患者血清差异表达蛋白,并验证关键蛋白FCN3。方法:采用iTRAQ标记结合MALDI-TOF/MS筛选30例健康对照者和30例SNP-TB患者血清的差异表达蛋白,并进行生物信息学分析,对关键差异蛋白FCN3进一步ELISA验证,并绘制ROC曲线。结果:3次独立重复实验一共筛选和鉴定到344种蛋白质,其中置信度在95%以上有283种蛋白质;以正常人血清为对照,SNP-TB患者血清中呈显著性差异表达的蛋白有26种(P<0.05);生物信息学分析发现差异蛋白主要定位在细胞外,参与酶抑制剂活性和应激反应过程;蛋白相互作用发现FCN3等9种蛋白处于相互作用网络关键节点;ELISA验证SNP-TB组血清FCN3蛋白表达水平显著低于正常对照组和涂阳肺结核组(P<0.001),与蛋白组学结果一致;ROC曲线下的面积为0.929,灵敏度和特异度分别是81.24%和83.31%。结论:iTRAQ标记结合MALDI-TOF/MS技术能够有效的筛选和鉴定血清差异表达蛋白;FCN3是值得进一步研究的肺结核候选血清标志物。

FCN用于母猪性能测定的探索

种猪性能测定对于猪的育种工作至关重要。目前常用B超测定猪活体的背膘厚和眼肌面积,但是也存在一些问题。全卷积神经网络(FCN)在计算机视觉方面应用广泛。基于FCN模型和猪B超图片,开展背膘厚和眼肌面积的图像识别很有价值,但是也存在一定的挑战。对FCN应用于种猪性能测定的前景和技术进行分析。

FNC→FCN IRC途径中化学键的变化

利用电子密度分布函数的拓朴分析方法,研究化学反应中键的断裂与生成的变化过程,是理论化学的新课题。本文作者利用CNDO/2方法计算了若干基态分子体系,对其电子密度分布进行拓扑分析,所得结论与Bader等人精确从头算的结果定性一致。本文用CNDO/2及Abinitio(STO-3G)计算了FNC→FCN IRC途径上的若干点。一方面讨论这一反应过程中化学键特性的变化,一方面比较上述两种计算方法所得电子密度的拓扑性质的导同。

基于YOLOv5和FCN-DenseNet水下图像多目标语义分割算法

带视觉系统的水下机器人作业离不开对水下目标准确的分割,但水下环境复杂,场景感知精度和识别精度不高等问题会严重影响目标分割算法的性能.针对此问题本文提出了一种综合YOLOv5和FCN-DenseNet的多目标分割算法.本算法以FCN-DenseNet算法为主要分割框架,YOLOv5算法为目标检测框架.采用YOLOv5算法检测出每个种类目标所在位置;然后输入针对不同类别的FCN-DenseNet语义分割网络,实现多分支单目标语义分割,最后融合分割结果实现多目标语义分割.此外,本文在Kaggle竞赛平台上的海底图片数据集上将所提算法与PSPNet算法和FCN-DenseNet算法两种经典的语义分割算法进行了实验对比.结果表明本文所提的多目标图像语义分割算法与PSPNet算法相比,在MIoU和IoU指标上分别提高了14.9%和11.6%;与FCN-DenseNet算法在MIoU和IoU指标上分别提高了8%和7.7%,更适合于水下图像分割.

基于改进FCN-8s的灵武长枣图像分割方法

针对不同成熟度灵武长枣图像中多尺度长枣目标的分割问题,该研究提出了一种基于改进FCN-8s的灵武长枣图像分割方法。首先,建立包含不同成熟度灵武长枣图像的数据集。其次,提出一个多尺度特征提取模块,该模块以3×3卷积为主分支,增加1×1卷积和5×5深度可分离卷积作为辅助分支,以提取灵武长枣图像中的多尺度特征。然后,用多尺度特征提取模块替换FCN-8s中的3×3卷积,又对FCN-8s网络结构做了一定的改进,得到了改进FCN-8s。最后,在灵武长枣数据集上进行试验,结果表明,改进FCN-8s的枣类交并比、平均交并比、像素准确率、召回率和像素准确率、召回率的调和平均值F1分数分别达到了93.50%、96.41%、98.44%、97.86%和98.15%,比原FCN-8s的各项评价指标分别高出了11.31、6.20、1.51、5.21和3.14个百分点。网络参数量为5.37×10^(6),分割速度为16.20帧/s。改进FCN-8s满足了灵武长枣智能化采摘机器人对视觉识别系统的要求,为实现灵武长枣的智能化采摘提供了技术支持。

基于微型FCN和传感器数据融合的迷宫小车姿态调整

为了实现无人小车在无标志迷宫内的姿态调整,在融合了超声波传感器和摄像头数据的基础上,提出了一种微型全卷积网络(FCN),用于实时分割地面,检测迷宫车道线,进行精确调整。该网络相较于常见的FCN,参数量下降了97%,显存占用下降了86. 44%,检测帧率达到了11. 2 fps,可用于嵌入式系统搭载。经实测检验,算法具有良好的调整效果,可用于小车迷宫内实时姿态调整。

基于改进的R-FCN带纹理透明塑料裂痕检测

为了解决利用传统的机器学习方法来检测带纹理透明塑料裂痕的检测精度和识别率不高的问题,提出一种改进的基于区域的全卷积网络(Region-based Fully Convolutional Networks,R-FCN)检测方法,通过对R-FCN中的残差网络(Residual Network,ResNet)特征提取网络进行混合尺度感受野融合处理,弥补了原网络对微小裂痕敏感度不高的缺点。实验表明,改进后的R-FCN检测方法的裂痕检测精度比基于传统机器学习支持向量机(Support Vector Machine,SVM)检测方法的裂痕检测准确率高20%左右,比未改进的R-FCN检测方法的检测准确率高8%,证明了该方法的有效性。