45钢表面硬化层深度的高鲁棒性微磁定量预测方法

考虑多功能微磁检测系统对微磁参量的重复测试性能,研究利用系统对45钢表面硬化层深度进行高鲁棒性定量预测的方法。首先,利用测试数据的变异系数β统计方法,定量评价了系统对41项微磁参量的重复测试能力,结合指标β和微磁参量对硬化层深度的敏感性指标S,对微磁参量进行了筛选;其次,融合多项微磁参量建立了硬化层深度的前馈神经网络定量预测模型,提出了改善模型鲁棒性的建模策略及鲁棒性评价方法;最后,讨论了输入节点逐项剔除和有条件保留规则对模型鲁棒性的影响规律。与传统建模方法相比,利用规则剔除微磁参量项数为8时,模型的MAE均值和MAE值小于5%的模型数量P分别下降约68.8%和增加约150%,表明提出的建模策略可以有效改善仪器在45钢表面硬化层深度定量预测过程中的鲁棒性。

基于数据挖掘的激光雷达图像识别技术

图像识别是激光雷达技术应用的基础,为了提高激光雷达图像的识别准确性,提出一种数据挖掘的激光雷达图像识别方法。首先采用小波变换对激光雷达图像进行去噪处理,并提取特征向量,然后采用数据挖掘技术-深度层次网络根据特征建立激光雷达图像识别模型,最后进行激光雷达图像识别仿真实验。结果表明,本文方法可以提取激光雷达图像有效特征,可以得了较好的激光雷达图像识别结果。

某重型车辆侧减速器齿轮接触疲劳失效分析

某重型车辆侧减速器主动齿轮在使用过程中因严重的点蚀与剥落而早期失效。通过化学成分检验、硬度检测、断口分析和金相分析等方法研究该齿轮的失效机理,并采用有限元建模进行失效齿轮的接触应力分析。分析结果证明渗碳层中存在白色网状碳化物、渗碳层深度不足以及齿轮接触应力较大是造成失效齿轮接触疲劳的主要原因。

基于神经网络的时间域直升机电磁数据电导率深度成像

采用G-S变换以及高斯数值积分法,形成了时间域直升机的航空电磁响应正演样本集,分析了飞机测量过程中吊舱高度变化对电磁响应的影响,并将吊舱高度的变化等效成电导率为零的假层厚度的变化,以去除高度计等的影响.以假层半空间模型为基础,研究了基于人工神经网络的电导率深度成像算法,通过分析两个三层模型的电导率深度成像结果得出,神经网络方法计算时间域航空电磁探测的视电导率精度较高,特别是对高阻层的视电导率计算.

利用卷积神经网络改进迭代深度学习算法的图像识别方法研究

针对图像识别算法中图像集上几何曲面的特定分类会导致判别信息丢失的问题,提出一种融合卷积神经网络的改进型迭代深度学习算法(IIDLA)。该算法采用混合卷积网进行底层的平移不变特征学习,以层次化的方式迭代应用卷积神经网络对输入图像集的不同非线性特征进行学习。算法的图库和查询实例中包括了不同视角、背景、面部表情、解析度和照明度的人脸或物体图像集。采用数据集将提出的算法与其他算法进行评估对比,实验结果表明提出的算法在被测数据集上的性能最优。

深度强化学习的图像特征高效分类方法仿真

针对现有的图像特征分类方法收敛性差,分类无法满足日益增加的网络需求的现状,本文提出了一种基于深度强化学习的图像特征分类方法。通过对目标图像特征区域进行复域Contourlet分解,过滤处理分解结果,从而可以将目标图像子带系数矩阵提取出来,求取系数矩阵的相关特征。采取深度学习网络,使所选图像的特征向量直接经过已训练的层状网络深度模型,完成图像特征分类。实验结果表明,所提方法的误识率比现有方法明显降低,收敛速度明显提升。改进方法比传统方法更具优势,能够满足图像特征分类智能化处理的需要。

人工神经网络方法估算海洋上混合层深度的初步研究

上混合层深度是海洋上层热力结构特征的重要参数。结合南海南部海区一连续温盐深观测站的实测资料和NCEP再分析风场资料,以海洋表层温度和风应力为输入,以温度差值判断方法计算所得上混合层深度为输出,采用BP神经网络和广义回归神经网络2种方法进行训练,建立了南海南部海区的上混合层深度人工神经网络计算模型。实验显示,两种模型仿真结果与温度差值方法计算结果均方根误差分别为3.58m、3.09m,线性相关分别达0.87、0.91,绝对误差分别为2.80m、2.37m,相对误差分别为9.40%、7.40%。这一结果表明,人工神经网络方法精度较高,是一种切实可行的上混合层深度估算方法。

基于小波分析和神经网络的渗碳层深度分类

提出了一种基于小波理论的新的特征值提取方法,较全面地反映了信号的时频特征,并将小波包提取的特征值输入到BP网络,对7种不同渗碳层深度的试件进行了分类。实验结果表明,小波包特征值提取和BP神经网络分类器相结合,可以实现对不同渗碳层深度的分类,其效果良好、精度较高,有一定的实用价值。

基于残差连接的场景文本识别端到端网络结构优化

针对已有文本识别网络由于深度不够而识别准确率较低的问题,文中提出一种改进的端到端文本识别网络结构。首先,将文本作为序列,采用残差模块将文本按列切分成特征向量输入循环层。这种残差结构增加了卷积网络的深度,使网络保持对文本图像的最佳表征能力,实现对文本信息的捕捉。另一方面,残差模块采用堆叠层来学习残差映射,在层数加深的情况下提高了网络的收敛性。然后,采用循环层对这些文本特征序列进行上下文建模,并把建模结果输入Softmax层以获得序列对应标签的预测,实现了对任意长度文本的识别。循环层使用长短时记忆网络学习文本之间的依赖关系,解决长序列训练过程中的“梯度消失”问题。最后,通过最优路径方法进行文本标签转录。该方法找到一条路径使其概率最大,并输出这条路径对应的序列为最优序列。改进的文本识别网络结构增加了深度,提高了文本图像的特征描述能力和在噪声下的稳定性。在多个测试数据集(ICDAR2003,ICDAR2013,SVT和IIIT5K)上将所提算法与已有典型算法进行实验对比分析,结果表明该网络结构能够得到更高的场景文本识别准确率,验证了其有效性。

三种激光雷达监测污染物分布和输送对比

利用3种不同型号激光雷达在广州番禺大气成分观测站开展外场同步对比观测实验.通过全球地基气溶胶监测网(AERONET)气溶胶光学厚度(AOD)产品验证了3种激光雷达原始信号反演消光系数的可靠性.同时对比探讨了激光雷达低层反演能见度产品与能见度仪的相关性;对比美国国家环境预报中心全球同化系统模式(NCEP-GDAS)模拟结果讨论了激光雷达对混合层高度反演的有效性.最后利用个例分析揭示不同天气型下污染物可能的外源输送和本地积累.量化分析结果表明:3部激光雷达反演的能见度与能见度仪的相关系数均达到0.7以上,混合层高度均与NCEP-GDAS模式计算的混合层高度具有一定的可比性.与模拟结果相比,白天混合层高度在霾天气时相对较低,更能有效的揭示霾天气,亦可反映夜间间歇性湍流特性.应用分析表明:3部激光雷达均能较为一致的监测污染物的输送和本地的累积.外来输送主要以弱冷空气输送型为例,分析个例(2014年11月21~22日、24~25日)表明:后一过程(24~25日)由于夜间混合层高度(MLH)低,导致上层的粒子无法下传,污染物聚集在0.8km,且快速过境了,而前一过程(21~22日)整层输送,导致了近地层相对高的PM_(2.5)浓度;本地累积主要以冷高出海型为例(2014年11月25日20:00~27日20:00),逆温与低的地表通风系数共同造成了前一时段(25日20:00~26日20:00)的消光明显高于后一时段(26日20:00~27日20:00).

基于信息熵的DBN网络结构优化

对目前深度信念网络(Deep Belief Network,DBN)难以同时提取合适的网络深度和隐藏层神经元数的问题,在利用传统重构误差计算并判断网络深度的基础上,从信息表达的角度出发,分析了信息熵、输入层和隐藏层三者之间的内在联系,然后根据信息熵与隐藏层之间的关系,提出了一种基于信息熵确定隐藏层神经元数的优化方法,使DBN网络模型的的结构趋于更优。在手写数字识别上的实验结果表明,该方法能自组织地计算网络深度和隐藏层的神经元数量。与依据重构误差法确定网络深度的测试数据相比,平均误差减小了1.47%,有效地优化了DBN网络结构,降低了网络的训练时间,提高了网络精度和识别准确率。

一种轻量级苜蓿虫害分类模型

研究农作物病虫害的自动检测与识别对于促进农业健康可持续发展至关重要。为此,设计一种轻量级识别模型PP-LCNet,应用于苜蓿虫害的识别中,在保证识别正确率良好的情况下对模型结构进行调整,加强其对通道特征的提取能力;然后优化模型激活函数,使其在分类问题上的区分界限更加明显;最后加入深度可分离卷积,有效减少了模型参数量,降低了计算成本。将PP-LCNet模型与MobileNetV2、EfficientNetB0进行性能比较,发现PP-LCNet识别准确率分别提高了2.97%和1.74%,网络时延分别下降了42.25%和91.84%,参数量分别减少了14.28%和43.39%。PP-LCNet模型对苜蓿虫害的识别分类具有良好效果,且更适合部署在移动端和嵌入式设备中,应用范围更广。

基于BP神经网络的高频感应淬火研究

本文利用正交极值法,分析了阳压、阳流、栅流和加热时间对高频感应淬火法兰盘硬化层深的影响。通过BP神经网络建立硬化层深模型,研究了真空管式电源的感应加热淬火规律,开发了产品新工艺。结果表明:BP神经网络可对硬化层深进行可靠的预测,能够有效地控制高频感应淬火的生产质量。

滑坡提取卷积神经网络层深结构与显著性特征

为了探究影响深度学习滑坡遥感提取的因素,滑坡提取精度随卷积核最优主分特征、层深结构、特征维数的变化规律,获取滑坡提取最优模型,研究深度学习滑坡提取机制。通过可视化卷积特征图和多维散点图技术揭示滑坡提取的地类混淆情况,进而选择支持向量机对深度学习模型的层深结构和特征图分类结果对比。结果显示,18层的SegNet网络模型在样本数量30000时,F1分数为最高的75.38%,最佳滑坡特征分类卷积层层深位置较浅,高于其他层深卷积达10%。研究进一步挖掘出滑坡语义显著性特征,验证了深度学习方法的有效性并将拓宽其在遥感滑坡领域的应用范围,为构建滑坡深度卷积网络指数模型提供显著特征与层深结构基础。