基于卷积神经网络的RC框架通信机楼震后损伤评定方法

为解决震后大量钢筋混凝土框架通信机楼损伤评定需求,基于卷积神经网络研究从构件层次至整体结构的损伤评定方法。首先对汶川地震、鲁甸地震、芦山地震等多次地震后大量钢筋混凝土框架结构损伤调查图片筛选处理,建立了钢筋混凝土框架梁、柱损伤评定数据集。然后通过对3个关键问题的研究建立了钢筋混凝土框架基于卷积神经网络的震损评定方法:训练和建立YOLOv5网络模型完成从结构震害照片中检测识别出梁、柱构件的任务,并改进优化了YOLOv5网络模型的检测性能;优选比较3种网络模型(ResNet50、MobileNetV2和AlexNet模型)对梁、柱构件损伤水平评定的精确性,最终建立了基于ResNet50的梁、柱构件损伤评定模型;给出了从构件层次到整体结构的损伤水平确定方法,并通过对一栋实际震损框架进行损伤评定验证了文中方法的可用性。结果表明,文中方法与专家的损伤评定结论一致性高,优化后的卷积神经网络模型精确度和稳定性好,对震后钢筋混凝土框架结构损伤评定具有良好的适用性。

结合图卷积神经网络和集成方法的推荐系统恶意攻击检测

推荐系统已被广泛应用于电子商务、社交媒体、信息分享等大多数互联网平台中,有效解决了信息过载问题。然而,这些平台面向所有互联网用户开放,导致不法用户利用系统设计缺陷通过恶意干扰、蓄意攻击等行为非法操纵评分数据,进而影响推荐结果,严重危害推荐服务的安全性。现有的检测方法大多都是基于从评级数据中提取的人工构建特征进行的托攻击检测,难以适应更复杂的共同访问注入攻击,并且人工构建特征费时且区分能力不足,同时攻击行为规模远远小于正常行为,给传统检测方法带来了不平衡数据问题。因此,文中提出堆叠多层图卷积神经网络端到端学习用户和项目之间的多阶交互行为信息得到用户嵌入和项目嵌入,将其作为攻击检测特征,以卷积神经网络作为基分类器实现深度行为特征提取,结合集成方法检测攻击。在真实数据集上的实验结果表明,与流行的推荐系统恶意攻击检测方法相比,所提方法对共同访问注入攻击行为有较好的检测效果并在一定程度上克服了不平衡数据的难题。

基于复合图双卷积神经网络的路面裂缝识别方法

为了建立一种基于深度学习卷积神经网络的路面检测模型,提高特殊路面裂缝,如白裂缝、浅裂缝、潮湿裂缝、修补开裂等的识别准确率,在单卷积神经网络结构(单网络)上,提出了基于复合图双卷积神经网络的路面裂缝识别方法。首先,该方法在输入灰度图基础上,考虑裂缝病害图像特征,增加对应二值图组成复合图通道;其次,在单网络结构基础上增加一个针对特殊裂缝识别的单网络,非特殊裂缝网络训练使用全部数据,特殊裂缝网络训练使用特殊裂缝数据,两个网络参数分别独立更新,从而形成复合图双网络结构;然后两个网络分别对同一测试数据进行判定,得出各自的概率矩阵,最后再根据概率单侧抑制的原理将两个单网络输出结果进行叠加,得出最终识别结果。组织了70万张检测车采集图片对复合图双网络方法进行训练和测试。结果表明,复合图双网络识别重叠度、精确度、召回率显著优于灰度图单网络,证明了提出的两处优化,即将单通道灰度图改造为双通道复合输入图和增加一个特殊裂缝识别网络,提升了非特殊裂缝与特殊裂缝区域识别能力。此外,复合图双网络的重叠度、精确度、召回率指标比其他深度学习路面裂缝识别算法方法高。

基于多卷积神经网络融合的当归病虫害识别方法

针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet2014个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F 1值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。

卷积神经网络的正则化方法综述

近年来,卷积神经网络已经广泛应用于计算机视觉各个领域中并取得了显著的效果。正则化方法是卷积神经网络的重要组成部分,它能避免卷积神经网络在模型训练的过程中出现过拟合现象。目前关于卷积神经网络正则化方法的综述较少,且大多缺乏对新提出的正则化方法的总结。首先对卷积神经网络中的正则化方法相关文献进行详细的总结和梳理,将正则化方法分为参数正则化、数据正则化、标签正则化和组合正则化;然后在ImageNet等公开数据集上,基于top-1 accuracy、top-5 accuracy等评价指标,对不同正则化方法的优缺点进行对比分析;最后讨论了卷积神经网络的正则化方法未来的研究趋势和工作方向。

基于卷积神经网络的电力电缆分布式光纤温度传感系统降噪方法的研究

电力电缆沿线温度的实时在线监测能够有效避免电缆过热导致的安全事故发生,分布式光纤温度传感技术由于具有耐高温、灵敏度高和抗电磁干扰等优点在电缆温度监测中得到了广泛应用。然而对长距离的电力电缆进行分布式测温时,温度信号的信噪比随距离的增长而降低,影响电缆温度测量的准确度。针对此问题,本文设计了一种基于卷积神经网络的降噪方法,在大量先验数据的基础上对神经网络的参数进行优化更新,将其应用于长距离分布式测温信号进行噪声的滤除。实验结果表明,本文的消噪方法能够将长度为11 km的分布式测温信号的噪声水平从原始的±17.5℃抑制到±1℃内,有效抑制了噪声,提高了测温准确度。

基于卷积神经网络的白酒上甑探汽方法

针对白酒“探汽上甑”工艺在实现自动化过程中出现的探汽准确率低的问题,提出一种基于卷积神经网络的探汽方法。通过红外热成像仪采集甑锅内酒醅表面的红外图像并做预处理,再结合上甑工艺特点将图像分类,利用卷积神经网络训练得到探汽模型。训练结果表明,AlexNet、VGGNet⁃16、GoogLeNet、ResNet⁃18、DenseNet⁃37的探汽准确率分别为0.9970、0.9980、0.9942、0.9898、0.9970,综合考虑选用DenseNet⁃37做模型评估,测试集测试的精确率为0.9970,召回率为0.9970,F1分数为0.9969,表示该模型性能表现好,故能满足探汽上甑要求。

基于卷积神经网络的通信网络安全告警方法

常规的通信网络安全告警结构多设定为独立形式,安全告警的范围难以进行扩展,导致告警响应时间不断延长,为此提出对基于卷积神经网络的通信网络安全告警方法的设计与验证分析,根据当前测试需求及标准的变化,先进行基础安全告警机制的制定,采用多目标的方式,扩展通信网络实际的安全告警覆盖范围,同时设计多目标交叉网络安全告警结构,以此为基础,构建卷积神经网络通信网络告警模型,采用自适应锁定的方式来实现安全告警处理。最终的测试结果表明:对比于传统时空特征融合通信网络安全告警测试组、传统邻域搜索粒子群通信网络安全告警测试组,此次所设计的卷积神经网络通信网络安全告警测试组最终得出的告警响应时间被较好地控制在0.25s以下,说明在卷积神经网络技术的辅助下,当前所设计的告警效果更佳,针对性更强,具有实际的应用价值。

基于注意力卷积神经网络的服装款式图廓特征识别方法

针对现有服装款式图廓特征识别方法存在特征识别技术复杂和识别精度不高的问题,提出基于注意力卷积神经网络的服装款式图廓特征识别方法。首先,采用数据增强方法对服装款式图廓类型标签进行分类;其次,通过损失函数计算并确定图廓特征分布梯度;然后,通过卷积神经网络构建特征识别模型;最后,引入注意力机制模块识别服装款式图廓特征。验证结果表明:与基于改进Resnet34和基于改进边缘检测算法的服装款式识别方法比,本文方法始终具有较高的复杂图廓识别精准度,对连衣裙款式样衣的图廓识别精准度可达99.1%,外套、裤子、短袖的款式均能达到90%以上。本文方法的识别效果精准有效,可推广于现实中服装款式图廓特征的识别。

基于卷积神经网络的资源相似关键词推荐方法

资源关键词特征维度较高,关联性较强,导致推荐效果较差,因此,需要基于卷积神经网络设计一种全新的资源相似关键词推荐方法。即提取了资源相似关键词推荐特征,利用卷积神经网络设计了资源相似关键词推荐算法,从而完成了资源相似关键词推荐。实验结果表明,本文设计的基于卷积神经网络的资源相似关键词推荐方法的平均绝对误差较低,推荐用户满意度和资源相似关键词推荐值较高,证明设计的资源相似关键词推荐方法的推荐效果较好,具有可靠性。

基于一维卷积神经网络的语音识别系统构建方法

提出一种基于一维卷积神经网络(1D Convolutional Neural Network,1D-CNN)的语音识别系统。首先研究基于1D-CNN的语音识别系统框架,其次重点介绍使用TensorFlow构建该系统的方法,最后采用Libri Speech数据集,在无噪声、轻微噪声和严重噪声条件下进行系统测试,并使用准确率、召回率、F1等指标进行评估。实验结果表明,所提出的系统在无噪声和轻微噪声条件下具有较高的识别准确率和稳定性,即使在严重噪声环境中也表现出较好的健壮性。

基于卷积神经网络的无人机影像与激光点云数据自动化匹配方法

针对无人机影像与激光点云数据异构性过高,无法满足高精度匹配需求的问题,研究基于卷积神经网络的无人机影像与激光点云数据自动化匹配方法。将残差卷积模块应用于卷积神经网络中,利用跳层连接方法连接卷积神经网络的输入层与输出层,通过卷积操作以及池化操作,提取无人机影像与激光点云数据的特征。选取迭代最近点算法,搜寻无人机影像特征点集与激光点云特征点集中的对应点,将对应特征点对的欧氏距离平方和最小,作为匹配的目标函数,选取最小二乘法计算自动化匹配的最优刚体变换参数,实现无人机影像与激光点云数据的自动化匹配。实验结果表明,该方法能够自动化匹配无人机影像与激光点云数据,匹配精度高。

基于卷积神经网络的煤矿支架搬运车轮胎助力机械手抓取姿态规划方法

为解决当前煤矿支架搬运车轮胎助力机械手抓取姿态规划精度较低、无法保证抓取轮胎受力均匀、导致轮胎部分位置受力过大、对轮胎产生了不同程度损害、消耗大量人力与物力资源的问题,提出基于卷积神经网络的轮胎助力机械手抓取姿态规划方法。引入卷积神经网络,通过提取目标物体位姿变化特征,得出目标物体在坐标系中的位置信息与姿态信息;基于卷积神经网络建立抓取预测模型,获取机械手抓取物体成功的概率;设计轮胎助力机械手的抓取轨迹,并设计机械手抓取姿态规划算法。通过试验分析可知,该方法在抓取过程中最大耗时与平均耗时均较短,抓取质量与效率得到了显著提升。

图像处理与卷积神经网络相结合的脱机手写汉字识别方法

为了解决传统脱机手写汉字识别方法对相似手写汉字识别率低的问题,提出了一种图像处理与卷积神经网络相结合的两阶段脱机手写汉字识别方法:第一阶段使用传统的卷积神经网络进行识别,第二阶段使用基于图像处理的差异辨别方法进行更加精确的二次识别。试验结果表明:将基于图像处理的差异辨别方法与卷积神经网络结合起来比单纯基于卷积神经网络的识别方法能够更好地识别相似汉字,从而可以提高总体手写汉字的识别率。此外,所提出的方法还表现出更稳定的识别效果,可以有效应对训练样本中存在错误标注的情况。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

基于迁移卷积神经网络的配电网高阻接地故障检测方法

为解决高阻接地故障导致的配电网运行安全性低的问题,提出了基于迁移卷积神经网络的配电网高阻接地故障检测方法。首先,采用HHT方法提取原始信号中的特征量,将提取结果输入到卷积神经网络结构中,通过训练和学习实现对特征量的分类处理。然后,通过迁移学习将已经训练完成的卷积神经网络模型放在新任务内再次实施检测,提高配电网高阻接地故障检测能力。实验结果表明:该方法在迭代次数达到160次以后,故障检测准确率高达99.9%,且网络训练误差均低于1.5。在噪声环境下,该方法的抗噪能力较强,同时适用于不同类型工况故障的检测,卷积层对迁移CNN的检测精度影响较小,在故障检测方面迁移CNN的稳定性表现较好,可以提高配电网高阻接地故障检测能力。

基于深度卷积神经网络的三维医学图像分割方法

常规的三维医学图像分割处理的把控效果较差,为此该文提出基于深度卷积神经网络的三维医学图像分割方法。设置初始分割节点,采用多模态的方式,构建多模态图像分割序列。设计深度卷积神经网络医学图像分割模型,采用空间金字塔池化辅助处理方法来强化图像分割结果。测试结果表明,用此方法分割后的Dice系数均可以达到0.7以上,处理效果更好。

基于卷积神经网络的焊缝缺陷检测方法

压力容器其本体是由多块钢板焊接组成,焊缝质量好坏对压力容器的制造质量和安全使用至关重要。X射线检测是工业无损检测的重要方法之一,因此在生产中对压力容器焊缝进行X射线检测有利于在制造中发现缺陷,有利于提升产品质量和生产效益。X射线检测可以使焊缝内部缺陷显现在底片图像上,由于焊缝射线图像评定具有较强的复杂性,因此以往采取的传统检验人员凭借经验对焊缝图像进行评定的方式进行焊缝的质量检测效率相对较差,且存在局限性,因此需要以卷积神经网络为基础形成一种焊缝X射线图像智能识别方法,能够提高检测效率与检测精度,进而达到预期的检测目标。

基于改进卷积神经网络的可见光通信系统信道估计方法

为了提升可见光通信系统的通信质量,开展了基于改进卷积神经网络的可见光通信系统信道估计方法研究。首先,建立可见光通信系统信道模型,获取信道增益、LED限制带宽、频域响应的模等参数。其次,从可见光通信系统导频分布与导频间隔两个维度,设计系统导频结构,准确得出系统发送端想要传输的信道信息。利用改进卷积神经网络,开展可见光通信系统信道估计,求解信道估计结果。实验结果表明,该方法的信道估计误码率不存在大幅度波动,最高不超过0.5%,信道传输效果较好。

基于卷积神经网络的无线通信网络通信抗毁节点优化方法

由于无线通信网络中的节点经常受到恶意攻击,抗毁节点优化方法缺乏灵活性,导致增加网络攻击性时无线通信网络的抗毁性值低的问题。针对上述问题,提出基于卷积神经网络的无线通信网络通信抗毁节点优化方法。通过控制网络抗毁节点的数量确保网络的稳健性,利用先进的特征提取技术,从无线通信网络中提取出关键的网络特征。引入卷积神经网络对抗毁节点进行分类,通过训练网络来识别不同节点在通信过程中的稳定性和重要性。最后,根据分类结果部署中继节点实现抗毁节点的优化,通过合理的中继节点部署策略,提高网络的连通性和容错能力,确保在节点失效或遭受攻击时,网络仍能保持稳定的通信能力。实验结果表明,该方法具有灵活性,在网络攻击比例较高的情况下,无线通信网络的抗毁性值仍然保持在一定较高的水平上,保持网络的稳健运行。