一种基于光流双输入网络的微表情顶点帧检测方法

微表情顶点帧蕴含着丰富的微表情信息,为了准确地检测出微表情顶点帧,本文提出了一种基于光流特征的神经网络分类,并利用先验知识规则进行取舍的检测方法.该方法针对固定滑窗大小内的图像进行光流信息提取,利用双输入特征提取网络对x,y方向的光流信息进行时空特征提取,并进行分类,经根据微表情先验知识所设计的取舍规则后处理后,改善了检测准确度.实验结果表明,在数据集CASMEⅡ上测试,顶点定位率(apex spotting rate,ASR)指标达到了0.945,F_(1)-score指标达到了0.925.

基于双输入输出卷积神经网络代理模型的油藏自动历史拟合研究

传统油藏自动历史拟合方法需进行多次计算耗时的油藏数值模拟,而深度学习代理模型可以实现高效且精度近似的油藏数值模拟替代计算。在基于深度学习代理模型的油藏自动历史拟合方法中,通常将采用油藏自动历史拟合方法进行调整的油藏不确定性参数作为深度学习代理模型的输入参数。现有的深度学习代理模型常为单一输入输出的神经网络模型架构,并未考虑油藏自动历史拟合方法需要对多个油藏不确定性参数进行调整,且需要训练多个深度学习代理模型以实现对油藏含水饱和度场分布及压力场分布的预测。为此,提出了一种基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法,将油藏渗透率场分布及相对渗透率参数作为输入,使用双输入输出卷积神经网络同时对油藏含水饱和度场分布及压力场分布进行预测,利用Peaceman方程计算产量,并耦合到多重数据同化集合平滑器(ES-MDA)方法中,对油藏渗透率场分布及相对渗透率参数进行反演更新,实现较为高效的油藏自动历史拟合求解。研究结果表明:双输入输出卷积神经网络代理模型在指定时间步的油藏含水饱和度场分布、压力场分布的预测精度均为93%以上。相较于传统油藏自动历史拟合方法,基于双输入输出卷积神经网络代理模型的油藏自动历史拟合方法避免了多次调用油藏数值模拟器的计算耗时问题,提高了拟合效率。

基于图形特征的双输入卷积神经网络风力机轴承剩余寿命预测

提出一种基于图形特征的风力机轴承剩余使用寿命(RUL)预测方法。首先,基于连续小波变换(CWT)对时域振动数据样本集进行预处理,得到用于预测的时频图形数据集。然后,采用双输入卷积神经网络(DICNN)从图形数据集中提取特征映射,用于构造高性能健康指数(DICNN-HI)来表征轴承各退化阶段的状态。最后,结合DICNN-HI,采用基于高斯过程回归(GPR)的分析方法进行RUL预测,并用PRONOSTIA滚动轴承数据集进行验证。结果表明,该方法具有较高的健康指数预测精度,能有效反映滚动轴承的劣化状态,有助于实现风力机轴承的RUL预测。同时,也可为其他旋转机械设备的剩余寿命预测提供重要的理论参考,具有一定的实用价值。

基于高维小波神经网络的热连轧板材质量模型研究

热连轧板材的生产要经过多道工序,影响板材质量的因素众多,且与板材质量之间是极其复杂的非线性关系.本文采用LVQ(Learning Vector Quantization,学习矢量量化)神经网络对热连轧板材的生产样本数据聚类,然后按照热连轧板材的生产工序构建基于双输入层高维小波神经网络的热连轧板材质量模型,将板材炼制的输入参数置于网络的第一输入层,将板材轧制参数置于网络的第二输入层.仿真结果表明,改进的模型拟合命中率达到92.3%,测试命中率达到84.5%,可以满足企业生产的需要.

基于MaxViT和改进几何特征点法的车载单目视觉测速方法研究

车载视觉测速技术作为自动驾驶车辆组合测速技术的重要组成,具有硬件成本低、算法拓展性强、低速下测量准确等特点,应用前景广阔。为进一步提高视觉测速算法在各类工况下的精度和鲁棒性,将几何特征点法在特征点充足时测速精度高和深度学习方法在多场景下测速稳定的优势进行结合,提出一种基于MaxViT和改进几何特征点法的车载单目视觉测速算法。该算法构建基于双输入MaxViT网络和改进几何特征点法的双通道,并行处理车载前视相机获取的连续3帧输入图像序列,滚动估计车辆当前速度,其中双输入MaxViT网络差异化提取图像不同区域的光流特征,估计当前速度所在的置信度为90%的速度区间,改进特征点法基于特征点运动计算当前速度估计值。当速度估计值落在双输入MaxViT网络估计的速度区间时,以该估计值作为实时车速测量值,否则以速度区间中值作为实时车速测量值。当算法迭代运行多帧后,将速度区间中值作为本帧速度输出以减小累积误差。使用6个车速小于40 km/h且包括加减速等工况与直弯道等场景的自建数据集进行实验验证,以理论测速精度0.1 m/s的GPS速度信号为参考速度,本文方法平均相对测速误差少于1.37%,最大相对测速误差少于6.13%。实验结果表明,提出的新方法有效提高了车载视觉测速精度与鲁棒性,可为多元车载视觉测速方法融合提供理论支撑。

结合人脸关键点与光流特征的微表情识别

微表情能反映出人们试图隐藏的真实情感,光流法进行微表情识别时,存在易受光照变化影响而使特征提取不准确的缺陷。针对上述问题提出一种结合人脸关键点与光流特征的微表情识别方法,该方法通过引入人脸关键点分支以忽略光照的影响,弥补光流法的不足,重点关注人脸关键位置的变化,最终建立一个人脸关键点和光流的双输入网络模型。该模型在CASME II和SAMM数据集上使用留一法交叉验证进行了实验,在CASME II上四分类准确率和F1值分别为69.19%和66.24%,相比基准微表情识别方法本方法准确率和F1值分别提升了6.05%和5.44%;在SAMM数据集上也优于现有方法,说明该方法与其他主流算法相比具有更好的识别性能。

木材干燥窑内判断传感器有效状态方法的研究

为了判断传感器的有效工作状态,提出了基于D-S证据理论和CMAC神经网络的信息融合方法。利用传感器在空间和时间上的冗余或互补信息,依据D-S证据理论,消除故障检测、诊断中的不确定性。采用模块化的小脑模型识别网络建立基本信任分配函数,具有最佳一致逼近特性,同时解决了D-S证据理论确定基本信任分配函数的困难和因输入参数改变影响信任分配函数构建的问题。仿真结果表明:该方法可以对木材干燥过程中传感器工作状态进行有效诊断。