基于智能融合策略的冰铜品位预测模型

针对铜闪速熔炼过程中冰铜品位检测的重要性,根据多相多组分数学模型建立冰铜品位的机理模型;同时该过程具有大滞后、非线性等复杂特性,利用现场的大量生产数据建立模糊神经网络模型,并提出一种新的网络参数学习的受约束梯度下降算法,提高其参数学习效率。基于模糊逻辑的智能协调器根据实际生产条件融合两种模型的输出作为预测结果。工业数据验证表明,智能融合模型比单一模型更能有效地实现冰铜品位的准确预测,为铜闪速熔炼过程的优化控制提供有力的指导。

使用Lp归一化权重的红外目标检测网络压缩

针对红外图像相比于RGB图像纹理较少的特性,提出一种使用Lp归一化权重的红外目标检测网络压缩方法,旨在改进基于卷积神经网络的目标检测方法对红外图像场景的适应性,在压缩网络规模的同时提升其泛化能力。首先阐述了Lp归一化权重的稀疏性可以通过调节p进行精确控制这一现象。基于该现象,提出了一种目标检测网络稀疏化训练方法。该方法分别使用Lp球面梯度下降与经典梯度下降训练主干网络和检测器,以平衡网络规模与拟合精度。仿真红外数据集测试结果表明,其在网络规模和目标检测精度方面均优于稠密模型:在网络规模上,稀疏化方法将Faster R-CNN、(Single Shot multibox Detector,SSD)与YOLOv3的有效参数分别减少了52%、78%和66%;在检测精度上,稀疏化方法将Faster R-CNN、SSD和YOLOv3的(mean Average Precision, mAP)分别提高了0.1%、0.3%和0.2%,验证了所提出方法的有效性。