基于深度残差网络的双阶段视频显著性检测

为了进一步推进视频显著性检测的研究,提出一种以深度残差网络和U-net为基本结构的双阶段视频显著性检测方法。用静态图像和视频序列训练第一阶段模型来分别提高模型对于空间特征和时序特征的学习能力;通过调整基本结构的输入端,融合连续三帧视频序列以及第一阶段得到的显著图作为每次的输入来训练第二阶段的模型,增强模型学习的时序特征;融合周期性学习率,使得学习率周期性变化,保证模型在训练的每个阶段可以利用到最佳学习率,以此更好更快地达到收敛。实验表明,该方法在两个公开视频数据集上的检测效果均超过了当前主流的方法,检测精度更高,鲁棒性更好。

接触疲劳剩余寿命预测模型构建及验证

接触疲劳是轴承、齿轮等基础零部件失效的主要原因之一。针对现有的接触疲劳寿命预测模型应用局限性较大,难以处理海量、高维数据等问题,文中研究基于数据驱动技术的接触疲劳剩余寿命预测模型。首先,综合考虑相关性、单调性和鲁棒性3个评价指标,构建了退化敏感特征选取函数,通过多目标优化实现了与接触疲劳剩余寿命相关性最强的特征子集的自动选取;其次,为实现基于Spark的并行化计算,着重从模型结构设计、学习率算法、弱化权重作用、并行化策略等方面对BP神经网络模型进行了有效改进,构建了Spark平台下基于优化BP神经网络的接触疲劳剩余寿命预测模型。公开数据集验证结果表明:基于多评价指标的退化敏感特征选取方法是可行的,所构建的接触疲劳剩余寿命预测模型是有效的。研究成果对于探索大数据背景下寿命预测的方法与途径具有一定的参考意义。

Spark平台下基于优化BP神经网络模型的接触疲劳剩余寿命预测

针对海量监测数据背景下传统方法难以实现对机械装备/零部件状态的可靠诊断与预测等问题,以自主研发的滚动接触疲劳试验装备为依托,提出了一种Spark平台下基于优化BP神经网络模型的接触疲劳剩余寿命预测方法。引入基于指数衰减的周期性学习率改进BP神经网络优化模型,结合并行化技术构建了Spark平台下基于优化BP神经网络的接触疲劳剩余寿命预测模型。结果表明:基于Spark的优化BP神经网络模型能够实现剩余寿命预测,相比传统BPNN模型和SVR模型,预测精度分别提高了4.67%和9.18%,均方根误差分别降低了0.122和0.708,且模型具有更快的收敛速度。