基于BP神经网络的高分辨率海底地形跨层生成模型

为了满足海底地形的高分辨率需求及解决测量数据的有限性问题,基于多层前馈神经网络(back propagation,BP)和跨层网格生成策略,建立了兼顾海底区域地形整体特征和局部地形信息的海底地形跨层生成模型,实现对海底地形数据生成填充。以南海海底地形为例,通过误差对比、假设检验以及海底地形云图的图像清晰度对本文模型生成数据进行有效性验证。结果显示所建立的模型在保证与原始数据之间误差小和数据特征相同的前提下完成了对地形云图的图像清晰度的提升,并且结果优于传统克里金插值方法。本文分析结果可为地形数据相关研究提供参考。

基于小波降噪的神经网络盾构泥水分离系统参数预测方法

泥水盾构穿越复合地层时,掘进控制参数和泥水分离系统参数往往出现大幅波动,影响施工安全和掘进效率。为提升施工过程的安全稳定性,实现异常工况预测,依托望京隧道盾构工程,针对地层状况采用筛分、双旋流、离心/压滤固液分离协同控制技术,采集盾构机掘进参数(掘进速度、刀盘转速和总推进力等)和泥水分离系统运行参数(进浆量、进浆密度和进浆黏度等),通过Cook距离离群检测和小波阈值去噪处理提升数据质量;以双旋流分离密度比值、黏度比值等12个参数为输入,排浆量、排浆密度和排浆黏度为输出,建立BP神经网络泥水分离系统参数的预测模型,并选取3个不同地层环段进行预测对比分析。预测结果表明:预测平均绝对误差均在5%以内,该预测模型在复合地层下仍具有较高的准确性。

基于高分辨率卷积神经网络的皮肤常见肿瘤智能诊断模型构建

目的探究高分辨率卷积神经网络(HRNetW32)模型在皮肤常见肿瘤临床诊断中的应用。方法基于高分辨率特征提取皮肤常见肿瘤智能诊断模型,利用HRNetW32模型,实现统一输入皮肤常见肿瘤皮肤镜图像,自动预测皮肤常见肿瘤类型的诊断结果;同时将构建的模型与VGG16、VGG19、ResNet34等常见卷积神经网络模型进行对比分析。结果HRNetW32模型在训练集和验证集准确率分别为99.72%和95.00%,损失函数值分别为0.15和0.21,表明所构建的模型能准确高效地提取皮肤常见肿瘤皮肤镜图像的高维特征。同时HRNetW32模型表现出了优于VGG16、VGG19、ResNet34模型的精确率、召回率、Micro F1分数、灵敏度、特异度、真正率和假正率。结论HRNetW32模型可用于常见皮肤肿瘤筛检,且诊断准确率较高,具有较高临床诊断价值。

基于卷积神经网络的超分辨率格子Boltzmann方法研究

对于隧道突涌水、飞行器和汽车外形设计等与流动相关的问题,通常使用计算流体力学(CFD)来预测流场特征和分析结构性能,为设计的快速迭代提供技术支撑.然而,高精度CFD仿真需要大量的计算资源.近年来,基于机器学习的超分辨率流场重构方法在流体力学领域取得了重大进展.本文首次基于格子Boltzmann方法(LBM),结合卷积神经网络,建立新的超分辨率流场重构模型(SRLBM),将介观分布函数从低分辨率重建至高分辨率,进而还原宏观速度场与涡量场.首先,使用LBM模拟了不同雷诺数下的二维圆柱绕流,从多方面与文献进行对比,验证了LBM的准确性.然后,将二维圆柱绕流数据作为SRLBM的训练集,并对比不同缩放系数下SRLBM的重建效果.结果表明,SRLBM在不同缩放系数下均能准确恢复高分辨率分布函数.在8倍缩放系数下,相比双三次插值重建方法,SRLBM重建的分布函数误差降低了近60%,宏观场误差降低了近70%.即使在32倍缩放系数下,SRLBM还原的宏观场与直接数值模拟结果基本保持一致.固体体积分数作为额外输入通道可有效提高SRLBM的预测能力,在32倍缩放系数下,可使圆柱区域相对误差降低近40%.SRLBM具有一定的泛化能力,当缩放系数为8时,在一定雷诺数范围内重建的高分辨率流场误差小于3%.因此,SRLBM在经过充分训练后,具备成为高精度复杂流场快速重构方法的潜力.

基于卷积神经网络和Transformer的高效图像超分辨率重建

深度学习推动了图像超分辨率重建技术的显著进步,但复杂的操作导致计算和内存成本高昂,限制了其实际应用。为此,提出了一种新颖的算法,融合了Transformer和卷积神经网络,同时采用膨胀卷积和深度可分离卷积技术。在五个基准数据集上的实验证明,所提EHN模型能够高效提取超分辨率特征,在更少参数和推理时间下实现与现有方法相当甚至更好的超分辨率效果。特别地,在×2、×3和×4放大倍数下,EHN的推理时间仅为现有网络的18.4%、18.9%和20.3%,这一优势对于处理大量图像的场景至关重要,能够显著减少计算时间和资源消耗,提升整体效率。

结合小波与递归神经网络的低分辨率人脸识别

针对低分辨率人脸图像缺少有效信息而导致识别率较低的问题,提出一种结合哈尔小波与递归神经网络的低分辨率人脸识别方法。首先,通过深层网络直接预测小波系数,经过小波逆变换得到高分辨率人脸图像,可以有效地重建高频信息;其次,在卷积神经网络中加入递归模块,在增加网络深度的同时减少参数冗余,提升模型的映射能力;最后,提出一种优化的重建与感知损失融合方法,将小波系数重建损失与感知损失进行加权融合,用以生成有利于识别的人脸图像。基于公开数据集,对图像重建质量与识别性能进行了对比。实验结果表明,即使在极低的分辨率条件下(8×8,16×16),仍然能够重建出更加锐利的人脸图像。在此基础上,其识别能力优于目前领先的超分辨率重建算法。

小波去噪和神经网络相融合的超分辨率图像重建

图像重建是提高图像质量的关键技术之一,为了提高超分辨率图像的重建效果,提出一种小波去噪和神经网络相融合的超分辨率图像重建算法。首先采用小波变换去除图像中的噪声,提高图像质量,并获取网络训练所需的学习样本,然后采用神经网络对学习样本进行训练,并采用人工鱼群算法确定神经网络关键参数,最后对本文超分辨率图像重建算法有效性进行测试,并采用对比实验对其优越性进行分析。实验结果表明,本文算法可以取得理想的图像去噪效果,提高了图像的重建精度。

基于多分辨率学习的正交基小波神经网络设计

提出一种基于正交基函数的小波神经网络设计方法,采用多分辨率学习确定隐含层结构,并用收敛较快的阻尼最小二乘法训练权值.该方法可灵活调整隐含层结构,有效地克服神经网络中常见的过拟合和泛化能力差等问题.仿真结果表明该方法具有逼近精度高,泛化能力好,网络结构冗余度小,参数优化收敛快等特点.

基于多分辨率分析正交小波神经网络的紧急直流功率支援预测

紧急直流功率支援能在交直流系统受到大扰动后快速调制HVDC的直流功率,利用HVDC短时过载能力提高电网的暂态稳定性,因此如何利用广域信号实现紧急直流功率支援的在线预测意义重大。文中构造了一种基于多分辨率分析理论的新结构正交小波神经网络,并将其应用于云广特高压直流的紧急直流功率支援在线预测。该多分辨率正交小波神经网络采用正交尺度函数作为激励函数,能保证逼近函数表达式的唯一,收敛迅速。实验结果表明:该多分辨率分析正交小波神经网络能依据主成分降维后的输入数据准确并可靠地给出紧急直流功率支援控制量。

基于卷积神经网络的超分辨率失真控制图像重构研究

目的解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。

基于多分辨率小波网络-BP神经网络-D-S证据理论信息融合模型的直流系统故障诊断方法

直流系统接地故障检测中常用的低频信号注入法容易受到大电容接地、环网以及电流互感器故障和饱和等因素的影响。针对这种情况，引入多传感器信息融合的思想，提出了基于“多分辨率小波网络—BP神经网络—D-S证据理论”信息融合模型的故障诊断方法，以综合多个信息源对直流系统的接地故障进行诊断。对具有3条支路的直流供电系统进行的仿真分析表明，在上述情况下利用该方法可以有效诊断出直流系统的故障支路，具有较好的诊断效果。

基于小波多分辨率分析和RBF神经网络的刀具磨损状态识别

刀具磨损监测对于提高加工过程的精度和自动化程度具有重要意义。本文提出一种基于RBF函数神经网络的刀具磨损状态监测模式。该系统利用声发射传感器对切削过程进行监测,采用多分辨率小波分解技术从声发射信号中提取反映刀具磨损的特征向量,并输入RBF神经网络,实现了刀具磨损的自动识别。

基于BP神经网络的长距离分布式光纤传感高空间分辨率定位算法

为解决基于数字编码移相-积分测距系统中,因发送序列与本地序列之间的真实相位差非1 bit码长的整数倍而影响测量结果准确性这一问题,文中提出一种基于BP神经网络长距离分布式光纤传感高空间分辨率定位算法。该算法根据BP神经网络判断1 bit内细分程度并与传统算法相结合实现动态测距。实验结果表明,基于BP神经网络长距离分布式光纤传感高空间分辨率定位算法的长距离定位精度平均相对误差从0.23降低到0.035,弥补了空间分辨率与准确率受数字码本身局限性的问题,为大规模基础设施的长距离、高精度实时监测提供了可能。

基于改进神经网络的医院通信安全态势感知方法

针对医院通信安全态势感知不及时,易导致医院信息系统重要信息受到损害的问题,提出基于改进神经网络的医院通信安全态势感知方法。使用基于小波消噪的通信信号去除噪声并保留关键信息,输入基于改进RBF神经网络的医院通信安全态势感知模型。利用花朵授粉算法完成改进RBF神经网络训练。通过径向基函数对输入数据进行非线性变换,将得到的权值进行加权求和,得到当前通信网络信号的安全态势预测结果。实验结果显示,应用该文方法的医院通信网络异常信息可在1 s内完成感知。

基于深度反卷积神经网络的图像超分辨率算法

图像超分辨率一直是底层视觉领域的研究热点,现有基于卷积神经网络的方法直接利用传统网络模型,未对图像超分辨率属于回归问题这一本质进行优化,其网络学习能力较弱,训练时间较长,重建图像的质量仍有提升空间.针对这些问题,提出了基于深度反卷积神经网络的图像超分辨率算法,该算法利用反卷积层对低分辨率图像进行上采样处理,再经深度映射消除由反卷积层造成的噪声和伪影现象,使用残差学习降低网络复杂度,同时避免了因网络过深导致的网络退化问题.在Set 5、Set 14等测试集中,所提算法的PSNR、SSIM、IFC这3项评价指标都优于FSRCNN,重建图像的视觉效果同样验证了该算法出色的性能.

基于Kohonen神经网络的图像超分辨率处理算法

提出一种小波变换、Bézier曲面插值和神经网络相结合的方法 ,并将该方法应用于图像处理中 ,对图像进行超分辨率处理 ,以提高图像质量 .首先将原图像作为低通部分 ,然后对小波分解后的相应高频子带进行 Bézier曲面插值 ,再对插值后的高频子带分别进行神经网络学习重建恢复各高频子带图像 ,以近似更高频的细节 ,最后通过小波逆变换获取比原图分辨率更高的图像 .模拟实验结果表明 :与小波插值方法相比 。

基于径向基函数神经网络的超分辨率图像重建

为了突破成像极限,经济可行地获取高质量的卫星图像,提出了一种基于径向基神经网络的超分辨率图像重建算法。以径向基神经网络为基础,依据卫星图像退化模型获取网络训练所需的学习样本图像,采用向量映射的方式加速网络收敛。其中,径向基函数的中心、宽度及网络的隐含层数、连接权值是决定径向基神经网络的关键参数,直接关系到网络的重建性能。采用最近邻聚类算法,动态地建立起基函数的中心及宽度,自适应地确定网络的隐含层数及连接权值。建立起的径向基函数神经网络显著地提高了图像重建性能和网络收敛速度(221s即可收敛)。仿真实验和泛化实验表明,训练好的径向基神经网络可以有效地进行卫星图像的超分辨率重建,效率高,误差小。

褶积神经网络高分辨率地震反演

随着地震勘探精细化要求的提高,薄层及横向变化大的复杂储层反演越来越重要。而当前反演方法大多基于褶积模型,分辨率较低。本文提出了基于褶积神经网络的反演方法,该方法完全由数据驱动,不受褶积模型的限制。褶积神经网络具有层状结构,其输入输出之间的映射关系用褶积算子来描述,而非内积算子。基于褶积神经网络结构,本文给出了映射算子的优化算法,并将其应用到地震反演中。应用结果表明,通过褶积神经网络地震反演,可以获得比常规稀疏脉冲反演分辨率更高的地层波阻抗剖面。

基于BP神经网络的超分辨率图像重建

针对卫星图像成像过程中成像装置存在极限,导致图像分辨率低的问题,提出了基于神经网络的图像超分辨率重建(neural networks super-resolution reconstruction,NNSR)方法。该方法利用误差反向传播神经网络(back propagation neural networks,BPNN)对样本图像进行学习和训练,利用图像退化模型获取学习样本,采用向量映射加速BP神经网络的收敛,充分融合了低分辨率序列图像中的冗余信息。通过对训练好的神经网络分别进行样本仿真实验和泛化实验,验证了这种图像超分辨率重建方法的有效性。

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。