基于轻量化卷积神经网络的桥梁斜拉索PE护套损伤识别方法

深度神经网络和计算机视觉技术近年来在结构健康监测中发挥了越来越重要的作用。利用无人机航拍采集的桥梁斜拉索损伤图像数据,研究基于深度学习技术的斜拉索PE护套损伤识别方法。为实现在较低运算能力设备上对大跨度桥梁斜拉索表面局部损伤的智能快速识别,解决传统深度卷积神经网络的运算效率相对较低、模型参数规模较大的问题,提出轻量化处理的区域推荐型卷积神经网络模型。介绍区域推荐网络与其轻量化改进方法的理论基础,分析轻量化模型处理的必要性,其能在保证识别精度的前提下降低模型训练与预测的设备性能需求,达到节约计算资源与时间的目的;通过数据增广等多手段解决损伤样本数据量不足的问题,设置对比试验,统计分析结果,验证了轻量化神经网络模型的优越性。结果表明,轻量化网络在牺牲少量识别准确度的前提下,能够在较大程度上实现对模型复杂度与计算量的改进,在工程应用中能有效拓展神经网络的实用性。

基于学习矢量量化(LVQ)神经网络的医学生化分析系统

本文将医学生化分析转化为一个分类问题,提出了一种基于学习矢量量化神经网络的医学生化分析方法。该方法不须要进行样本颜色色空间转换,只需利用设备原有RGB颜色空间颜色值即可实现。将实验结果与颜色色差方法进行了比对分析,预测结果一致,将此方法用于医学生化分析是可行而有效的。

用学习矢量量化(LVQ)神经网络进行教师评估

针对教师评估中考评指标过多、评价工作复杂化问题,提出了一种基于LVQ神经网络的教师评估方法。利用Matlab神经网络工具箱进行仿真实验,结果表明,该网络具有结构简单,学习速度快、分类稳定的特点,用LVQ神经网络进行教师评估是可行而有效的。

基于学习向量量化LVQ神经网络的财务危机预警研究

应用学习向量量化LVQ神经网络方法,以近期14个数据作为财务危机预警建模样本和测试样本,建立了财务危机的预警模型,经过对样本的反复训练和学习,得到了较好的预测结果。研究结果表明:LVQ神经网络是一种非线性映射模式,在指标间相关度较高、呈非线性变化,或数据缺漏不全等情况下仍可得到比较满意的结果,因此是一种比较理想的预测方法,具有广泛的适用性和较高的推广价值。

结合概率型神经网络(PNN)和学习矢量量化(LVQ)算法的文本分类方法

针对文本自动分类问题,提出一种基于概率型神经网络(PNN)和学习矢量量化(LVQ)相结合的文本分类算法,该方法借助TFIDF方法提取文本特征及特征值,形成文本分类特征向量,利用概率型神经网络构建分类模型,并利用LVQ学习算法对神经网络模型竞争层网络进行学习,使相应模式向量相互靠拢,远离其他模式,从而实现文本分类.实验结果表明,提出的该方法在文本分类中表现了很好的效果,不仅具有很好的分类准确率,还表现出很好的学习效率.

基于学习矢量量化神经网络的交通标识识别技术研究

传统交通标识识别技术需要大量数据做训练且对输入数据的要求较高,导致识别结果误差较大,为此,提出基于学习矢量量化神经网络的交通标识识别技术。将预处理交通标识图像作为待识别数据集,构建学习矢量量化神经网络模型,输入待识别图像进行学习与训练后,输出交通标识类别的识别结果,实现交通标识识别。实验结果表明,所设计技术的交通标识识别率高达98.77%,验证了该技术的有效性与正确性。

基于对抗生成的轻量化红外图像增强网络

目前,红外成像技术在医学、安保、环境监测、军事探测等方面获得了广泛应用。然而,由于低成本红外成像设备的固有缺陷及大气环境对热辐射传导的影响,导致其采集的图像亮度较暗、细节模糊、对比度低,影响后续图像语义分析及目标检测识别等任务。传统基于模型的红外图像增强方法常需利用图像先验信息,模型参数与场景相关,模型泛化能力不强;基于深度学习的红外图像增强算法有助于增强红外图像质量,但结构冗余,不利于边缘端部署。生成对抗网络(GAN)可以通过判别器和生成器两个网络的轮流对抗训练显著提升红外图像增强效果,但网络训练参数量大,边缘端部署占用资源多,运算复杂度高。本文设计了一种基于对抗生成的轻量化红外图像增强网络,通过在GAN模型的基础上增加多层次特征融合结构并设计多尺度损失函数,提升了特征提取效率并减少了网络层数,在提升图像质量的同时提高了增强效率,利于算法的边缘端部署。实验表明,本文方法在同等参数量下,通过添加多层次特征融合结构和多尺度损失函数,兼顾了图像的全局和局部特征,保证了细节信息不丢失,在提高网络性能的前提下未明显增加计算复杂度;在红外图像增强效果相当的情况下,模型参数量降低75.0%,边缘端设备推断时间降低32.07%。

对学习矢量量化神经网络中“死”点问题的研究

竞争型神经网络已经在模式识别、分类等方面得到了广泛的应用,与传统的聚类方法相比具有巨大优势,但是在许多方面还存在不足,需要进一步完善。在Kohonen提出的学习矢量量化网络(Learning Vector Quantization Network,LVQ)的基础上,引入阈值学习规则,较好地解决了该类网络中遇到"死"点时训练误差偏大的问题,最后通过Matlab编程实现。

深度学习的轻量化神经网络结构研究综述

随着深度神经网络和智能移动设备的快速发展,网络结构轻量化设计逐渐成为前沿且热门的研究方向,而轻量化的本质是在保持深度神经网络精度的前提下优化存储空间和提升运行速度。阐述深度学习的轻量化网络结构设计方法,对比与分析人工设计的轻量化方法、基于神经网络结构搜索的轻量化方法和基于自动模型压缩的轻量化方法的创新点与优劣势,总结与归纳上述3种主流轻量化方法中性能优异的网络结构并分析各自的优势和局限性。在此基础上,指出轻量化网络结构设计所面临的挑战,同时对其应用方向及未来发展趋势进行展望。

基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别

水稻病虫害的发生会导致大量白穗的出现,对白穗和正常穗的区分是采取植保措施和灾害评估的基础。通过研究获取了由水稻二化螟和穗瘟造成的白穗和正常穗的室内光谱,选取红边斜率、红边面积、绿峰幅值和绿峰面积等4个高光谱变量作为输入向量,利用学习矢量量化(LVQ)神经网络对水稻白穗和正常穗进行分类。利用测试样本对网络进行测试,结果显示对白穗和正常稻穗的分类精度高达100%。研究表明,基于LVQ神经网络对水稻白穗和正常穗进行辨别的方法是切实可行的,可以补充和替代肉眼观测。

基于学习向量量化网络的指定颜色物体的识别

为解决计算机视觉中已知颜色属性的物体的识别问题,文章提出了一种基于HSV模型,以H、V参数特征值作为特征向量,应用基于LVQ学习算法的神经网络分类器进行颜色识别的的方法,很好地解决了指定颜色物体的识别问题。通过实验,对指定颜色的目标物体的识别效果比较理想,表明该算法是确实可行的。

学习矢量量化网络在油藏描述中的应用

由于在油藏描述领域中储层特性关系比较复杂,用传统方法进行油藏描述存在极大的局限性,为此提出运用学习矢量量化网络方法进行储层岩性识别。在学习矢量量化网络模型和学习算法分析基础上,运用该方法对某油井测井数据进行仿真试验。现场仿真试验结果与实际资料吻合较好,证明该方法在模式识别中具有较强的分类能力。与BP网络相比,学习矢量量化网络具有更明显的优越性。

一种基于学习向量量化神经网络的图象分割方法

基于视觉传感器实现道路信息的理解是目前移动机器人自主导航的重要研究方向,其中道路图象的正确分割是提取有效路径信息的关键。该文针对复杂、干扰因素多的室外环境下传统方法难以实现道路图象正确分割的问题,提出了一种基于LV Q神经网络的道路图象分割方法。该方法通过选取道路图象的归一化色彩分量为特征向量,应用基于LV Q学习算法的神经网络分类器进行道路与非道路识别;为解决环境噪声对神经网络输出的影响,本文设计了串行级联式四阶形态滤波器实现对神经网络输出的分割图象的滤波处理。通过对实测图象进行分割处理验证了该方法的有效性和鲁棒性,可用于室外环境下机器人的实时视觉导航控制。

基于学习向量量化神经网络的软件可靠性预测

针对传统的软件可靠性预测模型在实际应用中存在预测泛化性能不佳等问题,提出一种基于学习向量量化(LVQ)神经网络的软件可靠性预测模型。首先分析了LVQ神经网络的结构特点以及它与软件可靠性预测的联系,然后运用该网络来进行软件可靠性的预测,并基于美国国家航空航天局(NASA)软件数据项目中的实例数据集,运用Matlab工具进行了仿真实验。通过与传统预测方法的对比,证明该方法具有可行性和较高的预测泛化性能。

基于学习矢量量化神经网络的气固两相流流型识别

管流截面流型作为描述气固两相流的重要参数之一 ,极大地影响着两相流动压力损失和传热传质等特性 ,同时还影响着其他参数 (如流量、分相含率等 )的准确测量以及流动系统的运行特性。传统的检测方法由于难以获得能真正反映流型的管道截面局部分布的实时信息 ,在工业应用中受到了限制。有鉴于此 ,在光学层析成像技术的基础上 ,提出了一种基于学习矢量量化神经网络的气固两相流流型识别方法 ,详细介绍了这种网络的结构、学习算法、训练样本集的确定等。通过计算机仿真 ,实验结果表明此方法对于气固两相流的 8种流型能有较好的识别能力 。

基于提升小波变换与学习矢量量化网络的鉴别分析方法

提出了一种基于提升小波变换(LWT)和学习矢量量化网络(LVQ)相结合的鉴别分析方法。提升小波又叫作第二代小波,比传统的第一代小波变换更为快速有效,利用它的多分辨率特性,可以获取输入图像的低频信息并使图像降维。LVQ算法是在有教师状态下对竞争层进行训练的一种学习算法。LVQ网络结构简单,但却表现出比BP网络更强的有效性和鲁棒性。在ORL标准人脸库及现实人脸图像上的实验结果表明该方法具有很好的鉴别分析能力。

学习向量量化神经网络用于胃癌组织样品分类识别的研究

将lvq神经网络(Learn ing Vector Quantization Neural Networks)用于胃癌组织样品的分类识别,根据胃癌组织及相应正常组织的FTIR光谱的主要特征吸收峰值(包括vas(CH3)、vs(CH2)、δ(CH2)、v(C-O)、vs(PO2-)、vas(PO2-)和vs(核酸,细胞蛋白及膜脂))全部或部分作为网络输入向量,对未知的胃组织样品进行分类识别,结果显示:i)以上述全部七个谱峰为输入向量时,网络经训练学习后,其平均识别正确率最高(达89.3%),表明该网络对胃癌组织样品的分类识别是满意的,完全可作为临床医学的辅助诊断手段;ii)总体上,当作为输入向量的FTIR特征谱峰越多时,则网络的平均分类识别正确率越高;iii)作为输入的FTIR特征谱峰不同时,则网络的平均分类识别正确率也不同。

一种基于学习向量量化网络的垃圾邮件过滤方法

伴随着电子邮件的广泛使用,垃圾邮件泛滥成灾,严重影响了人们正常的学习、工作和生活。本文针对目前的垃圾邮件主要是由多种商业或政治性类别的垃圾邮件组成的特点,利用学习向量量化网络能把多个子类合并成一个复杂大类的特性,构建了一个反垃圾邮件的LVQ神经网络模型,我们对该LVQ网络模型进行了与其他算法的对比试验,试验表明它比基于贝叶斯公式算法和基于神经网络BP算法的过滤器有更好的性能。

熵约束广义学习矢量量化神经网络和软竞争学习算法

结合广义学习矢量量化神经网络的思想和信息论中的极大熵原理 ,提出了一种熵约束广义学习矢量量化神经网络 ,利用梯度下降法导出其学习算法 ,该算法是软竞争格式的一种推广 .由于亏损因子和尺度函数被定义为同一个模糊隶属度函数 ,它可以有效地克服广义学习矢量量化网络的模糊算法存在的问题 .文中还给出熵约束广义学习矢量量化网络及其软竞争学习算法的许多重要性质 ,以此为依据 。