目标检测模型的优化训练方法研究

针对基于深度学习的目标检测模型如何能更高效地训练问题,探究数据增强、类标签平滑、学习率优化和随机尺度训练四种优化训练方法对于检测性能的提升程度,并将其用于单阶段检测模型YOLOv3和双阶段检测模型Faster R-CNN。在PASCAL VOC数据集上进行训练测试,证明这些方法都能在一定程度上提高检测准确率,并阐释了各种方法提升准确率的原因。在MS COCO数据集上实验证明这些优化训练方法的泛化能力,能够更高效地训练目标检测模型。

基于DC-DenseNet的乳腺癌病理图像分类

乳腺癌病理图像的自动分类具有重要的临床应用价值。设计一种新颖的卷积神经网络模型(DC-DenseNet),该模型在DenseNet基础上将扩张卷积集成到密集块来实现多尺度的特征提取。此外,还提出一种新的学习率优化器,它不需要复杂的微调学习率就可以表现出优异的性能。对BACH数据集划分为良性、恶性、原位癌和浸润性癌四个类进行分类预测研究,并将所提的方法与AlexNet、VGG-19、DenseNet161模型进行综合对比。实验结果表明所提方法有效提高了乳腺癌的分类预测精度,在四个类上的平均识别率达到了94.10%。

多模型分层融合的配用电系统用户数据识别

针对配用电系统用户数据识别中特征选择困难和单模型分类精度不高的问题,本文提出多模型分层融合的识别方法。首先,设计多尺度联结的递归差分卷积网络对用户数据进行特征提取,使浅层融合的有效信息不会随着层数的增长而消失;其次,改进自适应学习率优化算法训练模型,增加模型分类性能;最后对6种基模型分层加权融合,以阈值划分层级,新定义混淆矩阵的错误样本数确定权值,有效克服了基模型适应度缺陷。融合方法在用户特征库的识别上获得99.43%的准确率,比传统卷积神经网络与加权融合方法的准确率分别提高0.53%、0.47%,实现了对用户数据的特征提取和高准确率识别,有助于提高配用电系统信息处理和智能决策水平,为电力需求侧用户服务和经营管理提供支撑。

基于长短期记忆神经网络的健康状态估算

当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。

飞机降落过程自适应控制仿真研究

研究飞机降落安全控制问题,飞机降落过程是飞行中最复杂、最危险的飞行阶段。系统存在高非线性和大气环境干扰的特点,并要求较高的实时性。为提高响应特性和抗干扰能力,提出了一种新的优化CMAC-PID并行自适应控制方法,和应用在6DOF非线性飞机的降落过程的研究中。在传统CMAC-PID并行控制的基础上,对CMAC网络学习率进行了改进,实现最优学习率的自适应控制,从而有效提高了CMAC控制器的在线学习速率。并利用遗传算法对CMAC-PID并行控制中的PID参数进行了仿真,使整个控制系统得到进一步优化。利用控制方法对6DOF飞机降落过程进行了仿真分析,结果表明所设计的控制方法具有良好的动态特性和抗干扰能力。