-
题名基于深度神经网络的船舶系泊受灾预报研究
- 1
-
-
作者
张庆丰
陈明
麻云平
李楷
-
机构
大连理工大学船舶工程学院
-
出处
《应用科技》
CAS
2024年第3期15-22,共8页
-
基金
国家自然科学基金资助项目(51509033)
中央高校基本科研业务费资助项目(DUT19JC51).
-
文摘
为避免船舶系泊于码头时遭受恶劣海况而发生的缆绳断裂等问题,通过深度神经网络建立了系泊受灾预测模型,来快速获得系泊船舶所有系泊缆绳的受力。模型输入特征数量为11个,涵盖风、浪、流、涌、船舶吃水及船舶系泊方式等基本参数,输出特征为系泊系统中所有缆绳的受力。对模型的测试结果表明,相比于径向基神经网络,模型具有较高的预测精度,每组测试工况下的平均相对误差不超过10%。可将该模型用于在恶劣海况来临前对系泊系统的安全评估和风险分析,有助于相关人员及时采取应对措施,从而保证系泊系统的稳定性与可靠性。
-
关键词
码头系泊
缆绳受力
非线性回归预测
深度神经网络
批正则化
K折交叉验证
径向基神经网络
安全评估
-
Keywords
port mooring
cable force
nonlinear regression prediction
deep neural network
batch normalization
K-fold cross validation
radial basis function neural network
radial basis function neural network
-
分类号
U662.3
[交通运输工程—船舶及航道工程]
-
-
题名结合图像增强和卷积神经网络的小麦不完善粒识别
被引量:9
- 2
-
-
作者
贺杰安
吴晓红
何小海
胡建蓉
卿粼波
-
机构
四川大学电子信息学院
中储粮成都储藏研究院有限公司
-
出处
《计算机应用》
CSCD
北大核心
2021年第3期911-916,共6页
-
基金
四川省科技计划项目(2018HH0143)
四川省教育厅项目(18ZB0355)。
-
文摘
针对实际应用场景下,小麦籽粒图像背景单一以及小麦不完善粒的不完善特征大多是局部特征而大部分图像特征与正常粒无异的特点,提出一种基于细节的图像增强(IE)的小麦不完善粒识别方法。首先,使用交替最小化算法约束原图在水平方向和竖直方向的L0范数来平滑原图作为基础图层,并用原图减去基础图层得到图像的细节层;然后,突出细节层后将其与基础图层叠加以增强图像;最后,将增强后的图像作为卷积神经网络(CNN)的输入,使用加入了批正则化(BN)层的CNN对图像进行识别。分别以经典分类网络LeNet-5、ResNet-34、VGG-16和在其中添加BN层的这些网络作为分类网络,增强前后的图像作为输入来进行分类实验,并以测试集准确率评估性能。实验结果表明,三个经典分类网络均在添加了BN层后而使用相同输入时的测试集准确率提高了5个百分点,在使用细节增强后的图像作为输入时三个网络的测试集准确率提高了1个百分点,以上二者联合使用时三个网络均获得超过7个百分点的测试集准确率提升。
-
关键词
小麦不完善粒识别
卷积神经网络
L0平滑
图像增强
批正则化
分类
-
Keywords
imperfect wheat kernel recognition
Conventional Neural Network(CNN)
L0 smoothing
image enhancement
Batch Normalization(BN)
classification
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-