基于深度卷积神经网络的汽车图像分类算法与加速研究

在非法占用公交车道违规车辆等领域的边缘计算与识别中,针对基于深度卷积神经网络的图像物体分类算法模型算力需求大与边缘设备部署后有限资源的突出矛盾,如何设计边缘计算设备的加速单元以保证分类算法的精度与实时性具有重要意义。针对上述问题,提出一种基于深度卷积神经网络的公交分类算法,该方法在现场可编程逻辑门阵列上实现了公交车图像分类算法的加速。通过基于迁移学习方法对ResNet50预训练模型进行微调,采用嵌入式端的推理加速实现对模型的推理,并对FPGA加速方案进行推理部署实现。结果表明,该算法具有硬件配置灵活、信息处理加速快的优点,这为实现神经网络在嵌入式平台的高效、高速应用提供了有效解决方案。

基于LSTM人工神经网络的电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确性较低的问题,提出了一种基于LSTM人工神经网络的组合预测模型。分析了LSTM神经网络和其变体GRU神经网络在进行负荷预测时学习时序特征的独特优势,并以卷积神经网络作为负荷数据的特征提取层,结合GRU网络构建了组合模型,通过建立残差预测模型对结果进行修正。仿真结果表明,具有记忆功能的神经网络预测效果要优于ANN和SVM模型,且所提出残差预测模型的负荷预测平均相对误差约为1.79%,其准确性高于单一算法的负荷预测模型。

基于卷积神经ResNet50残差网络的岩石图像岩性识别研究

深度学习卷积神经网络算法广泛应用于岩石图像的岩性识别。结合卷积神经残差ResNet50网络,构建了岩石图像岩性识别模型,并依据定义的损失函数进行了网络模型的参数调优与验证;通过构建的识别模型对岩石图像岩性进行了预测,并根据识别结果进行了误差原因分析。研究表明:以深度卷积神经ResNet50残差网络为基础,按照训练集、测试集、验证集8∶1∶1的比例可以进行岩性预测模型的构建与参数调优,从而实现岩石图像的岩性预测;结合项目实例构建了黑云母花岗闪长岩、变质砂岩、石英岩、黑云母花岗岩等四种岩性的岩石图像岩性识别模型;模型的识别准确率,除构造节理发育的破碎岩体较低外,一般可达75%~90%;岩石图像识别结果的准确率受岩体构造裂隙发育及岩石图像质量影响较大,可以通过增加训练样本数量来提高识别结果准确率。

基于“分段-组合”残差神经网络的超声速氢气零维点火计算方法

受限于发动机燃烧数值模拟需要长时间超级计算机运行的问题,发展了一种基于“分段-组合”残差神经网络的氢气零维点火计算方法。以氢气零维点火算例为基础,基于自主研发的高超声速内外流耦合数值模拟软件AHL3D构建数据集。数据集中输入变量为超声速工况下的温度、压强及8种组分质量分数的初始状态值,输出变量为3000个时刻点的温度、压强及8种组分质量分数状态值。构建了一种“分段”训练、“组合”预测的残差神经网络框架。算法首先将高维输入数据进行降维训练,再将“分段”模型预测后的参数冻结形成“组合”模型。与氢燃料直接计算相比,实验结果表明“分段-组合”残差神经网络可显著提升计算效率,对于11组分29反应的反应动力学模型可获得9.13倍的计算加速比,均方根误差降到了7.85×10^(-5),氢燃料参数的预测精度都高于98%,计算效率及精度优于现有的神经网络燃烧计算方法。

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究

为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。

炼铜转炉吹炼终点的神经网络和自适应残差补偿组合预报模型

提出了基于改进的BP神经网络学习算法和自适应残差补偿算法的炼铜转炉吹炼终点组合预报模型 .利用某厂实际生产数据进行仿真运行的结果表明 ,本文建立的模型具有较高的预报精度和较强的实用性 。

BP神经网络修正灰色残差组合模型方法在油液光谱分析中应用的研究

提出了采用神经网络修正灰色残差组合模型对设备的磨损状态进行预测和诊断分析的方法。通过比较GM(1,1)模型、神经网络模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行油液光谱分析参数预测,可以克服单个模型所存在的不足。结果证明,该组合模型方法在预测中是可行的,预测的误差最小。

GM(1,1)残差修正的季节性神经网络预测模型及其应用

季节性时间序列具有增长性和波动性的二重趋势。灰色模型GM(1,1)能反映时间序列的总体变化趋势,但不能很好反映其季节性波动变化的具体特征,在模拟与预测季节性时间序列中有明显的局限性。文中介绍了季节性神经网络建立的残差修正模型。通过季节性神经网络模型对GM(1,1)的残差序列进行分析,提取其中的非线性成分作为预测时的补偿项,以进行残差修正,从而形成GMSANN叠合预测模型。实例表明,所建模型具有较好的适应性和预测精度。

具有自适应残差补偿的神经网络预报模型设计与应用

在对样本数据进行预处理的基础上,建立一个具有自适应残差补偿的改进BP神经网络动态预报模型,并对神经网络的学习参数进行自适应调整。将该模型应用于铜锍吹炼过程所需的氧气量进行预报。仿真结果表明,预报最大相对误差为3.97%,最小相对误差可以达到0.11%。该模型已应用于实际生产,具有精确度高、实用的优点。

基于残差神经网络的学生面部表情识别方法

传统学生面部表情识别方法耗时较长,为此提出基于残差神经网络的学生面部表情识别方法。首先,分析残差神经网络模型结构,用于检测图像中的人脸并定位其坐标;其次,训练基于MobileNet_v2神经网络模型的上课表情识别方法,并将检测到的人脸图像传入模型以识别上课注意力状态;最后,进行实验分析。实验结果表明,整个过程所需时间和资源占用量少于其他算法,说明该方法具有较高的实用性。

残差神经网络模型在木质板材缺陷分类中的应用

以虫眼、活节、死节3种缺陷的板材为研究对象,建立了小型样本库,采用数据增强方法,对图片进行旋转、平移、尺度变换、灰度变换等方式处理,使样本库扩容到10687张图片,其中7480张图片作为训练集、2137张图片作为验证集、1070张图片作为测试集;应用超分辨率测试序列(VGG)网络模型、谷歌网络模型(GoogLeNet)、残差神经网络模型(ResNet)对木质板材表面缺陷进行分类,依据分类精度,遴选识别效果较好的木质板材缺陷分类方法。结果表明:残差神经网络模型在不同的卷积层时分类精度均在80%以上,而改进的残差神经网络模型在模型结构为50层时的分类准确率高达98.63%,模型能较好地适用于木质板材表面缺陷分类。

神经网络修正灰色残差模型的交通量预测

通过比较神经网络、GM模型的预测结果,融合GM(GreyModel)模型与神经网络模型并构建组合模型进行交通量的预测,可以克服单个模型所存在的不足。结果证明,该组合模型在交通预测中是可行的。

基于非等时距加权灰色模型与神经网络的组合预测算法

非等时距预测算法在不等时间间隔序列的趋势分析与预测方面具有重要作用.在传统灰色预测理论的基础上,提出一种基于非等时距加权灰色模型和神经网络的组合预测算法.通过构建非等时距加权灰色预测模型,将原始数据序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,以真实反映时间序列发展对预测结果的影响.在此基础上,引入BP神经网络对灰色预测的残差序列进行修正,进一步提高了预测精度.经算例验证,该算法预测精度达到1级,且高于类似算法.

基于神经网络优化残差的灰色递阶模型在电量预测中的应用

为降低电网规划中电量预测误差,科学指导电网发展规划,研究了灰色递阶模型,通过模型参数的递推,使模型适用于规划态的长期预测。在此基础上,构建RBF神经网络对模型拟合残差进行非线性建模,修正模型预测结果。实例证明,该方法可有效降低预测误差,可为电力公司营销、发策、交易等多部门市场分析预测决策提供更加科学的决策依据,具有十分重要的意义。

基于非等时距加权灰色模型与神经网络的轨道不平顺预测

对轨道不平顺的发展趋势进行有效预测,可以提高铁路线路养护的维修效率,保障行车安全。根据轨道不平顺的发展特性,提出一种基于非等时距加权灰色理论和神经网络法的组合预测方法。该方法通过构建非等时距加权灰色预测模型,将原始TQI序列的平均值作为累加序列初值,将连续累积函数的积分面积作为背景值,对累加序列进行加权处理,较好地反映了时间序列对轨道不平顺预测结果的贡献。在此基础上,引入BP神经网络模型对TQI预测的残差序列进行修正,较好地克服了单一模型预测精度偏低的不足。分别对沪昆线上行两段线路的轨道不平顺进行预测,结果表明该预测方法相对误差平均值分别为2.76%和2.08%,预测结果的后验差比值分别为0.121和0.151,精度等级达到1级。

基于深度残差网络的道路标志识别模型构建及分析

道路标志识别是自动驾驶技术的重要依据,自动驾驶技术的高速发展对道路标志识别提出了更高的要求,对道路标志的识别具有重要的理论和应用价值。简单分析了道路标志识别的背景,介绍了卷积神经网络的网络结构和近年来取得较好识别效果的深度残差网络模型(ResNet),并提出了改进的ResNet18网络模型。使用德国道路标志数据集进行训练和测试,并与相关算法进行比较,证明该模型具有较高的识别精度和识别效率。

基于深度神经网络的力学场量代理计算模型研究

在深度学习技术的基础上,提出了一种结合深度残差网络和自编码器特征的深度神经网络代理模型;考虑到结构存在空洞或应力集中等局部场量变化急剧的情况,引入了注意力机制来强化深度神经网络对空间局部特征的描述能力。数值算例分析结果表明:在不同设计变量情况下,基于深度神经网络的代理模型不仅计算速度快,处理100个计算样本的耗时不到有限元软件的1.5%,而且能准确预测结构应力、应变等力学场量的大小与分布,平均相对误差小于2.5%,可以满足一般的工程应用要求。

融合深度神经网络特征的ARIMAX雾霾PM2.5预测

目前,雾霾污染问题是关乎国计民生的重大问题,它已经对人们的生产、生活、身体健康,以及生态环境和气候变化都产生了很大的影响。这样,如何通过监测雾霾变化获取的雾霾相关信息去准确预测雾霾污染物的浓度,以防治和减轻雾霾造成的严重后果变得尤为重要。因此,通过在简单有效的传统ARIMAX模型基础上融入深度神经网络语义特征,提出了一种新的雾霾PM2.5浓度预测框架。首先,把对雾霾预测有显著影响的气象因子温度、压力、相对湿度数据转换为图像数据;然后,运用ResNet-50(Residual Network-50)卷积神经网络模型提取深度语义特征,进而运用主成分分析(Principal Component Analysis,PCA)技术处理高维特征,得到最佳深度神经网络特征组合;最后,用ARIMAX技术建立雾霾PM2.5浓度预测模型。在收集的山西省2015~2019年PM2.5浓度和气象因子数据集上验证了该预测框架在皮尔逊相关系数(Pearson’s Correlation Coefficient,PCC)、均方误差(Mean Square Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)度量下,对于1、3、5和7天长短期预测,都始终优于传统的简单差分自回归滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型、三因素ARIMAX模型、多元回归模型、ResNet-多元回归模型、长短期记忆网络(Long and Short-Term Memory,LSTM)模型和支持向量机(Support Vector Machine,SVM)模型。

结合优化U⁃Net和残差神经网络的单通道语音增强算法

语音增强的目的是从带噪语音中恢复出干净的语音信号,为了解决现有深度神经网络中语音增强算法不稳定,语音增强效果不理想的问题,提出一种改进的U⁃Net网络与残差神经网络相结合的语音增强算法。首先,该方法构建了一个基于U⁃Net网络的端到端的语音增强模型;然后在该模型的编解码块中引入残差单元,将残差神经网络结构的跨层连接和拟合残差项应用到模型训练中,该方法更有利于恢复目标语音的细节特征信息,增强了模型训练的稳定性,提高了模型的特征提取能力和训练效率,改进后的Residual⁃U⁃Net网络模型能够实现更优的语音增强效果。仿真实验结果表明:与现有的其他几种语音增强方法相比,文中所提出的Residual⁃U⁃Net算法更有效地实现了语音增强,此外,该算法具有良好的去噪效果,进一步提高了语音信号的质量及其可懂度。

基于BP神经网络的时序残差GM(1，1)模型

本文针对灰度模型在原始数据序列波动较大时,预测精度较低的情况,提出了基于BP神经网络的时序残差模型.文中使用BP神经网络训练时序残差,再结合灰度模型,较好地提高模型精度和预测精度.此模型不仅适合于原始数据波动较大的序列,而且对非波动性数据序列也有很高的精度.