基于深度学习神经网络技术的脊柱椎弓根螺钉自动规划研究

目的:针对骨科手术机器人螺钉手工规划效率低下的问题,实现基于CT的脊柱椎弓根螺钉自动、高效、高质量规划。方法:采用深度学习神经网络对标注分割和螺钉的CT图像进行有监督的机器学习,实现脊柱椎弓根螺钉的自动规划;本实验使用44例腰椎CT共440枚螺钉作为训练集,使用11例CT生成110枚螺钉作为测试集,以手工规划作为对照组,通过盲法专家评价评估螺钉规划效果,并通过记录规划时间评估规划效率。结果:该自动规划方法生成的螺钉规划临床可用率为95.4%,自动规划时间与平均手工规划时间分别为68.8 s和177.6 s。结论:该自动规划方法可初步实现高效、高质量的脊柱椎弓根螺钉自动规划,但仍需临床医生监督复核。

基于LSTM深度学习网络的分布动载荷识别

提出一种基于LSTM深度学习网络的分布动载荷识别新方法。首先,建立结构有限元模型并对载荷作用区域进行平面化和子区域网格划分,构建子区域上以形函数形式分布的动载荷和有限元模型节点动响应之间的传递关系,建立节点处应变动响应与对应子区域上分布动载荷的样本库;其次,利用Meyer小波对样本库中的时域样本进行特征提取,并基于LSTM深度学习网络训练子区域上分布动载荷与有限元模型节点应变动响应的传递关系;最后,开展了数值仿真研究,利用有限元模型仿真应变动响应识别了三维壁板结构表面的分布动载荷,验证了所提出方法的有效性。研究旨在为服役状态下壁板结构上动载荷环境预示提供技术支撑。

基于特征线性调制深度学习网络的馈线负荷构成特征识别

随着电网规模越来越大,结构越来越复杂,供电可靠性的要求越来越高,通过现场试验的方式获取电力负荷的动态特性变得十分困难。提出了基于统计综合法的思想,运用电力系统仿真软件,通过仿真计算的方式得出对应电力负荷的动态特性。为了获得馈线负荷构成比例识别所需的负荷数据库,建立了包含变频空调负荷、分布式光伏负荷、感应电机负荷以及静态负荷的电网模型,通过设置电压跌落,得到不同负荷情况馈线功率数据,建立馈线负荷数据库,运用基于特征线性调制的改进深度学习网络的方法挖掘负荷节点或馈线功率变化的特征,并对负荷构成进行识别。结果经过训练后,与传统BP神经网络进行对比,识别准确率达到99%以上,部分负荷可以达到99.6%以上,有着较高的识别准确度。

基于深度学习网络的近红外人脸表情识别

近红外人脸表情识别主要依赖图像局部特征,提取特征受到干扰时,人脸表情识别准确率低。因此,设计深度学习网络的新型近红外人脸表情识别方法。依托于图像局部优化保留法重建图像结构信息,得到降维后的近红外人脸图像。应用点分布模型检测出人脸上所有关键点,抽取出人脸表情识别的感兴趣区域,运用深度学习网络架构搭建人脸表情分类识别模型,通过调整识别模型的参数得到人脸表情的识别结果。实验结果表明:所提方法识别结果的Acc平均值达到了0.95,很大程度提升了近红外人脸表情识别准确性。

基于自定义深度学习网络双馈风机接入弱电网故障识别

针对双馈风机接入弱交流电网的故障检测问题,提出一种自定义深度学习网络框架下的故障识别和算法。首先采集实际系统的运行数据,通过归一化操作将其转化为零均值数据,然后用自定义深度学习网络训练数据集,形成预训练网络。同时模拟异常数据,输入至此前的预训练网络中,输出预测数据。根据预测数据和模拟异常数据计算出阈值,当预测数据和模拟异常数据差值绝对值超出阈值后,判断系统数据异常。仿真结果表明,所提方法能够比较准确地解决故障识别问题,可以被用于含双馈风机弱电网中故障检测。

考虑行为克隆的深度强化学习股票交易策略

为提高股票投资的收益并降低风险,将模仿学习中的行为克隆思想引入深度强化学习框架中设计股票交易策略。在策略设计过程中,将对决DQN深度强化学习算法和行为克隆进行结合,使智能体在自主探索的同时模仿事先构造的投资专家的决策。选择不同行业的股票进行数值实验,说明了所设计的交易策略在年化收益率、夏普比率和卡玛比率等收益与风险指标上优于对比策略。研究结果表明:将模仿学习与深度强化学习相结合可以使智能体同时具有探索和模仿能力,从而提高模型的泛化能力和策略的适用性。

基于多残差注意力深度收缩网络的超微光图像增强方法

超微光成像可在极度黑暗的环境中给观察者提供近乎白昼的视觉体验,在许多民用和军事应用中起着至关重要的作用。超微光环境下拍摄的图像和视频通常存在亮度与对比度极低、噪声水平高、场景细节和色彩严重缺失等固有缺陷,近年来,深度学习为超微光成像的研究带来了新的机遇。文中采集并提供了一组实用性更强的超微光训练数据集,提出了一种多残差注意力深度收缩网络(Multi Residual Attention Shrinkage Network),以此实现了一种新的超微光成像方法。通过成功研制的小型化样机证实了该方法的工业量产前景。实现了基于通道注意力和空间注意力的残差内注意力机制,以及基于深度软阈值收缩的外注意力机制,不仅可以有效提取并还原极低照度环境下的图像细节信息,恢复场景真实色彩,而且可以有效去除此类环境下由成像设备感光不足带来的巨量噪声。实测效果显示该方法可对极低照度环境进行有效的增强且实时性高。通过与多种业界最新方法比较,文中方法在主观视觉体验以及客观参数两方面均表现更好。

基于深度学习网络的光通信系统非法入侵行为识别研究

为了检测多种光通信系统非法入侵行为,保障光通信系统运行安全,提出了基于深度学习网络的光通信系统非法入侵行为识别方法。采用光栅传感技术检测光栅传感器反射波长偏移量,感知光通信系统非法入侵行为频率特征信号。利用小波包分解方法将频率特征信号分解成多个频带后,提取各频带小波包能量,将其作为卷积神经网络输入。经小波包能量特征提取、处理、融合操作后,通过Softmax分类器完成光通信系统非法入侵行为数据特征的分类,实现光通信系统非法入侵行为识别。实验证明:该方法可迅速挖掘出光通信系统中非法入侵行为的时域、频域特征信号。所提取小波包能量可准确反映光通信系统中非法入侵行为特点。该方法可实现多种光通信系统非法入侵行为精准识别,助力管理人员针对入侵行为做出对应防御措施。

基于深度学习网络的机器人定位误差估计与补偿研究

为了合理补偿机器人定位误差,提升作业能力,该文提出基于深度学习网络的机器人定位误差估计与补偿方法。确定机器人定位采样点,获取机器人末端定位理论位姿,以机器人末端理论位姿作为深度神经网络输入量,机器人末端定位误差作为输出量,利用遗传粒子群算法优化权值与阈值,得到机器人定位误差估计值,并对理论位姿坐标反向迭加该误差估计值,完成定位误差补偿。实验证明,该方法能够有效补偿机器人的位移偏差和关节角度偏差,精准抓取目标物体,并在不同数量采样点条件下,可使不同类型的机器人保持较高的定位精度。

一种机械臂电机故障时频尺度诊断方法——基于深度学习和激光多普勒测振技术

机械臂电机振动信号的采集效果较差,影响时频特性分析过程,导致故障诊断效果与精度较差,为此提出基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法。使用激光多普勒测振技术与小波阈值去噪算法,建立机械臂电机振动信号采集系统,获取并重构故障信号;提取电机振动信号的时域、频域等尺度特征,引入人工神经网络建立一个具备学习能力的故障诊断模型,将提取的机械臂电机故障时域、频域等尺度特征输入诊断模型中,输出分类诊断结果,即可完成机械臂电机故障时频尺度诊断。结果表明:利用该方法开展电机故障诊断时,检测结果与实际电机故障类型之间偏差较小,诊断效果好、精度高。

基于深度强化学习的测井曲线自动深度校正方法

针对传统测井曲线深度校正需要手动调整曲线,而对于多口井的深度校正工作量巨大,需要大量人工参与,且工作效率较低的问题,提出一种多智能体深度强化学习方法(MARL)来实现多条测井曲线自动深度匹配。该方法基于卷积神经网络(CNN)定义多个自上而下的双滑动窗口捕捉测井曲线上相似的特征序列,并设计一个智能体与环境的互动机制来控制深度匹配过程。通过双深度Q学习网络(DDQN)选取一个动作来平移或缩放测井特征序列,并利用反馈的奖励信号来评估每个动作的好坏,以学习到最优的控制策略达到提升深度校正精度的目的。研究表明,MARL方法可以自动完成多口井、不同测井曲线的深度校正任务,减少人工干预。在油田实例应用中,对比分析了动态时间规整(DTW)、深度Q学习网络(DQN)和DDQN等方法的测试结果,DDQN算法采用双网络评估机制有效改进了算法的性能,能够识别和对齐测井曲线特征序列上更多的细节,具有较高的深度匹配精度。

深度学习算法下的采摘机器人系统优化研究

为了实现苹果采摘的自动化,基于图像深度学习算法,对采摘机器人系统进行优化设计。首先,采用高斯滤波的方法,对摄像头采集的图像进行滤波处理;其次,在VGG16深度学习网络算法的基础上,增加区域推荐学习网络,进而减少识别样本容量,提高识别率;再次,采用单目视觉系统和激光测距器,实现目标苹果的图像坐标向实际空间坐标的转化,并采用双反馈系统实现采摘机械臂控制;最后,对系统进行测试。结果表明:系统具有良好的目标识别精度和机械臂控制精度。

深度学习驱动的液滴微流控单细胞分选系统

单细胞操作和分析对于研究许多基本生物学过程和揭示细胞异质性至关重要,并且在生物医学领域具有巨大的应用潜力。液滴微流控技术在单细胞分析方面具有显著优势。研制了一种深度学习驱动的液滴微流控单细胞分选系统,主要以液滴内所包含的生物样本种类以及数量作为标准分选目标液滴。根据实验需求制作好相应生物样本的数据集,在服务器上训练好对应的网络模型,并将该网络模型转移到NVIDIA Jetson TX2开发板上,利用该网络模型对实验过程中拍摄到的液滴图像进行实时检测判断,最后根据算法对包含特定物质的液滴进行分选,从而得到目标液滴。此方法能够有效地判断并分选出液滴内图像特征有差异的不同生物样本,可以实现对包含单个及2个细胞液滴的分选。该研究为液滴微流控单细胞分选技术在生物学和医学等领域的广泛应用提供了支撑。

基于改进深度学习网络的音乐风格分类模型优化方法

采用目前方法对音乐风格进行分类时,没有对提取的特征和进行融合处理,导致分类有效性差、时间复杂度高。对此基于改进深度学习网络提出一种音乐风格分类模型优化方法。在音高、节奏和音色三个方面对音乐进行特征提取,并在D-S证据理论的基础上对提取的特征进行融合处理,将融合后的音乐特征输入改进深度学习网络,构建音乐风格分类模型,实现音乐风格的分类。实验结果表明,所提方法的分类F1值高、时间复杂度低、ROC曲线趋近于1。

基于深度学习的75种阔叶材微观辨识方法

【目的】对75种南美进口阔叶材提出微观图像辨识模型TimberIDNet75,为海关、进出口检疫检验以及从事木材鉴定研究的人员提供一种准确的多材种辨识方法。【方法】TimberIDNet75模型是包含1个输入层、4个隐含层的34层卷积层的中浅层神经网络。为尽量扩大感受野以提取更多图像特征,输入层采用13×13×256的卷积核,对每张图像提取256类特征,经激活、池化处理后作为输出。第1个隐含层采用2次卷积、激活后再进行残差修正,称作“两卷一修正块”。第1个隐含层包含3个“两卷一修正块”,提取256类特征作为输出。第2个隐含层包含4个“两卷一修正块”,再次提取512类特征作为输出。第3个隐含层包含6个“两卷一修正块”,对上一层的输出进行特征提取,获得1024个类的特征。第4个隐含层包含3个“两卷一修正块”,对第3层的输出进行特征提取,获得2048个类的特征,经全局平均池化后输入到全连接层映射出75个树种的分类。【结果】TimberIDNet75模型的准确率达99.4%,损失值为0.044。将TimberIDNet75模型与现阶段较先进的深度学习模型进行比较,ResNet模型的准确率为98.1%、VGGNet模型的准确率为97.1%、GoogleNet模型的准确率为96.2%、AlexNet模型的准确率为94.7%、ViT模型的准确率为53.2%,TimberIDNet75模型的准确率相比其中准确率最高的ResNet模型提高1.3%。利用TimberIDNet75模型对随机获取的75种进口阔叶材微观解剖样本进行实际测试,样本全部准确辨识,准确率达100%。【结论】TimberIDNet75模型中的“两卷一修正块”,在节省机器资源的同时,可消除模型梯度下降导致过拟合的问题,同时利用残差法使得模型训练时人工干预降至最低,准确率和效率大幅提升。

基于双深度Q学习网络的面向设备负荷稳定的智能车间调度方法

在车间管理中,设备负荷是一个关键性能指标,负荷稳定直接影响了生产效率与生产成本,但目前鲜有研究关注如何实现设备负荷稳定的问题。为此,提出一种面向设备负荷稳定的智能车间调度方法。该方法通过一个含有深度神经网络调度模型的调度智能体,分析车间生产状态与设备负荷间的相关性,及时输出满足期望目标的调度方案。针对深度神经网络调度模型,设计了一个基于双深度Q学习网络(DDQN)的深度神经网络调度模型训练器,其利用奖惩学习免监督地形成调度样本,借此对深度神经网络调度模型进行网络参数更新,实现模型自学习。所提方法在MiniFab半导体生产车间模型中进行了验证,证明了所提调度方法能实现对智能车间设备负荷的控制,从而保证车间整体设备负荷的稳定性。

基于神经网络同步学习的功率模块散热器拓扑优化快速迭代方法

随着功率模块集成化程度的提高,其散热结构优化已成为研发中的关键。拓扑优化可通过变换散热器形貌、结构来最大化地提升散热效果,因此受到了广泛关注。但在拓扑优化过程中,每步迭代均需要计算模块与散热器温度分布,占用较庞大的计算资源和计算时间。为加速传统散热器拓扑优化进程,在基于传统固体各向同性材料惩罚SIMP(solid isotropic material with penalization)散热器拓扑优化方法的基础上,提出一种嵌套神经网络NN(neural network)同步学习的快速迭代方法。首先,构建散热器基于编码器-解码器结构的NN预测模型,即基于散热器形貌迭代进化过程实现优化结构的快速预测;其次,将NN模型与散热器SIMP拓扑优化流程相嵌套,利用迭代过程中的中间形貌同步训练NN;最后,针对单芯片、两芯片模块结构,对比所提方法与传统迭代方法的拓扑优化结果,验证了所提NN同步学习方法的准确性和快速性。

基于特征学习的无线传感网络入侵行为检测方法

传统的机器学习算法在无线传感网络入侵行为检测中应用效果不理想,Recall(召全率)和F1-score(召全率与精准率的调和平均数)较低,针对现行方法存在的不足和缺陷,提出基于特征学习的无线传感网络入侵行为检测方法。利用时间戳马尔可夫模型对无线传感网络进行分段,实现对网络入侵数据局部特征编码,利用深度学习网络,学习网络入侵行为特征,对网络数据标签进行数值化和归一化处理,根据入侵特征对网络行为进行分类,识别检测入侵行为,以此实现基于特征学习的无线传感网络入侵行为检测。经实验证明,设计方法Recal在95%以上,F1-score在90%以上,检测精度较高,在无线传感网络入侵行为检测方面具有良好的应用前景。

基于深度学习的级联网络在PET/MR图像中前列腺癌自动检测与分割

目的:提出一种在镓68(^(68)Ga)前列腺特异性膜抗原(68Ga-PSMA-11)正电子发射断层扫描与磁共振(PET/MR)图像上进行前列腺定位与前列腺癌病灶分割的级联网络,以解决前列腺癌病灶分割中的难题。方法:收集医院收治的125例前列腺疾病患者的PET/MR图像数据,按照8∶2的比例分配训练集和测试集,采用五折交叉验证,分别训练基础网络、MR网络和级联网络3个网络。基础网络和级联网络的二级网络是学习T2加权成像(T_(2)WI)、弥散加权成像(DWI)、表观弥散系数(ADC)和PET的4种模态的语义分割(U-Net)网络;MR网络是仅学习MR的3种模态U-Net网络;级联网络的一级网络Faster-RCNN定位前列腺和精囊腺计算Dice系数值进行模型评估。结果:级联网络的Dice系数为0.76,基础网络和MR网络的Dice系数分别为0.73和0.62,结合分割结果视觉图,级联网络对前列腺癌病灶的检测更加准确。结论:级联网络相对于单个U-Net网络,可以更准确分割^(68)Ga-PSMA-11 PET/MR图像上前列腺癌病灶,为临床对前列腺癌的定位诊断提供便利。

基于深度学习和蛋白质语言模型的抗菌肽预测模型研究

针对目前已有抗菌肽(Antimicrobial Peptides,AMPs)预测模型的准确度(ACC)仍有待提高的问题,提出一种新的基于深度学习和蛋白质语言模型的抗菌肽预测模型DeepGlap,该模型分别采用两个蛋白质语言模型对抗菌肽序列进行特征提取,将提取的特征向量融合后输入由多层双向长短记忆网络(mBi-LSTM)、一维卷积神经网络(1D-CNN)和注意力机制组成的深度学习网络中,并进行性能评估与优化。结果表明:该模型的ACC、皮尔逊相关系数(MCC)和曲线下的面积(AUC)分别为0.739、0.489和0.81,优于已有抗菌肽预测模型的预测效果。