基于麻雀算法优化神经网络的螺杆砂带磨削去除深度预测

目的准确获得螺杆转子砂带磨削材料去除深度,探究工艺参数对材料去除深度的影响。方法通过分析螺杆转子砂带磨削去除机理,确定材料去除深度影响因素。提出一种基于麻雀算法优化长短时记忆网络-卷积神经网络模型(SSA-CNN-LSTM),对螺杆转子砂带磨削加工中的材料去除深度进行预测。以磨削中影响材料去除深度的因素为输入,磨削深度为输出,构建利用SSA对CNN-LSTM超参数进行寻优的预测模型,并且与CNN-LSTM、LSTM、PSO-BP、RBF以及随机森林预测方法进行对比。结果所提预测方法平均绝对百分比误差MAPE可达0.0461,均方根差RMSE为9.261,平均绝对误差MAE达7.836,确定系数R^(2)为0.9974,相比于未优化CNN-LSTM网络和其他经典网络模型,预测精度更高,能够有效预测螺杆转子磨削材料去除深度。利用提出的模型探究了磨削工艺参数对材料去除深度MRD和材料去除一致性的影响。由预测结果可知,螺杆转子砂带磨削材料去除深度随法向压力、砂带线速度增加而增大,随进给速度、砂带目数增加而减小,且受法向压力影响最明显。通过对磨削前后工件廓形进行分析可知,材料去除深度随磨削区域受到的法向压力呈现中间磨削深度大、两侧逐渐减小的趋势。结论提出的预测模型预测效果显著,分析了工艺参数对磨削材料去除深度和去除一致性的影响规律,可为其他类型的加工轮廓预测提供参考。

基于价值评估的废旧产品拆卸序列与拆卸深度决策

为解决拆卸序列规划(disassembly sequence planning,DSP)中存在的复杂模型构建难题、组合爆炸以及拆解深度决策不合理等问题,提出了一种基于知识图谱属性图模块化的改进方法实现废旧产品拆卸信息的获取,并提出了一种基于剩余回收效益评估的拆解序列与拆解深度综合决策方法。首先,通过分析废旧产品的拆卸特征以及产品内部零部件的信息和拆卸联接关系,构建支持拆解的模块化属性图模型;[JP2]其次,采用组合赋权及改进的TOPSIS灰色关联分析法构建了零件回收综合评价模型的多属性决策模型,对产品综合内部零部件剩余回收效益进行排序;再次,提出了基于改进遗传-粒子群算法的完全拆解序列生成方法,并结合剩余回收效益值进行废旧产品零件的拆解深度决策。以废旧汽车动力电池包为例对上述模型和方法进行了验证,证明了该方法的可行性和高效性。

基于改进深度Q网络的无预测风电场日前拓扑优化

风电场受风速变化等因素影响,出力易产生大幅波动,从而造成电压波动和网损增加等问题,影响风电场的安全高效运行。目前的风电场日前调控方案多基于传统的数学优化模型展开,且需要风机的日前出力预测数据,故无法完全避免的日前预测误差的引入造成日前优化调控方案有效性的降低,增加了日内风机调控的难度。因此,文中充分发挥强化学习模型的决策能力,提出了一种基于改进深度Q网络(DQN)的无预测风电场拓扑重构决策方案,并以DQN为框架展开。首先,构建基于历史数据的状态空间;然后,提出基于生成树的动作价值对解耦的动作空间优化方法,以最小化电压偏差和网损为目标建立优化评价体系,完成由历史实际出力数据到决策的映射关系构建,在避免引入预测误差的情况下实现风电场日前优化调控;最后,设计一种基于多层次经验指导的经验回放策略,提升算法的训练性能,保证算法的适用性。根据实际的风电运行数据进行仿真,通过对比分析改进技术对DQN算法的影响和优化调控前后风电场的运行状态,验证了所提方法的创新性和有效性。

深度学习图像重建算法(DLIR)对能谱CT多参数图像质量改善的体模研究

目的 探讨深度学习重建算法对能谱CT多参数成像单能量图像、有效原子序数图、碘水图、水碘图图像质量的改善。方法 选择一个20cm直径的圆柱形聚丙烯体摸,在内部放入九支试管,试管中分别装入(3.75、7.5、15、30mg/mL)不同浓度及(18m m、10m m、2 m m)不同管径的碘对比剂及水和钙溶液,利用GE APEX CT进行能谱扫描,将扫描完成图像分别利用FBP、40%ASIR-V及深度学习(低DLIR-L、中DLIR-M、高DLIR-H)重建出五组图像。采用后处理软件分别重建出70keV单能量图像、基物质图(碘-水图、水-碘图)及有效原子序数图。对浓度为3.75 mg/m L、15 mg/mL及Water三支试管进行数据分析。在FBP、40%ASIR-V、DLIR-L、DLIR-M、DLIR-H五组图像测量70keV的CT值、碘-水图的碘浓度、水-碘图的水浓度、有效原子序数及图像噪声,计算各图像的信噪比(SNR),对比5组图像质量的差异。结果5种重建算法下的图像在低浓度造影剂(3.75mg/mL)、高浓度造影剂(15mg/m L)及水试管内70keV的CT值差异均无统计学意义(P值均>0.05),有效原子序数、碘水图的碘浓度及水碘图的水浓度亦无明显统计学差异(P值均>0.05)。70keV、有效原子序数图、碘水图、水碘图的噪声及图像信噪比5组图像差异均有统计学意义(P值均<0.05),DLIR下的噪声值均较FBP及40%ASIR-V降低,图像信噪比提高(P值均<0.05),DLIR-H噪声最小,信噪比最高。结论 在能谱CT成像中, DLIR较FBP及40%ASIR-V在单能量图像、有效原子序数图、碘水图、水碘图的噪声降低,信噪比提高。

深度学习赋能波束管理:现状、挑战与机遇

随着载波频率的不断提高和大规模天线阵列的广泛部署,基于模拟移相器的波束赋形成为下一代无线通信的标志性技术之一。此时,波束管理被用于获取和维护基站和用户端具有最大接收功率的最优波束对,以保障可靠的无线通信服务。传统波束管理方法往往依赖于海量搜索。同时,传统数学模型无法全面的、准确刻画非线性的波束的内在关联和高维无线环境特征,因而难以取得令人满意的波束增益性能。近年来,得益于深度学习强大的自适应拟合能力,深度学习赋能波束管理得到了国内外广泛关注。本文总结了深度学习赋能波束管理的研究进展,并展望了未来的研究方向。首先,阐述了深度学习应用于波束管理的典型场景和潜在优势;随后,从空/时/频域切入,讨论当前深度学习赋能波束管理的主要研究路线和代表性工作;最后,面向更大规模的无线网络、更多元的波束管理功能和更鲁棒的深度学习模型,阐述未来的研究挑战与机遇。

基于微振动宽带相位运动放大与深度学习的输电线路索张力测量方法

索类构件在输电线路中广泛分布,其张力值及变化情况是影响输电线路本质安全的关键因素,因此也是输电线路工程施工及运维期间状态监测的重点。传统的索张力测量方法存在精度低、环境要求高、难以带电监测等问题,在输电线路中不具备普适性。提出宽带相位运动放大(broadband phase-based motion magnification,BPMM)与深度学习语义分割结合的图像张力测量方法,通过增强图像振动幅度,实现环境激励下输电线路索类构件微振动图像的放大。为去除BPMM算法对于振动视频处理后出现的噪音伪影问题同时提升识别精度,提出基于深度学习U-Net网络与水平集损失熵的联合分割方法来提取索类构件形心,实现了微振动像素变化量的准确拾取,进而通过频域分析得到自振频率并计算索张力。试验及工程应用表明:基于微振动放大的输电线路索类构件张力测量方法能有效识别环境激励下索微小振动变化,测得的索张力值与传感器测量值相比,误差在6%以内,实现了输电线路索类构件张力的高精度、非接触测量,解决了输电线路张力带电测量困难的问题。

基于多参数磁共振成像特征的深度学习预测直肠癌患者的BRAF基因突变状态

目的探讨鼠类肉瘤病毒癌基因同源物B基因(B-Raf proto-oncogene serine/threonine kinase,BRAF)突变状态与直肠癌患者生存率的相关性。本研究旨在评估影像组学模型预测结直肠癌患者BRAF基因突变情况的可行性。材料与方法对我院2020年6月至2023年6月确诊为直肠癌的患者病例资料进行回顾性分析,采用外显子测序鉴定BRAF基因突变状态。通过生存分析评估BRAF基因突变与直肠癌预后的关系。从260名接受多参数MRI的直肠癌患者中提取7388个特征模块,包括术前T1加权图像(T1-weighted imaging,T1WI)、T2加权图像(T2-weighted imaging,T2WI)和对比增强T1加权图像(contrast-enhanced T1-weighted imaging,CE-T1WI)。随后,基于卷积神经网络(convolutional neural network,CNN)构建了放射组学模型。通过受试者工作特征曲线(receiver operating characteristic,ROC)曲线、准确率、敏感度和特异度等指标评估模型效能。结果本研究共纳入89例BRAF突变患者和171例BRAF野生型患者。两组在肿瘤恶性分期、年龄、性别等临床特征上差异无统计学意义(P>0.05),但5年生存率差异存在统计学意义,BRAF突变组生存期低于BRAF野生型组(P<0.001)。所构建模型的ROC曲线下面积(area under the curve,AUC)为0.929,与病理结果一致性分析的Kappa统计量为0.87,表明模型具有较高的预测价值。结论基于CNN的放射组学特征模型在区分直肠癌患者BRAF突变状态方面表现优异,为未来无创筛查BRAF突变状态提供了新的研究思路。

协同治理视域下地方本科院校推进市校深度融合发展探索

行政区域之“市”与地方本科院校之“校”是相互联系、相互影响、相互制约的关系体。然而,由于不同主体发展理念、利益诉求与行为方式的差异性,制约着彼此之间深度融合治理体系的高质量发展。因而,地方本科院校市校合作关系要实现从表层融入向深度融合转化,需要协同相关主体的价值观与利益点,凝聚政产学研不同主体力量与资源,从理念革新、规划设计、路径优化等方面持续优化协同治理结构,增强各主体行动自觉与融合实效。

指向深度学习的“信息技术”课程单元教学设计研究

深度学习的目的在于发展学习者的高阶思维,让学习真正发生,是培养学生信息技术核心素养的必然要求。单元教学设计是提高一线课堂教学质量的有效方法,是促进学生深度学习的有效工具。指向深度学习的单元教学需要确定单元主题,制定单元目标,设计单元学习活动,制定评价体系。本文结合信息技术学科特点,构建指向深度学习的单元教学设计模型,结合高中“信息技术”具体教学内容进行探索实践,力求促进学生深度学习。

文化与科技深度融合语境下档案文献遗产“活化”的驱动因素、困境与对策

文化与科技的深度融合正由重要性认知向紧迫性战略转变,因此,从更高层面文化与科技的深度融合维度来思考档案文献遗产的“活化”变得尤为关键。档案文献遗产“活化”包含政府、技术、场景和市场四个主要驱动因素。然而,在实际进程中,档案文献遗产与科技的“双轮驱动”存在偏颇性,同时,科技固有矛盾也不断侵入并引发新问题。据此,提出激活驱动因素的关键引擎作用,深化“互促共进”有效途径和释放科技内在“向善”潜力的应对之策。

基于知识深度分级理论的护理心理学课程教学新思路

基于知识深度分级理论的内涵与优势和护理心理学课程现状分析,探索知识深度分级理论下护理心理学教学创新与实践,有利于护理心理学教学模式优化,为护理心理学教学提供新思路。

基于深度学习的水声信道估计技术

在水声通信中,传统的正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)系统需要大量导频数量和循环前缀以维持系统性能,严重浪费有限的频域资源。因此,利用深度学习辅助OFDM恢复失真的传输数据。具体地讲,利用改进的残差块提取和双向记忆接收信号。将自归一化网络(Self-Normalizing Network, SNN)与注意力机制结合,有效分配信道权重,以便系统更有效地利用信道资源,最小化信号失真。使用深度神经网络(Deep Neural Network, DNN)实现接收信号的分类,以准确地恢复接收信号。提出的ICANet(Improved Residual Network, Convolutional Neural Network and Attention Mechanism Self-Normalizing Network)模型可应用于由Bellhop软件生成的水声环境。仿真结果证明,与传统技术中的最小二乘法(Least Square, LS)以及现有的深度学习模型相比,所提出的模型在循环前缀受限的情况下可达到更低的误码率。

基于深度学习的水稻病害识别系统研究与实现

文章旨在基于深度学习技术构建一个水稻病害识别系统,提升对水稻病害的诊断精度及速度。通过生成式对抗网络对数据集进行增强,以提高模型在少样本条件下的泛化能力。在ResNet模型中融合注意力机制,增强模型对病害特征的捕捉能力,提高识别率。最后,基于Flask实现了一个Web水稻病害检测系统。

基于深度强化学习的游戏智能引导算法

针对传统游戏智能体算法存在模型输入维度大及训练时间长的问题,提出一种结合状态信息转换与奖励函数塑形技术的新型深度强化学习游戏智能引导算法.首先,利用Unity引擎提供的接口直接读取游戏后台信息,以有效压缩状态空间的维度,减少输入数据量;其次,通过精细化设计奖励机制,加速模型的收敛过程;最后,从主观定性和客观定量两方面对该算法模型与现有方法进行对比实验,实验结果表明,该算法不仅显著提高了模型的训练效率,还大幅度提高了智能体的性能.

基于英语学习活动观的深度学习可视化策略研究——以《多维阅读》绘本第六级Living in Space为例

深度学习的目标是培养学生的核心素养。文章结合具体案例,从依据英语学习活动观设计表现性任务,到根据任务呈现具有深度学习特征的评价工具,并最终输出学生深度学习的可视化结果三个方面,探讨基于英语学习活动观的深度学习可视化过程。

基于深度学习的“劳动教育”课程资源数据分析研究

随着人工智能技术的飞速发展,作为其核心分支,深度学习在教育领域的应用日益广泛。作为培养学生实践能力和社会责任感的重要环节,“劳动教育”课程资源的有效整合与分析对于提升教育质量至关重要。基于深度学习技术,文章对“劳动教育”课程资源进行了数据分析与研究。首先,构建了数据预处理、特征提取与选择、模型选择与优化、模型评估等深度学习模型;其次,利用该模型对“劳动教育”课程资源进行了分类、聚类和推荐。研究结果表明,基于深度学习的方法能够有效提高该课程资源的利用效率,为优化提供了新思路。

持续游泳训练模式下大鼠脑部miRNA的深度测序及其调控功能分析

目的:拟鉴定出持续游泳训练模式刺激下大鼠脑部差异表达的miRNA,从miRNA调控基因表达的角度进一步分析持续有氧游泳运动影响脑部功能的遗传应答机制。方法:将124只大鼠随机均分为持续游泳训练组(CST)和对照组(NC),建立大鼠持续游泳模型。分别构建两组大鼠脑部组织sRNA文库,通过Illumina Solexa测序平台进行高通量测序,使用EXPR_SIG 3.0程序对miRNA的表达进行差异性分析。采用实时荧光定量PCR(qRT-PCR)法检测两组组织中有显著差异的miRNA的表达水平。结果:两组样品共筛选出2419个已知miRNA,新预测miRNA共114个。与NC组相比,CST组鉴定出512个响应持续游泳训练而差异表达的miRNA,其中397个表达显著上调,115个表达显著下调(P<0.005)。通过靶基因预测发现,差异表达的miRNA参与了脑部362个基因的表达调控。结论:持续有氧训练可使大鼠脑部miR-379-5p、miR-139-3p、miR-125b-5p、miR-30e、miR-128、miR-101等多个miRNA出现显著差异性表达,差异表达的miRNA靶基因可涉及脑细胞的多种代谢调节功能,但具体调控机制及其在疾病防治中的作用还有待进一步验证。

深度学习在医学图像分析中的应用

作为医学领域中非常重要的技术手段,医学图像分析技术可以实现对病灶的定位、分割及定量分析,从而为医生提供更加准确、可靠的诊断和治疗方案。文章介绍了深度学习在医学图像分析中的应用流程,包括数据收集、预处理、模型选择、训练和应用等。U-Net与MaskR-CNN等深度学习模型被广泛应用于医学图像分析任务中,通过对其进行迭代与优化,能够自动提取和学习医学图像中的特征,从而提高模型的性能和泛化能力。当前,医学图像分析技术面临诸多挑战,但随着技术的不断发展,将为医学诊断和治疗提供更加精准、高效的技术支持。

基于深度学习的农田害虫图像识别系统的设计与实现

农田害虫防控是一项争分夺秒的挑战,一旦农作物受到了病虫害的侵袭,产量和经济效益都会降低。结合深度学习与目标检测框架Faster R-CNN,提出了一种基于深度学习的农田害虫识别模型。在对现有害虫识别研究进行梳理后,本文对卷积神经网络和深度残差网络进行了详细介绍,并在此基础上搭建了害虫识别模型。首先,建立了一个包含多种害虫类别的大规模数据集,然后设计了适合该模型的评价指标和损失函数,最后完成了算法的实现和实验。结果 表明,本文提出的模型能够准确识别出农田中各种害虫,具有很高的实用价值。所构建的害虫识别模型可应用于农业生产实践中,为农业害虫的防治提供技术支持。

基于嵌入式平台的深度学习人脸识别关键技术研究

为了进一步加大人脸识别技术的普及与扩宽应用,人脸识别算法部署到计算资源有限的嵌入式设备成为热门的问题。因此,通过优化深度学习模型、压缩网络结构和提升嵌入式设备的计算效率,可以实现快速、准确的人脸识别,为信息安全和智能化应用提供有力支持。