基于RISC-V的神经网络卷积算法的研究与优化

为加速嵌入式平台ARM CMSIS-NN上的神经网络卷积算法,提出一种面向开源RISC-V(精简指令级架构第五代)的卷积算法。采用RISC-V的P拓展指令集中特有的8位数据操作指令,优化ARM CMSIS-NN(微处理器软件接口标准)库中因为缺少DSP指令8位数据操作指令而带来的内存使用效率不高的不足。经实验仿真和下板验证,在蜂鸟E203 FPGA开发板上以16 MHz的时钟频率完成功能验证,与同等实验室实验情况下的arm-cortex-m3等设备相比,性能提升约12倍。

基于卷积神经网络算法的稀土酸度自动滴定技术研究

如今稀土产业发展迅速,市场需求越来越大,应用的范围也越来越广,需建立一个简便易操作且适用于测定各类稀土酸度的方法。目前传统稀土酸度检测方法存在效率低、准确度低、滴定终点差异大等问题,难以满足实时在线检测的需要。本文提出一种基于卷积神经网络算法的稀土酸度在线分析仪,可以助力在线检测的顺利进行。卷积神经网络算法是通过高清工业摄像头记录样品在滴定过程中的溶液颜色的变化,对溶液进行实时图像特征提取和学习,从而有效、准确地实现化学反应过程中溶液颜色的自动识别,配合步进电机和注射泵等部件实现自动滴定过程。图像识别本质上是对图像信息进行特征提取,而卷积神经网络算法有着传统识别方法不具备的优点,比如能够自行训练、识别速度更快、所需特征更少等。本仪器将自动滴定与卷积神经网络相结合,实现了滴定流程的自动化取样和前处理、滴定过程、终点判定等过程的一体化,且仪器能够同时进行五个样品的滴定试验,很大程度上提高了滴定效率和精度。

基于卷积神经网络算法的城市轨道交通施工人员不安全行为智能识别技术

[目的]施工人员的不安全行为是城市轨道交通施工事故发生的根本因素,传统的管理模式在约束人的不安全行为方面存在不足,因此需借助高精度定位技术和智能识别技术,从主观上消除事故隐患。[方法]介绍了城市轨道交通施工人员不安全行为的产生机理。结合UWB(超宽带无线通信)高精度定位技术、摄像机自标定技术及基于卷积神经网络算法的智能识别技术,搭建了具有定位、感知、识别、预警及通信功能的一体化智能管理平台。以安全帽识别为例,构建了安全帽识别拓扑流程图,对基于卷积神经网络算法的施工人员不安全行为识别的算法进行了测试。[结果及结论]测试结果表明,该算法可实现对施工现场未佩戴安全帽人员的识别,验证了该算法的准确性。该技术实现了对城市轨道交通施工人员不安全行为的智能识别预警。

基于气象观测数据建立卷积神经网络算法反演PM_(2.5)

利用扬州市气象观测站点和中国环境监测总站的逐小时数据估算PM_(2.5) 的各相关组合因子,然后利用CNN卷积神经网络算法构建反演PM_(2.5) 质量浓度的机器学习模型。结果表明:(1)利用CNN卷积神经网络算法反演PM_(2.5) 是有效且可行的,且比一般的线性回归算法效果更佳,为反演PM_(2.5) 提供了一种新的机器学习方法。(2)在影响PM_(2.5) 反演的各输入变量因子中,PM_(10)与能见度变量为高相关因子。利用神经卷积网络算法反演PM_(2.5) 理论上反演精度能够随着输入信息增多而不断提高。

基于奇异值分解消噪原理的多通道卷积神经网络算法在石油勘探数据质量控制上的研究与实践检验

在石油勘探中,数据常常受噪声干扰影响,精度和准确性变差,数据的可信度降低,进而影响油气勘探的成效,因此数据处理是油气勘探中的重要环节。奇异值分解(SVD)是一种常用的信号处理方法,能有效降低数据噪声。本文提出的基于SVD的多通道卷积神经网络算法,有针对性地解决石油勘探数据中的噪声问题,为石油勘探数据的消噪和质量的提升提供了新的思路和方法,具有良好的推广应用前景。

基于RK3568开发板和卷积神经网络算法的电力系统智能化思路设计

RK3568开发板作为电力系统智能化的硬件支撑,卷积神经网络算法作为电力系统智能化的软件算法支撑,二者协同配合,可以提升电力系统智能化的水平。面对电力系统智能化的应用场景多元化、客户需求高级化的要求,基于RK3568开发板和卷积神经网络算法的电力系统可以节约人力成本、提升管理效率。

基于卷积神经网络模型的智能媒资编目技术研究与实践

本文基于融媒体中心AI智能媒资系统建设,研究分析卷积神经网络算法在媒资编目时的相关技术应用,并与深度学习、自然语言处理等技术相结合,可以实现更智能、更自动化的媒体资源处理和分析。

基于卷积神经网络算法的网络安全态势评估方法

由于现有评估方法在对网络安全态势进行评估时,存在评估结果均方根误差和绝对误差过大,影响评估结果可靠性的问题,故本文引入卷积神经网络算法,提出新的网络安全态势评估方法。从威胁子态势、脆弱子态势和基础运行子态势三方面,构建指标体系;提取能够代表网络安全态势的特征,并对其进行加权处理;针对多个通道获取的特征,完成多通道融合处理;利用卷积神经网络算法,构建网络安全态势评估模型,实现对网络安全态势的评估。通过对比实验证明,该方法在应用中均方根误差和绝对误差均与现有评估方法相比更低,证明该评估方法的评估可靠性更高。

Mask R-CNN神经网络模型对舌象裂纹严重程度的评价效果

目的基于掩膜区域的卷积神经网络(Mask R-CNN)算法,在裂纹舌识别与提取的基础上探索裂纹舌严重程度的客观评价方法。方法从中国中医科学院西苑医院收集200例裂纹舌与200例非裂纹舌的舌象图片,建立基于神经网络的裂纹舌识别模型,以准确率、精确率、召回率对模型裂纹舌识别效果进行评价。由3名中医专业主任医师对200张裂纹舌图片按照轻度裂纹、中度裂纹、重度裂纹进行严重程度分级标注,通过裂纹识别模型进行裂纹舌的识别与特征提取,选择裂纹面积比(x)、裂纹方向(z)、裂纹条数(n)、主裂纹长度(l)作为裂纹评价指标,以医生标注结果作为分级标准,根据分级结果对各指标进行权重赋值,裂纹严重程度综合权重计算公式:W=(∑w_(i))/4(i=x,z,n,l),计算裂纹多维度指标的分布区间,评价裂纹的严重程度。结果模型识别裂纹舌,准确率为0.945,精确率为0.949,召回率为0.940。舌裂纹的严重程度评价结果:W∈[1,3]为轻度裂纹,W∈(3,6]为中度裂纹,W∈(6,10]为重度裂纹。经验证,裂纹舌总体评价准确率为88.3%,其中轻度裂纹的评价准确率为88.9%,中度裂纹的评价准确率为91.7%,重度裂纹评价准确率为83.3%。结论选择裂纹面积比、裂纹方向、裂纹条数、主裂纹长度作为评价裂纹舌严重程度的指标,可较好地完成辨识任务,实现舌象裂纹程度的定量化评价。

基于双通道卷积神经网络算法的视频处理超分辨率增强方法

为提高视频清晰度,引进双通道卷积神经网络算法,设计了一种针对视频处理过程的超分辨率增强方法。将视频录入计算机,建立视频信息与输入特征之间的级联关系,提取视频处理中的图像边缘纹理信息;引进双通道卷积神经网络算法,使用3×3的滤波处理器,提取视频特征信息,将提取的信息映射到双通道3×3区域中,匹配视频的矢量信息;引进Pair-wise模型将输入的低分辨率图像作为模型的分支,通过训练分支得到一个针对处理视频特征的字典,并据此生成高分辨率图像块。实验结果证明,设计方法可以在提高视频清晰度的同时,提高视频峰值信噪比,达到优化视频处理效果的目的。

基于贝叶斯优化CNN-LSTM混合神经网络的短期光伏出力预测

光伏发电具有波动性、随机性及间歇性的特点,难以对其实现精准预测,本文提出了一种基于贝叶斯优化的卷积神经网络-长短期记忆网络混合算法模型的短期光伏出力预测方法,由此得到了比其他单一基准模型和多数组合模型更好的预测效果,具有一定适用性与应用价值。

基于Im2col的并行深度卷积神经网络优化算法

针对大数据环境下并行深度卷积神经网络(DCNN)算法中存在数据冗余特征多、卷积层运算速度慢、损失函数收敛性差等问题,提出了一种基于Im2col方法的并行深度卷积神经网络优化算法IA-PDCNNOA。首先,提出基于Marr-Hildreth算子的并行特征提取策略MHO-PFES,提取数据中的目标特征作为卷积神经网络的输入,有效避免了数据冗余特征多的问题;其次,设计基于Im2col方法的并行模型训练策略IM-PMTS,通过设计马氏距离中心值去除冗余卷积核,并结合MapReduce和Im2col方法并行训练模型,提高了卷积层运算速度;最后提出改进的小批量梯度下降策略IM-BGDS,排除异常节点的训练数据对批梯度的影响,解决了损失函数收敛性差的问题。实验结果表明,IA-PDCNNOA算法在大数据环境下进行深度卷积神经网络计算具有较好的性能表现,适用于大规模数据集的并行化深度卷积神经网络模型训练。

卷积神经网络算法在工件抓取中的应用

为提高机械手臂夹取物件的准确率,提出基于深度学习法的3D视觉辨识与抓取系统。该视觉系统结合GPU和深度影像Open CV等函数库,分别进行影像拾取、深度数据运算、坐标转换、影像轮廓搜寻和卷积类神经网络模型训练等。采用YOLOv2算法判别目标物体的种类和中心点,并利用轮廓搜寻方法找出物体的角度信息,作为机械手臂操作目标点;通过坐标转换将相机坐标转为机械手臂坐标,由TCP/IP通信传至运动控制系统进行物件夹取。实验结果表明:不同位置的所有零件辨识准确率均在82%以上,抓取误差在1~4 mm内,符合工业生产的要求。

基于卷积神经网络算法处理的稻米参数评定分析仪

基于电荷耦合元件(Charge-coupled Device,CCD)摄像头的嵌入式硬件平台和卷积神经网络(Convolutional Neural Networks,CNN)算法原理,研发对采集图像进行灰度和卷积处理的稻米参数评定分析仪,通过CNN算法分析出米粒边缘及透明度比较高的部分,并根据预设的第一阈值进行边缘切割,分离出单个米粒,并计算该米粒的总像素数、最长直线像素数、最宽直线像素数,而后计算图像中小于第二设定阈值的像素数,用该像素数除以总像素数计算垩白度,将计算出来的长度、宽度、长宽比、垩白度与国家标准比对,给出所测试的稻米参数,通过对8组实验样品测试分析结果表明,单次样品绝对误差值为0.02,相对误差值为–0.31%,相关数据可上传到上位机用于品质管控,本稻米参数评定分析仪原理和算法具有一定创新性,能缩短检测时间,提高检测精准度,具有一定的应用价值。

基于进化卷积神经网络算法的开孔外壳屏蔽效能预测

本文研究了基于进化卷积神经网络算法的开孔外壳屏蔽效能预测。电子设备工作频率逐渐提高,电磁辐射噪声日益严重,采用屏蔽外壳是有效抑制电磁干扰的常用方法。然而,由于散热和接线,外壳会带有孔洞,极大地影响了其屏蔽效能,部分外壳内部介质板的存在也对屏蔽效能产生了一定的影响。本文对含介质板开孔外壳建模后,通过传输线方法(TLM)建立等效电路模型,然后通过进化卷积神经网络算法(Evolutionary Convolutional Neural Network Algorithms,ECNN)得到验证参数,从而得到外壳屏蔽效能。利用CST对相应外壳进行仿真分析后,对比屏蔽效能仿真结果和算法结果,证明了该方法结果的准确性和可靠性。通过等效电路计算箱内各点屏蔽效能,最后通过电波暗室远场测量各点辐射强度来验证预测结果。

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测

针对糖尿病视网膜病变(DR)图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络(Faster R-CNN)和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域(ROI)生成时采用在线困难样本挖掘(OHEM)方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。

基于卷积神经网络的人体动作识别

针对复杂场景下人体动作识别精度不高的问题,提出融合改进的可变形部件模型算法(DPM)以及卷积神经网络模型算法(CNN)的人体动作识别算法。在特征提取阶段,为提高人体检测精度,采用改进的DPM算法将部件滤波器模型由5个增加到8个,同时结合分支定界(BB)算法;CNN采用连续的卷积层提取特征,使用的CNN模型是经过梯度优化训练的针对人体动作识别的卷积神经网络,两个算法并行进行。在特征融合阶段,用加权求和的方式把两个模型提取的特征进行融合。用softmax分类器进行人体动作的分类识别。实验结果表明,该算法在标准的数据集、自搜集数据集上的精度较传统的机器学习方法提高了约10个百分点。

基于Winograd卷积的并行深度卷积神经网络优化算法

针对并行深度卷积神经网络算法在大数据环境下存在冗余特征计算过多、卷积运算性能不足和参数并行化合并效率低等问题,提出了基于Winograd卷积的并行深度卷积神经网络优化算法。首先,该算法提出基于余弦相似度与归一化互信息的特征过滤策略,通过先筛选后融合的方式消除了通道间对于冗余特征的计算,以此解决了冗余特征计算过多的问题;然后,结合MapReduce提出了并行Winograd卷积策略,通过使用并行化Winograd卷积运算替换传统卷积运算的方式来提升卷积运算的性能,以此解决了卷积运算性能不足的问题;最后,提出基于任务迁移的负载均衡策略,通过动态负载迁移的方式来均衡集群中各节点之间的负载,降低了集群总体的平均反应时长,以此解决了参数并行化合并效率低的问题。实验表明,WP-DCNN算法显著降低了DCNN在大数据环境下的训练代价,而且对并行DCNN的训练效率也有大幅提升。

基于计算机网络安全技术的态势感知防御方法

针对传统计算机网络安全态势感知精度不高,感知数据的分析侦测在数据体量庞大的情况下难以保持误差数值的稳定,可视化装置数据处理速度缓慢等问题进行系统方案的设计。在硬件方面基于对于传感器和可视化模块进行改进;该研究在算法技术方面是基于回归算法模型相关的卷积神经网络算法和误差逆传播(error BackPropagation,BP)神经网络算法构建网络安全态势感知的数学模型。通过模拟仿真实验,该系统的威胁检测率能达到96.67%,误警率只有1.10%,且在长时间的工作下也能保持稳定。

基于DSP模式的计算机图像处理算法研究

基于DSP架构模式,提出了一种CNN卷积神经网络算法,并将其运用到计算机图像处理中。研究过程中,采用DSP技术进行计算机图像获取、算法处理、算例分析和结果优化,大大提高了计算机图像算法处理质量和效率。经过算法测试验证,结果表明,基于DSP数字信号处理器搭建多DSP并行处理架构模式,采用CNN卷积神经网络算法进行计算机图像处理,能够提高图像处理精度。该算法运行时的性能较高,功能低,CPU占用率不高,且DSP计算机处理系统在多DSP并行处理架构模式下进行算法分析,系统的稳健性和可靠性高,能够适应不同规模级别下的计算机图像处理数据集的处理速度、精度、资源消耗和功率要求,可为计算机图像算法处理提供准确、高效、经济的解决方案,对于计算机图像处理算法设计和优化以及应用具有较好的实用参考价值。