集成迁移学习的轴件表面缺陷实时检测

针对轴件表面缺陷分析过程中存在小样本和实时检测效率低的问题,提出一种集成迁移学习的轴件表面缺陷实时检测方法。首先通过相似领域图片的迁移学习,减少对人工大规模标注数据的经验性依赖,采用主成分分析法完成表面缺陷的降维和关键特征向量提取,建立轴件表面缺陷的特征空间,并利用空间位置求解迁移学习的源领域,降低领域间距离度量的复杂度;其次通过训练源领域图片的特征提取器,将特征提取器的网络权值迁移至YOLO V3目标检测模型中,完成相似领域的知识迁移,建立高速生产状态下的轴件表面缺陷实时检测模型。试验表明,该方法在轴件生产现场的实时检测中具有较高的准确度和鲁棒性,集成后的算法模型各类缺陷正检率达97%以上,平均精度均值的方差值缩小近3倍。

非平衡集成迁移学习模型及其在桥梁结构健康监测中的应用

在桥梁结构健康监测与状态评估过程中所获得的桥梁结构数据库常存在间断性异常或缺损,且不同样本分类数据不均匀,难以在信息缺失、数据分布失衡的情况下完成对桥梁结构健康的监测与状态评估.针对这一问题,在改进相似性度量函数的SOM聚类算法和非平衡集成迁移学习算法的基础上,提出了一种改进的迁移学习模型.通过对实际监测数据的分析,该迁移学习模型的分类精度随着目标数据集所占比例的不断增加而提高,验证了该模型的有效性和科学性.

基于集成迁移学习的细粒度图像分类算法

针对现有的大部分细粒度图像分类算法都忽略了局部定位和局部特征学习是相互关联的问题,提出了一种基于集成迁移学习的细粒度图像分类算法。该算法的分类网络由区域检测分类和多尺度特征组合组成。区域检测分类网络通过类别激活映射(class activation mapping,CAM)方法获得局部区域,以相互强化学习的方式,从定位的局部区域中学习图像的细微特征,组合各局部区域特征作为最终的特征表示进行分类。该细粒度图像分类网络在训练过程中结合提出的集成迁移学习方法,基于迁移学习,通过随机加权平均方法集成局部训练模型,从而获得更好的最终分类模型。使用该算法在数据集CUB-200-2011和Stanford Cars上进行实验,结果表明,与原有大部分算法对比,该算法具有更优的细粒度分类结果。

绝对不平衡样本分类的集成迁移学习算法

针对训练数据绝对不平衡问题,提出了一种基于级联结构的集成迁移学习算法。该算法主要包括两部分:迁移学习部分和数据选择部分。在迁移学习阶段,针对Tr Ada Boost算法中辅助领域样本权重不可恢复问题,引入权重恢复因子;在数据选择阶段,算法利用级联结构逐步删除辅助领域中噪声样本与冗余样本,在保证目标领域主导作用的同时充分利用辅助领域数据。在真实数据集上的实验结果表明,该算法在数据绝对不平衡的情况下,提升了分类器的综合评价指标与几何平均数,因此该算法可以在一定程度上解决数据绝对不平衡问题。

数据拓展和增量更新的井底压力实时预测方法

针对复杂井段数据难获取,静态预测模型难适应复杂井下条件的问题,提出利用智能方法实时预测波动的井底压力。基于生成对抗网络,扩充了井下单一的随钻数据空间,突破了井底有效测压数据量少的问题,建立了数据增强下的井底压力预测模型。为有效提升模型对工况变化的自适应能力和迁移性能,在增量更新数据的条件下,分段训练多个长短时记忆网络(LSTM)模型,基于迁移集成学习实现预测模型的实时更新。最后利用混合注意力机制实现智能预测模型的可解释分析。试验结果表明,经过数据拓展训练的模型在精度和稳定性上均显著优于之前,增量更新实时预测的方法大幅提高了模型的泛化能力和现场应用的时效性,模型平均相对误差仅为0.12%。可解释分析表明,井底压力具有较强的短期自相关性和井口回压具有波动的传递特性。研究结果可为实现深层钻井井底压力精准高效预测和智能模型的可解释性提供理论指导。