基于CNN特征提取和增量式字典的VSLAM回环检测

在视觉SLAM系统中,传统的回环检测方法难以同时满足通用性和实时性。通过标志区域提取和CNN特征提取,提出在线构建增量式字典的回环检测方法。通过对图像进行随机扭曲来模拟运动产生的视角变化,结合GIST特征实现无监督的模型快速训练。通过局部标志区域的二进制特征实现快速检索,全局浮点特征实现选择最优匹配。实验表明,与传统方法相比,在100%准确率前提下,召回率提升约30%,整体查询时间约200 ms,内存占用约30 MB。在不同场景下检测更稳定,能够实现快速鲁棒的回环检测。

基于CNN特征提取及模型融合的飞机液压系统故障诊断

为了对飞机液压系统进行有效故障诊断,采用CNN对飞机液压系统的压力信号进行特征提取。用提取到的特征输入线性模型、决策树、支持向量机、k邻近等算法对其进行故障诊断,并使用Stacking模型融合技术将多个模型融合。结果表明,相比于直接用CNN训练进行故障诊断,使用CNN提取出的特征进行训练能极大减少训练时间同时提高准确率。

基于K-CNN和N-GRU的风电机组发电机状态预测

为了检测风电机组发电机异常、减少由故障引起的停机事件发生,基于真实风电场的数据采集与监视控制(Supervisory Control and Data Acquisition,SCADA)系统记录的多维传感器参数,提出一种K-CNN(Convolutional Neural Network,卷积神经网络)和N-GRU(Gated Recurrent Unit,门控循环单元)相结合的深度学习框架,建立风电机组发电机状态预测模型。首先,用Pearson相关系数分析状态参数相关性;之后,通过权重系数加权得到一维融合参数;其次,针对传统特征提取过程中忽略浅层特征的问题,采用CNN分层提取一维融合参数的特征,并利用核主成分分析(Kernel Principal Component Analysis,KPCA)将不同层的特征提取结果降为一维;然后,针对传统GRU算法参数欠优化问题,利用神经网络架构搜索改进GRU算法,得到N-GRU模型,将降维后的特征提取结果输入N-GRU做预测并得到重构误差,通过设定告警阈值实现状态评估;最后,以新疆某风场中2 MW风电机组为例,验证了该模型的有效性与准确性。

“一物寻一物”——用于失物招领的图像匹配功能的实现

失物招领平台在我们生活中起到的作用越来越重要,传统的失物招领平台速度慢,效率低,找回的可能性不大,如今智能化图像识别匹配技术在日常生活里的使用越来越广泛,计算机智能化图像识别技术可以显著提升匹配的精准度,该平台通过加入图像匹配技术,将哈希算法与CNN特征提取方法相结合,更加精准化高效率的帮失主找回物品,为人们的生活提供便利。