基于RAdam算法优化ResNet50模型膏体图像识别方法研究

膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化ResNet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移学习的方法,对卷积神经网络的AlexNet模型、VGG16模型、VGG19模型和ResNet50模型进行预训练,对比4种模型的识别准确率和损失值,确定最佳模型;采用Adam算法和RAdam算法对模型进行优化,对比两种优化器的识别结果;利用优化模型对矿山现场图像进行识别,验证模型精度。研究结果表明:4种经典卷积神经网络模型在膏体图像识别中均有较好表现,ResNet50模型性能最佳。基于RAdam算法优化ResNet50模型收敛速度更快,识别精度更高。基于RAdam算法优化ResNet50模型膏体图像识别精度可达99.24%,可实现膏体图像的高精度识别。

基于RAdam优化的DLSTM-AE交通流预测模型

交通流预测在智能交通系统中起着关键的作用。然而,由于交通数据有着复杂的时间依赖性和本身的不确定性,导致预测交通流变得具有挑战性。为了进一步充分提取交通流时空性、周期性等特征,采用了一种自编码器(AE)与深度长短时记忆网络(DLSTM)相结合的组合模型(DLSTM-AE),并引入改进的适应矩估计算法(RAdam)进行模型训练。首先利用深度长短时记忆网络模型对交通流序列信息特征进行采集,并借助自动编码器结构将采集的信息压缩为一个固定维度的表示向量。然后通过解码器对该向量进行重构,实现信息的进一步挖掘。最后在模型的训练过程中,利用RAdam算法进行优化,分批次更新动量参数,缩短寻找最优解的时间,提高模型预测的时效性和精度。在高速公路交通流真实数据集上进行了仿真并与其他模型方法进行了对比。结果表明:DLSTM-AE组合模型不仅在预测结果上具有明显的优势,而且在交通流周期性方面拥有较好的曲线拟合能力,其中测试集的均方根误差值下降了约0.445~1.826,平均绝对误差值下降了约0.282~0.984,相关系数值R^(2)提高了约0.005~0.023;在周期性上,相邻周对应工作日的预测精度远高于对照组。该模型可以捕捉交通流序列中更潜在的时空性和周期性信息,可以更好地满足高速公路交通流预测的需要。

基于RAdam卷积神经网络的水稻生育期图像识别

为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。

基于深度学习的风力机叶片表面缺陷检测研究

风力机叶片损伤的检测主要依靠目测和敲击,不仅效率低下而且很容易受到人主观判断因素的影响。由此,论文提出一种基于Rectified Adam优化器的ResNet50卷积神经网络的图像识别方法,对风力机叶片损伤图像进行分类识别。利用无人机对风力机叶片损伤位置进行拍摄,对采集到的图像进行筛选、增强得到叶片四种损伤类型的数据集,对图片进行灰度处理、去噪、阈值分割去除图片背景信息的影响。分析了VGG19、GoogleNet、ResNet50三种网络模型对于风力机叶片损伤类型的识别准确率,选择了分类准确度较高的ResNet50网络模型。对比实验了Adam和RAdam两种优化器下ResNet50对于风机叶片损伤识别的准确率,结果显示RAdam优化器下的ResNet50网络模型性能更优,为风力机叶片无损检测的自动化和数字化提供参考。

Convergence of Hyperbolic Neural Networks Under Riemannian Stochastic Gradient Descent

We prove,under mild conditions,the convergence of a Riemannian gradient descent method for a hyperbolic neural network regression model,both in batch gradient descent and stochastic gradient descent.We also discuss a Riemannian version of the Adam algorithm.We show numerical simulations of these algorithms on various benchmarks.

基于改进的MobileNetV3多肉植物图像分类识别

为能完成多肉植物的高精度分类识别,深入多肉植物栽培领域,选取10种多肉植物为数据类别,基于其根、茎、叶的形态特征,并加入对比试验,采用相同方法对AlexNet、VGG16、ResNet50、MobileNetV3等4种深度卷积模型在不进行迁移学习条件下,超参数指定学习率为0.001、都使用Adam优化器的基础上进行训练。结果显示,MobileNetV3的总体学习效果最好,并在迁移学习的基础上继续改进MobileNetV3模型,在卷积层引入空洞卷积和RAdam优化算法进行参数调优,平均测试识准确率可以达到99.7%,经过模型改进后的MobileNetV3网络模型对多肉植物识别效果较好。

考虑区域占有率的RTCN路内停车泊位预测模型

针对汽车停车过程中反复寻泊产生无效交通量这一问题,以向公众提供准确的实时及预测的停车位信息为目标,考虑到当前卷积神经网络(CNN)和递归神经网络(RNN)在空闲泊位短时预测的研究中存在的缺陷,同时为了解决路内停车样本数过少的问题,将RAdam算子引入TCN模型中,其中,TCN模型用于提取空闲泊位的时间特征,RAdam算子用于解决停车样本数过少的不足。为了解决空闲泊位数预测空间特征提取,在分析区域占有率和空闲泊位数相关关系的基础上,提出考虑区域占有率的RTCN短时空闲泊位数预测模型,最后以广东省深圳市南山区的路内停车路段为例进行分析。结果表明:RTCN模型的训练时间远远低于LSTM和GRU模型,并且均方根误差和平均绝对误差也低于LSTM和GRU模型,将区域占有率引入RTCN模型后,预测精度得到进一步提升,本文提出的模型不仅有效降低了预测误差还提高了模型的训练速度。

改进LSTM神经网络在电机故障诊断中的应用

三相异步电机因其结构简单、维护方便、可靠性高等特点被广泛应用到工业生产中,所以保证三相异步电机在生产环境中的安全与稳定运行具有十分重要的意义;传统的三相异步电机故障诊断均采用特征电流法,但在实际应用中由于特征谐波难以分离,从而导致无法判断;采用先进的长短期记忆(LSTM)神经网络以及最新提出的RAdam优化器,在电机正常运转时对其运行特性进行实时采集,通过双峰谱线插值法以及滑窗法提取谐波之后,对电机输出结果进行时序预测和比对;最后以工程中实际电机数据为例,通过测量其故障运行实际数据,验证了该算法的可行性;经实验测试可得,相比于传统神经网络,该算法具有更好的故障检测能力。

基于改进CNN-LSTM组合模型的分时段短时交通流预测

针对现有预测模型不能充分提取交通流时空特征的问题,提出一种基于改进卷积神经网络(convolutional neural network,CNN)和长短时记忆(long short-term memory,LSTM)神经网络的短时交通流预测方法。首先,采用分层提取方法使设计的网络结构和一维卷积核函数自动提取交通流序列的空间特征;其次,优化LSTM网络模块来减少网络对数据的长时间依赖;最后,在端对端模型的训练过程中,引入改进后的自适应矩估计(rectified adaptive moment estimation,RAdam)优化算法,加快权重的拟合并提高网络输出的准确性和鲁棒性。实验结果表明:在工作日与周末分时段,所提出的模型相比堆栈自编码(stacked auto-encoders,SAEs)网络预测模型,性能分别提升3.55%与8.82%,运行时间分别缩减6.2%与6.9%;相比长短时记忆网络-支持向量回归(long-short term memory-support vector regression,LSTM-SVR)预测模型,性能分别提升0.29%与1.79%,运行时间分别缩减9.0%与9.7%。所提模型能够更加适用于不同时段下的短时交通流预测。

复合二项K－S算子和PoissonK－S算子逼迫

引入复合二项Ｋａｎｔｏｒｏｖｉｃｈ－Ｓｔｉｅｌｔｊｅｓ算子（Ｓ＿ｒｖ）（ｘ）＝Ｓ＿（ｋ，τ）（ｘ）（τ＞０，０≤ｘ≤１），证明了当τ→＋∞时，（Ｓ＿τｖ）（ｘ）在（０，１］上几乎处处收敛于ｖ关于Ｌｅｂｅｇｕｅ测度的绝对连续部份的Ｒａｄａｎ－Ｎｉｋｏｄｙｍ导数ｆ（ｘ）．同时也证明了ＰｏｉｓｓｏｎＫ－Ｓ算子（Ｓ＿τｖ）（ｘ）＝（τｄｖ）在［ａ，ｂ］（０，＋∞）上也有类似的结论．