基于TensorFlow的深度神经网络优化方法研究

深度神经网络属于机器学习领域的一项技术,实现了对高复杂性数据的建模.为了解决深度神经网络的过拟合问题,提高模型的鲁棒性,引入了正则化处理方法和指数加权移动平均算法,通过在损失函数中加入描述模型复杂化程度的因素,抑制模型在训练过程中可能出现的异常值,增强深度神经网络模型在未知数据上的健壮性.仿真实验结果显示优化方法有效可行.

TensorFlow中深度前馈网络优化研究及其轴承故障诊断应用

目前在复杂系统的故障诊断中,故障特征与故障类型之间存在较强的非线性关系,且数据量较大,信号处理复杂,诊断效率不高,而深度学习在特征提取与模式识别方面显示出巨大潜力。针对此问题提出基于深度前馈网络的故障诊断模型,将其应用于复杂的轴承故障诊断。该方法直接将原始信号作为模型的输入特征量,然后利用谷歌开源深度学习框架TensorFlow建模,通过相关参数设置、梯度算法优化、正则化处理对网络进行优化设计。构建上万的9种轴承故障类型样本,确保样本多样性,提高网络鲁棒性,最终优化后的模型诊断准确率为98.96%。将该方法与多种传统的机器学习诊断方法进行比较,结果表明该方法能更有效地进行轴承故障诊断,验证了模型的合理性和优越性。

浅议聚类算法在TensorFlow平台中的应用前景

聚类算法在人工智能领域应用广泛,是公认的优秀的人工智能应用工具之一。TensorFlow的开源性为聚类算法的应用提供了更好的平台,是一种行之有效的大数据下的基于数据流图的计算工具。因此它必须依赖海量存储的数据仓库,同时它通过数据挖掘技术进行大数据商业化应用是十分有价值的。

基于深度神经网络框架的运行时系统调度策略研究

在训练神经网络时,为了进行动态并发更改和操作调度,提出对TensorFlow运行时系统进行扩展。研究考虑了2个模型。第1个模型利用回归模型,使用硬件计数器采集到的性能事件作为输入特征。其中,运行时系统利用不同的操作内并行度,对操作进行少量次数的动态分析,以选择这些特征。第2个模型利用爬山算法探索每个操作的最短执行时间和相应的线程数。为运行时调度提出了4种调度策略和组合策略。实验对残差网络-34(Residual Networks-34,ResNet-34)、生成对抗网络(GAN)、第2版经典网络(Inception-v2)和LSTM网络进行测试分析,结果表明,所提方法可以明显提高系统性能,优于推荐配置,接近或超过手动调整方案。因此,所提方法可以优化和提高神经网络的训练性能。

一种深度学习的工件柔性检测方法

随着人工智能与制造业深度融合,制造过程的智能化必然对工件检测提出了更高的要求。为了提高工件检测的准确率和普适性,这里在研究深度学习相关理论的基础上,提出了一种基于深度学习工件检测方法。首先,对深度学习主流的模型结构YOLO与Faster-RCNN检测算法进行分析,构建基于深度学习的工件检测模型;然后,针对深度学习检测模型结构存在的问题,提出了API-MASK算法,优化了工件检测模型;在此基础上,采用深度学习框架Tensorflow对工件定位、分类及表面缺陷检测。实验表明,推荐的工件检测方法不仅具有较高的准确率,而且有较强的检测适应性,为工件柔性检测提供了一种途径。

基于机器学习和深度学习的南海证据性数据抽取算法比较与应用

[目的/意义]本文尝试从文献载体到文献内容(全文检索)再到数据层面的细粒度的南海证据性数据抽取。首先,能提高南海文献数字资源的检索性能;其次,为专业人员提供充足的证据材料;最后,为南海维权的证据链关联模型构建做好基础。[方法/过程]根据南海维权证据的特点,制定抽取规则。通过文本清洗、文本分段、段分句、分词把非结构化的数据转化成结构化数据。然后分别比较朴素贝叶斯、SVM、随机森林、DNN、TexCNN、Bi-LSTM、LightGBM和XGBoost的证据性数据抽取效果。最后为了进一步提高证据抽取的准确性,增加了“5W”规则过滤和人工校验。[结果/结论]实验结果表明,基于TensorFlow深度学习框架,构建DNN模型的证据性数据抽取效果较好,准确率达0.88。通过进一步融合“5W”规则过滤和人工校验,显著地提高了南海证据性数据抽取的准确率,本文的证据抽取的方法具有一定的可行性。

基于图像深度学习的牛个体的识别与统计

为进一步协助畜牧养殖业,对传统物理方法及先进的生物检测方法进行了多方面的调研,并从图像深度学习角度出发,基于Google TensorFlow框架及OpenVINO^(TM)工具套件对牛个体的识别与统计进行了研究。利用神经网络对数据集进行训练,并使用SSD目标检测算法对目标对象进行识别,希望为相关行业的监管提供图像处理角度的解决方案并对之后的研究提供一定的参考价值。

基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法

针对大部分预测方法难以适用于多源异构数据的处理,且存在能源类型考虑不全面等问题,提出了基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法.该方法通过K-means聚类算法分析用能行为并减少用能数据规模,利用遗传算法优化长短时记忆网络(LSTM)结合反向传播神经网络(BP)的预测模型,实现对智慧楼宇的能耗预测.基于TensorFlow深度学习框架进行实验分析,结果表明所提方法在12 h及120 h内预测结果的MAE值分别为1.79 J和2.11 J,预测效果稳定并优于其他对比方法,故具有一定的应用前景.

智能图像处理与应用设计实例

智能图像处理技术紧跟科技前沿,其算法被广泛应用于实际生产中,带来了很多的便利和经济价值,尤其是基于计算机视觉图像的识别技术。针对废旧手机堆积如山,造成大量资源浪费、污染环境的问题,以对手机进行分类回收为例,文中利用机器视觉对手机完成快速分类,以便于提取贵重金属、稀有金属,充分利用资源,节省人力成本。该方法基于Tensorflow算法,对手机进行图像训练分类,形成模板库,让待识别手机与模板库进行匹配,利用卷积神经网络分类识别方法进行识别,最终得以成功应用。以Linux系统的树莓派3B+为主控制器,32位ARMCotex-M3内核单片机为辅助控制器,实现舵机的转动,自动完成手机识别与分类回收。该方法能快速有效地识别和分类手机,节省分类手机的时间,且可以流水作业,便于贵重金属和稀有金属的智能化回收利用。

基于改进深度强化学习算法的电力市场监测模型研究

针对典型深度强化学习算法若干显性固有弊端,提出了一种改进深度强化学习算法,设计了基于改进深度强化学习算法的电力市场监测模型。引入智能体(agent)机制,Agent执行动作(action)并把当前收益(reward)和未来收益反馈给环境(environment)模拟策略网络,在有限马尔科夫决策过程中引入多重Q网络机制实现深度估值网络。以国家电网某电力公司为效能评价载体,基于谷歌的Tensorflow 1.2.1和OpenAI的Gym 0.9.2环境开发了验证环境并对模型进行了实证分析,仿真验证结果表明所提模型可以在较短的时间内处理多维波动非线性电力市场监预测模型,在稳定性、监测自主性、预测准确性、对抗环境下的模型性能等方面具有明显优势。

Policy Gradient算法的研究与实现

近年来,由于在多个领域高效率高质量的成功运用,强化学习在机器学习领域和人工智能领域引发极大的关注。越来越多的人开始意识到机器能够自主学习的巨大价值。策略梯度(Policy Gradient)算法是一种基于策略的(policybased)强化学习技术,是强化学习的经典算法之一。以policy-based方法开始,然后介绍Policy Gradient算法的具体内容,最终利用深度学习框架TensorFlow完成该算法的实现。

基于遗传算法和深度神经网络的近红外高光谱检测猪肉新鲜度

为系统评估基于深度学习的智能辅助高光谱成像系统在猪肉新鲜度指标检测中的效果,采集了猪肉在4℃冷藏12 d中挥发性盐基氮(volatile basic nitrogen,TVB-N)、菌落总数(total viable count,TVC)以及900~2500 nm近红外光谱数据。基于Python的TensorFlow和Keras平台,对高光谱数据进行处理,建立了深度神经网络的定量检测模型。并利用遗传算法(GA)选择与猪肉新鲜度相关的特征光谱波段。结果表明,遗传算法选取波段对光谱模型的性能有明显提升。当光谱波段数达到35和50时,GA+ANN模型预测精度高于全波段的线性回归模型。TVC为预测指标的预测性能优于TVB-N,TVC测试集最佳R_(p)^(2)为0.877,RMSEP为0.575;预测TVB-N的最佳R_(p)^(2)为0.826,RMSEP为1.01。此外,通过研究还发现,遗传算法优选的近红外光谱波段与肉品的O-H,N-H,C=O等分子振动吸收带有较高的吻合度。本研究为处理近红外和高光谱数据提供了新的方法,也为猪肉及其他肉品新鲜度快速无损检测提供了技术参考。

面向Hughes效应改善的EM-BP模型--以运载火箭研制经费估算为例

小样本、特征维度高,特征数多于样本数会导致大部分模型分析结果误差较大,这种现象称为Hughes效应。其中运载火箭经费估算就是典型案例.而通过EM算法改进BP神经网络得到EM-BP模型,可有效改善Hughes效应。该模型首先将高维样本输入至输入层,其后EM算法基于输入神经元提取出低维神经元,并激活传送至隐藏层后,再判断是否需继续使用EM算法,直至最终多次迭代至输出层得出分析结果。该模型使用TcnsorFlow实现,并以长征系列运载火箭经费估算为例验证效果。结果表明:EM-BP模型较其他常用模型的预测精度有所提高,预测结果平均相对误差绝对值为3.93%,模型的训练误差波动小更稳定,且只需4000次迭代即收敛,表明该模型不仅有效改善Hughes效应,同时提高模型分析效率。