基于BP神经网络的碳达峰目标下碳汇计量方法研究

为了解决当前碳汇计量方法存在计量误差、准确率低的问题,提出了基于BP神经网络的碳达峰目标下碳汇计量方法的研究。首先,基于碳达峰目标对碳汇数据进行预处理,获取准确度较高的碳汇数据;根据BP神经网络构建碳汇计量BP神经网络模型,输出碳汇数据集;然后综合考虑碳库选择指标,选择与碳汇数据集匹配的碳库;最后,实现碳达峰目标下碳汇计量的目标。实验证明,此种计量方法具有较高的拟合度,计算值与原值更加接近,相对误差在1.01%~1.71%,始终保持在2%以下,证明该方法的碳汇计量结果准确率较高。

基于双线性池化引导特征融合的轴承故障诊断算法

为了深入优化滚动轴承在变负载驱动环境下特征提取不充分、轴承故障特征表征不足的问题,提出了基于双线性池化引导特征融合的轴承故障诊断算法。对读取到的原始信号数据进行预处理,通过去除直流分量、噪声滤波、抗混叠滤波、时域窗函数等操作,提高信号处理后的振动谱图质量;对预处理后的信号数据进行傅里叶变换,计算出变换后的幅值和频率数据,并绘制对应的振动谱图;利用通道注意力和空间注意力改进Res2Net网络,提取不同关注点下的视觉特征,并基于双线性池化方法进行多特征融合;利用全连接和softmax函数构建分类头,实现轴承故障分类。结果表明:所提出的方法在凯斯西储大学轴承数据集以及德国Paderborn数据集中的精确率分别为98.22%、97.94%,在轴承故障诊断中,所提算法不仅在理论上融合了自动化控制理论与控制工程原理,而且在实践中验证了其在轴承故障诊断中的有效性,为实现轴承故障的早期预警和智能诊断提供了新的技术途径。

云计算架构下基于BP神经网络负载预测策略的研究

目前,传统的数据中心运行方式暴露出在资源分配、管理灵活度、资源利用率、应用服务质量等方面的问题。随着虚拟化技术的成熟,采取基于云计算架构的资源池方案,可对虚拟化资源进行统一管理、调配,达到自动化、智能化管理信息系统的目的。文章在介绍云计算、虚拟化技术的基础上,着重探究基于反向传播(Back Propagation,BP)神经网络预测模型的虚拟机池负载均衡方案,并用仿真实验验证方案的可行性。仿真实验表明,预测模型能够在误差允许的范围内准确预测物理机的负载情况,具有一定的应用价值。

BP神经网络在焊缝位置识别中的应用

研究了一种焊缝位置识别新方法,在一定工艺条件下,使用视觉传感器采集焊接熔池图像,选取图像中熔池前端部分进行处理,先对其进行中值滤波与灰度变换,在此基础上,获取每一幅熔池图像的质心值、质心位移、质心速度及电弧与焊缝的偏差值作为训练样本数据。以质心值、质心位移和质心速度为输入量,以偏差值为输出量,利用BP神经网络建立其数学模型,最后对该模型进行检验。检验结果表明,该模型能够较准确地描述熔池图像质心与焊缝偏差之间的关系,为进一步实现精确的焊缝跟踪提供了理论和试验依据。

上网电价预测中运用修正神经元输出函数对BP模型动态修正的探索

阐述了人工神经网络模型的基本原理,研究分析了BP神经网络模型非线性特性差和对实际情况反应"迟钝"等缺陷,提出了通过修正神经元输出函数对BP神经网络模型进行动态修正的优化方案,从而提高了BP神经网络模型的收敛速度。在此基础上,将修正后的BP神经网络模型引入到上网电价的预测中。模拟运行结果表明,修正后的BP神经网络模型可以更好地适应发电厂报价的复杂环境。

基于MATLAB的BP神经网络在溶解氧浓度控制中的应用

污水处理系统中,溶解氧的浓度起着至关重要的作用。针对污水处理CASS池中溶解氧浓度控制的重要性和控制要求等,提出了用BP神经网络对其控制的方法,并设计BP神经网络控制器。通过对BP网络模型的训练和仿真,得出BP神经网络控制器对溶解氧浓度控制具有高度的精确性和可靠性。并将此BP网络控制器与PLC相结合应用到实际系统中,对溶解氧浓度的控制达到了理想的效果。

图双线性池化特征编码的细粒度目标识别方法

针对细粒度图像识别领域中经典双线性池化模型存在的视觉突发与特征冗余问题,提出了一种图双线性池化模型。该模型将图网络嵌入双线性池化模型,利用图网络的聚合能力,将差异性图像特征编码为高阶特征,改善了编码过程中的视觉突发现象。在CUB、Cars和Aircrafts 3个公共数据集上进行实验,模型的精确度分别达到87.8%、93.5%和89.6%。相较于分解双线性池化,该模型参数量仅为基线模型的25%,识别精度分别提高2.4%、1.7%和1.3%,充分验证了模型的有效性,可为军事目标细粒度识别提供方法参考。

一种边缘梯度插值的感兴趣区域池化算法

针对现有主流的目标检测算法存在检测精确率低、图像边缘区域分割不全等问题,提出一种基于Mask RCNN模型的感兴趣区域池化算法.首先,通过Otsu阈值分割法将感兴趣区域特征图划分为边缘区域和非边缘区域;其次,对边缘区域使用边缘梯度插值算法进行插值,对非边缘区域使用双线性插值算法进行插值,从而将离散的特征图映射到一个连续空间中;再次,将插值后的特征图均匀分割成k×k个单元;最后,对每个单元利用二重积分求均值以完成池化操作.对比实验结果表明,该算法基于Mask RCNN模型在数据集COCO(2014)上比现有算法的检测精确率有一定提升,对图像边缘区域的细节分割效果较好.

基于GA优化BP神经网络的焊接熔池照度建模

在焊接工艺的研究过程中,对熔池的成型形态和熔池内部液态金属的瞬时运动状态进行分析是很有必要的,因此需要对抓拍焊接熔池的工业相机选择合适的视场。建立了3-5-1结构的BP神经网络的焊接熔池照度模型。以MAG焊接工艺参数保护气流量、焊接电流和接收弧光点到焊接电弧的距离作为网络输入,接收弧光点的光照强度作为网络的输出,优化后的GA+BP神经网络模型能够对焊接熔池照度进行准确的预测。

基于改进Bilinear-CNN的服装图像风格识别

为解决服装风格的细粒度识别问题,提出一种改进的Bilinear-CNN(convolutional neural network)模型。在VGG16特征提取网络的输出特征图中引入空间注意力机制,提升对图像中服装区域的关注程度。设计一种单特征通路的双线性池化方法,在减小参数量和计算量的同时,采用全局平均池化和全局最大池化两种操作充分挖掘细粒度特征。试验结果表明,改进的Bilinear-CNN模型在FashionStyle14数据集上达到76.4%的识别准确率。相比原始Bilinear-CNN模型,改进模型的识别准确率提升2个百分点,减少40%的参数量和52%的计算量,并对含扰动服装图像具有风格识别的稳健性。

基于改进Bilinear CNN的细粒度图像分类方法

为提高细粒度图像分类的精确度,提出一种基于双线性网络(Bilinear CNN)的改进方法。首先,选取结构紧密的DenseNet121卷积部分作为特征提取模块,运用改进的Relu-and-Softplus激活函数;接着,结合注意力机制引入空间注意力模块和通道注意力模块,在整体性和局部性上有效提取细节特征;并增加一层卷积层实现调整特征图维度的过渡作用,通过特征图分组策略有效降低特征向量维度减少参数;在双线性池化后采用全局最大池化层处理N个双线性特征向量,融合得到用于Softmax分类的最终向量。经实验证明,新模型的分类精确度可达到96.869%,参数量也大幅度降低,工作效率显著提高。

BP神经网络修正熔池红外图像焊缝宽度测量算法

在激光焊接中,焊缝宽度的实时动态变化对于描述焊接质量起着至关重要的作用。焊缝宽度的准确测量有助于理解焊接过程,获得焊接质量控制模型。针对大功率光纤激光焊接304型不锈钢过程,利用高速摄像机,获得清晰的熔池动态红外图像。红外图像仅仅是熔融焊缝处的热成像,难以准确测量焊缝宽度,必须利用BP神经网络加以修正,得到实际焊缝宽度。三组试验结果表明了BP神经网络焊缝宽度测量模型的有效性。

基于双线性池化的实蝇分类注意力网络

实蝇是国内外备受关注的检疫害虫,种类繁多。不同种类的实蝇外形大小相似,不易鉴别。此外,在实际应用中,鉴别实蝇的可用信息会受遮挡、视角、光影变幻等因素影响,导致实蝇自动识别工作难以进行。提出基于双线性池化的实蝇分类注意力网络,用于学习有效的实蝇鉴别特征。该网络由显著性特征模块和跨层双线性模块两个部分组成:显著性特征模块通过对不同卷积层进行滤波增强处理,实现特征增强;跨层双线性模块基于双线性池化融合特征,确定注意部位,挖掘判别特征。在具有自然环境背景的实蝇数据集上进行的实验表明,该方法效果较好,具有良好的实际应用前景。

基于BP神经网络的跌扩型消力池设计应用

增大跌扩型底流消力池的突扩宽度和跌坎深度,可以有效降低消力池内临底流速和改善出池水流流态,一定程度上减小消力池长度。基于试验研究结果,应用BP神经网络理论,以突扩宽度、跌坎深度及测点距离作为模型输入参数,临底流速作为输出参数,建立BP神经网络预测模型。结果表明,所预测的临底流速模型参数试验值与预测值之间的平均相对误差<10%,决定系数R2达到0.9776,亦即基于智能算法的预测模型能够对水工模型试验研究形成很好补充。在此基础上,进一步给出了突扩宽度、跌坎深度变化和不同跌扩组合变化对消力池池长的影响。相对而言,增加突扩宽度对消力池长度减小的影响小于增加跌坎深度;同时增加突扩宽度和跌坎深度,能够更有效地降低消力池所需要的长度。

基于双线性特征融合方法的畸变失真图像质量评价

针对畸变失真图像影响后续图像信息获取的问题,提出了一种基于双线性特征融合方法的畸变失真图像质量评价算法。首先基于人类视觉对图像结构特征敏感的特点提取结构图像,然后将原始图像和结构图像作为双流卷积网络的输入,将两支路网络输出的低层结构特征和高层语义特征通过双线性池化层进行特征融合,最后通过全连接层输出图像质量预测分数。为了验证算法的有效性,在4个公开的图像数据集LIVE、CSIQ、MLIVE与TID2013上进行实验。结果表明,所提算法与当前的失真图像质量评价算法相比,在LIVE、CSIQ和MLIVE数据集上斯皮尔曼等级相关系数(Spearman rank-order correlation coefficient,SROCC)和皮尔逊线性相关系数(Pearson linear correlation coefficient,PLCC)指标至少提升0.2%左右,在TID2013数据集上SROCC值至少提升0.5%左右。所提算法评价结果与人类视觉主观感知有较好的一致性,对多种失真图像质量评价可以取得不错的效果。

自适应卷积神经网络在面部表情识别中的应用

针对无法对面部表情进行精确识别的问题,提出了基于ResNet50网络融合双线性混合注意力机制的网络模型。针对传统池化算法造成图像特征提取残缺、模糊等问题,提出了一种基于Average-Pooling算法的自适应池化权重算法,同时基于粒子群算法对卷积神经网络模型超参数进行自适应调节,从而进一步提升模型识别精度。基于改进的网络模型,设计了一款实时面部表情识别系统。经验证,在Fer2013数据集和CK+数据集上,改进的模型在测试集中的识别精度分别为73.51%和99.86%。

基于卷积神经网络的内镜图像中食管病变分类

消化内镜检查是食管癌筛查的常规手段。由于内镜下的病灶在形状、颜色和质地上的个体差异和视觉相似性,食管鳞癌的诊断效率和准确率都极大地依赖于内镜医师的经验,尤其在白光内镜下容易被误诊和漏诊。针对上述问题,提出一种融合双线性池化和注意力机制的卷积神经网络,可基于白光内镜图像对食管病变进行分类。该网络以ResNet50作为基本框架,加入全新设计的全局通道注意力模块,重新标定通道间特征,并引入双线性池化操作融合多个特征层,增强特征表达。基于2101例多中心临床患者的白光内镜图像数据集的实验结果显示,该方法对食管病变的分类准确率在图像和病人级别分别为94.2%和96.9%,对食管鳞癌的敏感度和特异度在图像级别为95.4%和98.8%,在病人级别为98.7%和95.9%,均优于实验中所对比的近年来其他模型和方法。该实验结果表明,提出的网络对白光内镜下的食管病变表现出优异的分类性能,可有效提高食管鳞癌的诊断准确率,同时具有较好的鲁棒性。

基于低秩双线性池化注意力网络的舰船目标识别

针对多模态舰船图像融合识别质量不高等问题,构建了一种端到端的低秩双线性池化注意力网络。首先对各模态原始特征向量基于跨模类别中心进行注意力加权重构,使不同模态特征更好地关注公共类别信息;然后采用双线性池化捕获不同模态图像的交互信息,并引入权重低秩分解降低网络参数规模;最后依靠特征级联实现模态信息的交互与互补,并设计联合损失提升网络跨模态融合识别效果。实验结果表明,相比现有融合方法,所提方法可有效提升多模态遥感舰船图像的融合识别效果,在公开的遥感舰船数据集上取得了较高的识别准确率。

一种改进Faster R-CNN的图像篡改检测模型

随着人工智能的发展,数字图像被广泛应用于各大领域。然而,图像编辑软件的出现导致大量图像受到恶意篡改,严重影响了图像内容的真实性。图像篡改检测的研究不同于通用的目标检测,它需要更加关注图像本身的篡改信息,而这些信息表现形式往往比较微弱,所以检测时需要侧重于学习更丰富的篡改特征。提出一种结合梯度边缘信息和注意力机制的双流Faster R-CNN模型,可以实现不同篡改类型区域的检测定位。双流之一为原色流,利用注意力机制提取图像的表层特征,如亮度对比、篡改边界的视觉差异等。双流之二为梯度流,利用梯度高通滤波器增强真实区域与篡改区域之间的边缘异常特征,使模型更容易发现篡改图像中微弱的篡改痕迹。通过紧凑型双线性池化将原色流和梯度流的特征进行融合。由于公开可用的图像篡改数据集规模较小,基于PASCAL VOC 2012数据集创建了规模为10000幅的图像篡改检测数据集,用于模型预训练。在COVER、COLUMBIA和CASIA数据集上的检测结果表明,所提模型的检测精度相比当前最好模型的提高了7.1%~9.6%,并在JPEG压缩和图像模糊攻击下表现出了更高的鲁棒性。

基于视角置信度和注意力的暴力行为识别

暴力行为容易出现遮挡情况,识别准确率较低.目前,一些算法加入多视角视频输入来解决遮挡问题,以等量权重将所有视角数据融合,但是不同视角的视频因拍摄距离和遮挡情况本身就对识别存在差异性.针对该问题,本文提出一种基于视角置信度和注意力的暴力行为识别方法,提高暴力识别的准确率.本文将时序差分模块TDM的输入扩展成多视角,将通道注意力机制运用在片段维度来增强TDM中跨段特征提取能力,通过背景抑制方法突显移动目标的纹理特征并计算出每个视角图像的置信度,引入双线性池化方法融合多视角视频特征,根据视角置信度分配每个视角局部特征的权重.本文在公开数据集CASIA-Action和自制数据集上进行了验证.实验表明,本文提出的视角置信度方法优于改进前的双线性池化方法,暴力行为准确率相较于现有的行为识别方法取得了更好的效果.