小型无人有缆遥控水下机器人智能控制方法

针对深度确定性策略梯度(DDPG)算法应用于无人有缆遥控水下机器人(ROV)运动控制时存在的坏样本影响学习稳定性、缺少环境探索能力以及学习时间长难收敛等问题,从神经网络结构、噪声引入和融合监督学习3个方面对DDPG算法进行改进,并提出了基于混合神经网络结构和参数噪声的监督式DDPG算法。仿真结果表明,监督式DDPG算法比常规DDPG算法和传统比例-积分-微分(PID)算法更加有效。

引力搜索算法优化ENN模型的天然气管道球阀冲蚀深度预测

天然气管道球阀在长期使用中易出现冲蚀现象,准确预测球阀的冲蚀深度对于管道的安全运行具有重要的实际意义。针对传统Elman神经网络(Elman Neural Network, ENN)模型的不足,提出了一种基于引力搜索算法(Gravitational Search Algorithm, GSA)的优化Elman神经网络模型并预测了不同影响因素下球阀的冲蚀深度,探讨了种群规模和隐含层节点个数对优化模型预测精度的影响。结果表明:传统模型预测所得的平均相对误差和均方误差分别为14.382%和0.042 5,优化模型预测所得的平均相对误差和均方误差分别为3.850%和0.003 9,因此,优化模型的预测精度大幅度高于传统模型;随着隐含层节点个数的增加,优化模型的预测精度先升高后降低;种群规模越大并不意味着优化模型的预测精度越高,合理的种群规模可使优化模型达到较好的预测精度;当种群规模和隐含层节点个数不同时,优化模型的预测精度始终高于传统模型,因此所提优化模型具有可靠性,可用于天然气管道球阀冲蚀深度的预测。

基于改进BP神经网络算法的钻锪工艺参数优化

针对目前工业机器人钻锪工艺参数选取主要依靠经验法的问题,提出基于改进BP神经网络算法的钻锪工艺参数优化方法。分析钻锪工艺过程并针对工艺参数和加工质量的关系进行正交实验设计和相关性分析;针对哈里斯鹰算法的不足,在猎物逃脱几率和猎物跳跃强度两方面对其进行改进;运用改进的哈里斯鹰算法优化BP神经网络,并基于改进的BP神经网络算法建立工艺参数优化数学模型;采用fmincon函数求解最优工艺参数并进行实验验证。分析结果表明,与由经验法确定的工艺参数相比,优化后的工艺参数在孔径精度和锪窝深度精度方面分别提高了17.9%和26.5%,满足了加工质量要求,并保证了加工效率。

基于改进YOLOv4的蔗种坏芽识别方法研究

为实现蔗种切种机构对坏芽蔗种实时检测剔除,提出一种基于改进YOLOv4的蔗种坏芽快速识别方法。通过在YOLOv4主干网络添加轻量的注意力模块(CBAM),以增强网络提取蔗芽特征能力,降低背景噪声对蔗芽识别精度的影响;并利用K-means算法对数据集重新聚类,生成符合蔗芽特征的锚定框,提高蔗种坏芽检测精度;将路径聚合网络中原有的标准卷积替换为深度可分离卷积,大幅减少参数降低计算负荷,整体识别速度得到提升。测试结果表明:改进后的网络模型比YOLOv4精确率提高3.12%,平均精确率均值提高4.15%,召回率提高3.69%,单张图像识别时间缩短7 ms。改进后算法实现对蔗种坏芽的快速准确识别,满足切种机构实时检测并剔除蔗种坏芽的需求。

遗传算法优化的BP神经网络模型在遥感水深反演中的应用

针对传统BP神经网络模型在遥感影像水深反演中存在的缺陷,本文引入主成分分析(PCA)与遗传算法(GA),构建新的GA-BP神经网络模型,该改进模型利用GA对BP神经网络模型的权值与阈值进行优化并将优化值作为BP神经网络模型初始值。将该改进模型用于遥感影像水深反演实验中,结果表明,较单一的BP神经网络模型,该改进模型的收敛速度具有较大提升,水深反演精度也更高。

基于深度自适应聚类算法的数据分层分类存储技术

为了提高电力数据信息管控能力,提出一种新型的数据分层分类存储方法。该方法采用深度自适应聚类算法,既可以有效识别单体数据的特征,还可以对数据整体结构进行一定程度的识别。通过自编码器DNN模型和图神经网络GCN模型,可以高效地实现复杂数据的分层分类。基于该算法的数据存储系统,可以将电力数据信息的多种数据信息转换为数字信息。通过深度学习算法分析数据的内部联系,提高系统的存储能力。实验结果表明,该方法对低数据量、复杂数据量和高数据量的分类准确率分别能达到97.5%、92%和86%,数据分类效率达到97%左右。

多车道复杂环境下前方车辆检测算法

为了解决智能车安全辅助驾驶系统中前方车辆目标的检测问题,提出了一种基于改进阴影多特征与深度网络学习的车辆检测算法。基于前方车辆与本车存在安全距离,选取道路图像底部几行作为候选道路背景并对其预处理排除干扰,通过差分得到车底阴影增强图像。利用自适应阈值法确定图像灰度分割阈值并对道路二值化图像进行形态学预处理。然后,利用最小外接矩形框选候选车辆目标,结合车底阴影几何位置特征、对称度特征进行滤波生成车辆假设。最后,基于局部二值模式纹理特征和深度学习方法验证车辆假设。实验结果表明:在复杂干扰的多车道环境中,算法可以有效地检测前方车辆目标。

基于稠密自编码器的无监督番茄植株图像深度估计模型

深度信息获取是温室移动机器人实现自主作业的关键。该研究提出一种基于稠密卷积自编码器的无监督植株图像深度估计模型。针对因视角差异和遮挡而产生的像素消失问题,引入视差置信度预测,抑制图像重构损失产生的问题梯度,设计了基于可分卷积的稠密自编码器作为模型的深度神经网络。以深度估计误差、阈值精度等为判据,在番茄植株双目图像上开展训练和测试试验,结果表明,抑制问题梯度回传可显著提高深度估计精度,与问题梯度抑制前相比,估计深度的平均绝对误差和均方根误差分别降低了55.2%和33.0%,将网络预测的多尺度视差图接入编码器并将其上采样到输入图像尺寸后参与图像重构和损失计算的处理方式对提高预测精度是有效的,2种误差进一步降低了23.7%和27.5%;深度估计误差随空间点深度的减小而显著降低,当深度在9 m以内时,估计深度的平均绝对误差<14.1 cm,在3 m以内时,则<7 cm。与已有研究相比,该研究估计深度的平均相对误差和平均绝对误差分别降低了46.0%和26.0%。该研究可为温室移动机器人视觉系统设计提供参考。

电力系统震后网络连通性研究

文中针对电力系统网络的震后连通性开展研究,在电力系统网络基本模型基础上,增加网络单元的两值工作状态假设,建立了电力系统网络连通性分析模型,提出了电力系统网络连通性模型的邻接表存储结构,给出了深度优先搜索的基本原理,形成了基于邻接表的深度优先搜索算法。用该方法分析了某区域电网在汶川8.0级地震后的网络连通性,并对计算结果进行了讨论。

基于遗传算法优化BP神经网络方法的旋转磨料射流开窗预测

旋转磨料射流井下套管开窗施工中,开窗直径与开窗深度是最为关键的两个参数。在实际施工过程中,难以对井下套管的开窗过程进行实时监测,因此,需要进一步研究其预测技术,以保证能够开出需要的窗口。由于影响开窗直径与开窗深度的因素很多,很难用传统的数学建模方法进行预测。对此,提出了一种利用BP神经网络预测旋转磨料射流开窗直径与开窗深度的新方法,并用遗传算法进行优化,以得到最优的隐层学习率和输出层学习率,从而提高BP神经网络预测磨料射流井下套管开窗直径及开窗深度的准确性。利用部分实验数据对该方法的可靠性进行了验证。通过对比预测值与实验值发现,该方法的预测精度完全满足工程要求,为现场应用提供了理论支撑。

动作识别中基于深度神经网络和GA合并算法的分类决策方法

针对人体动作识别中传统方法在分类决策方面存在的问题和缺陷,提出了一种新颖的基于深度神经网络(DNN)和遗传算法(GA)合并算法的非线性分类决策方法。首先提出的合并算法在整个训练集合上对特征提取器进行组合,进而组合成不同的两个独立网络,再利用DNN对两个独立网络进行初始化,进一步利用GA对两个网络进行合并;然后将网络的偏差和权重表示为每层网络间的一个矩阵;最后利用DNN对网络的偏差和权重进行训练,并在合并过程中将矩阵中的每一行当做一个染色体。实验采用了标准MNIST数据集对提出算法的性能进行评估。评估结果显示实验过程中的交叉和突变操作增加了神经元节点,提高了识别性能,并且弱化了不相关和相关神经元节点。因此,提出算法的错误率更低,网络性能更优异。

基于改进BP算法的中频淬火工艺参数预测

以钢的中频淬火工艺参数为研究对象,构造人工神经网络模型,采用3-4-2-2两层前向BP神经网络结构.模型输入参数为设备频率、淬硬层深度、零件尺寸,输出参数为加热时间、比功率.采用改进的BP网络算法——Levenberg-Marquardt算法,隐层、输出层传输函数分别为log-sig-moid函数和线性函数,经1 500余次训练,达到平方误差和<0.01.预测值与实际值的相对偏差在±4%以内.该算法能够较好地满足生产实际需要,具有较高精度.

基于模糊神经网络理论对水下拖曳体进行深度轨迹控制

以华南理工大学开发的自主稳定可控制水下拖曳体为研究对象,首先通过水下拖曳体在拖曳水池样机中的试验取得试验数据后作为训练样本,采用LM BP算法,建立基于神经网络理论构建的可控制水下拖曳体轨迹与姿态水动力的数值模型。在此基础上设计了一个控制系统,它主要由两部分组成:基于遗传算法的神经网络辨识器和基于模拟退火改进的遗传算法的模糊神经网络控制器。以满足预先设定的拖曳体水下监测轨迹要求为控制依据,由控制系统确定为达到所要求的运动轨迹而应采用的迫沉水翼转角,以此作为输入参数,通过LM BP神经网络模型的模拟计算预报在这一操纵动作控制下的拖曳体所表现的轨迹与姿态特征。数值模拟计算结果表明:该系统的设计达到了所要求的目的;借助这一系统,可以有效地实现对拖曳体的深度轨迹控制。

基于自监督学习的番茄植株图像深度估计方法

深度估计是智能农机视觉系统实现三维场景重建和目标定位的关键。该文提出一种基于自监督学习的番茄植株图像深度估计网络模型,该模型直接应用双目图像作为输入来估计每个像素的深度。设计了3种面向通道分组卷积模块,并利用其构建卷积自编码器作为深度估计网络的主体结构。针对手工特征衡量2幅图像相似度不足的问题,引入卷积特征近似性损失作为损失函数的组成部分。结果表明:基于分组卷积模块的卷积自编码器能够有效提高深度估计网络的视差图精度;卷积特征近似性损失函数对提高番茄植株图像深度估计的精度具有显著作用,精度随着参与损失函数计算的卷积模块层数的增加而升高,但超过4层后,其对精度的进一步提升作用不再明显;当双目图像采样距离在9.0 m以内时,该文方法所估计的棋盘格角点距离均方根误差和平均绝对误差分别小于2.5和1.8 cm,在3.0 m以内时,则分别小于0.7和0.5 cm,模型计算速度为28.0帧/s,与已有研究相比,2种误差分别降低了33.1%和35.6%,计算速度提高了52.2%。该研究可为智能农机视觉系统设计提供参考。

非受限条件下多级残差网络人脸图像年龄估计

年龄是人的固有属性,在人的社会交往中起到了基础性作用,因此人脸图像的年龄估计是人工智能领域的重要问题之一.为了解决非受限条件下人脸图像年龄估计困难的问题,提出一种非受限条件下的多级残差网络人脸年龄估计方法.首先针对高分辨率图像数据集构建多级残差神经网络模型;然后采用Image Net数据集对多级残差网络进行预训练,以获得图像的基本特征表达;最后在非受限人脸年龄数据集上结合随机深度算法对网络模型进行微调.在非受限的Adience人脸年龄分类数据集上进行年龄分类对比实验的结果表明,该方法能够明显地提高非受限条件下人脸年龄估计的准确率,并在提高网络学习能力的同时有效地抑制小规模数据集带来的过拟合问题.

基于深度和能量的水下三维传感器网络分簇路由算法

针对水下三维传感器网络定位困难、传输损耗大等特性,提出了基于深度和能量的水下三维传感器网络分簇路由协议.在分簇过程中,根据水下节点到水面的深度、节点的剩余能量来选取簇头,普通节点根据其与簇头的深度差选择自身的簇头,形成适合水下数据传输的锥形簇结构.簇间数据传输考虑了水下节点数据传输向上(水面方向)和向内(以Sink节点垂线为柱心的方向)的原则,采用多跳传输保证数据由深水层向浅水层传递.仿真结果表明,该算法能有效均衡网络能耗,延长网络的生存周期,提高网络数据传输效率.

基于深度学习的无人机单目视觉避障算法

针对基于单目视觉的无人机(UAV)避障问题,本研究提出基于单目深度估计和目标检测的四旋翼自主避障方法。其中,单目深度估计模型提供障碍物像素级别的深度信息,目标检测模型提供障碍物的位置信息。单张红绿蓝(RGB)图像的深度图和目标检测结果由卷积神经网络(CNN)获得;图像的区域划分以目标检测结果为依据,区域深度以深度估计结果为计算依据;规划算法依据区域深度和区域划分结果计算无人机的线速度和角速度,实现无人机的自主避障。为验证算法的自主避障性能,采用Parrot Bebop2无人机对本研究提出的算法与直飞算法进行实飞对比实验。结果表明:本研究提出的算法可用于四旋翼无人机的低速自主避障。

基于关键链的地下矿采掘计划编制优化方法

为了解决传统地下矿采掘计划编制中存在的最短工期不可控、作业成本较高的问题,以最大化减少工期为目标,提出了一种资源约束下的采掘计划关键路径自动搜索方法。首先,根据作业之间的逻辑衔接关系自动生成采掘计划网络图,并为其添加资源约束;然后,根据工序顺序表和计划衔接表中的信息确定每个采场执行的工序,且不同工序按照不同的资源配置规则来分配优先级;最后,更新网络图,以当前作业为初始节点,采用改进的深度优先搜索算法遍历有向图,递归查找全部采掘路径,其中耗时最长的路径为关键路径,即资源约束下的最短工期。研究结果表明:运用资源约束下的关键路径自动搜索方法来实现采掘计划优化,缩短了计划编制的时间和采掘计划的工期,降低了作业成本。以乌拉特后旗紫金矿业三贵口矿山采掘计划编制为例,证明该方法能够有效优化矿山采掘计划。

基于卷积神经网络探讨深度学习算法与应用

近些年来,深度学习得到了广泛的关注,已经成为计算机科学机器学习重要的领域和方向,深度学习已经被引入到机器学习中,进而与人工智能这一最初的目标更为接近。深度学习包括学习样本数据在内,是一种表示层次和内在规律。深度学习对于解释声音数据、图像数据、文字数据等帮助很大。使机器可以像人类一样,具有很强的分析学习能力,这便是深度学习的目标。通过深度学习,机器可以对声音、图像以及文字等数据进行有效识别。该文中,笔者就基于卷积神经网络探讨深度学习算法与应用。

航线运输驾驶员转场训练网络优化设计

为了改进传统航线运输驾驶员转场训练网络设计方法的不足之处,以降低转场训练网络的设计总成本,构建了包含源发弧、始发弧、衔接弧和到达弧在内的转场训练路径衔接网络,并利用计算机深度遍历算法获取各类转场训练科目的可行训练路径集合,然后以训练基地选址和流经各转场训练路径上的航线驾驶员培训数量为决策变量,并综合考虑训练基地设置数量、航线运输驾驶员培训总人数和各训练基地转场训练容量等限制条件,以转场训练网络总成本最小为目标函数,构建转场训练网络优化设计数学模型。算例结果表明,与传统方法相比,该方法将转场训练网络总成本降低了9.18%;通过将空域及机场容量在-30%~30%之间波动,发现转场训练网络中训练基地数量发生变化,并使得网络设计总成本在1.12%^-10.67%之间波动。因此,该方法是可行且有效的,能够为飞行航校的转场训练网络设计提供指导。