一种基于同类融合的工业数据扩充算法

在基于深度网络的工业板材表面缺陷检测应用中,缺陷图像的类别不平衡和数量不足严重制约了深度网络的应用性能.为了解决此问题,提出一种基于同类融合的工业数据扩充方法以丰富表面缺陷图像训练集.首先根据缺陷特征将表面缺陷图像集中的样本进行分类,随机选择属于同一类别的多个样本执行融合操作以扩充数据量和丰富样本类型,然后将原始数据和扩充的人工数据组合起来作为新训练集,以提升模型分类和检测的能力.以实际生产中采集的钢材表面缺陷图像进行实验,并与生成算法扩充的样本进行比较.实验结果表明,该算法不仅在扩充表面缺陷图像质量上超过了卷积生成对抗网络(DCGAN)和循环一致生成对抗网络(CycleGAN)等生成算法,并在缺陷目标分类和检测任务上取得了更有效的扩充效果.

基于注意力和图网络的多粒度脚本事件推理方法

[目的]对于一些覆盖面广、延续时间长的事件(如台风、洪水等自然灾害),考虑事件演化过程复杂多变,所获取的事件信息存在疏密程度不均的问题,研究其事件推理问题.[方法]提出一种基于注意力机制和图网络的多粒度脚本事件推理方法,通过提取及合并不同粒度的事件信息以获得更丰富的事件语义信息,并结合图注意力网络和事件转移概率矩阵以充分利用密集事件连接提升推理性能.具体而言,首先采用自注意力机制从事件链中获得事件片段,并结合单个事件和事件片段的表示扩展模型输入信息,然后充分利用密集的事件连接,从海量事件新闻中提取事件链构建事件演化图来获得事件转移矩阵,提高模型推理准确率.[结果]在多个真实台风事件以及标准数据集上的实验结果表明,本文所提方法优于传统的基于事件链、基于事件对以及基于事件图等的事件推理模型.[结论]采用自注意力机制从事件链中获得事件片段,并结合单个事件和事件片段的表示扩展模型输入信息可以缓解事件稀疏带来的推理困难问题;仅采用时序关系不能完全表示基本事件链与候选事件的关系,构建事件演化图可以更好的提取事件间的复杂交互信息;多粒度事件信息的融合可以更好地反映候选事件与基本事件链的关系.

RV减速器摆线轮齿廓修形建模与补偿研究

摆线轮齿廓是影响工业机器人核心部件—RV减速器性能的重要因素。为了使RV减速器能够精确传动,需要对摆线轮齿廓进行修形设计,从而补偿各种加工误差因素造成的齿廓误差。为此,提出了基于加工误差参数优化的摆线轮修形模型,以精确补偿实际与设计齿廓之间的误差。模型中的加工误差参数值是通过对实际加工齿廓的精确测量,设计一种回归算法,对误差数据进行回归优化而获得。利用提出的摆线轮修形模型得出的修形参数对齿廓进行加工测量,结果表明,与经验修形方法相比,实际加工齿廓与设计齿廓之间的误差值降低了50%,批量加工的齿廓误差也能保证在4μm以内。此方法实现了对摆线轮齿廓的精确修正,有效地提高了RV减速器的整体性能。

机器人关节摩擦建模与补偿研究

为了降低温度变化导致机器人关节摩擦补偿失效、跟踪精度降低的问题,提出一种考虑温度变化的Stribeck摩擦改进模型。通过非线性最小二乘法建立系统参数辨识模型,利用L-M （Levenberg-Marquardt）法对该模型进行迭代求解,建立温度影响下的非线性Stribeck摩擦模型。为验证模型的有效性,引入基于摩擦模型的前馈补偿方法,设计了机器人关节的轨迹跟踪实验。实验结果表明,改进的Stribeck摩擦模型能够准确地描述不同温度下摩擦的变化规律;与基于常规Stribeck摩擦模型补偿相比较,该模型的应用能进一步提高六轴机器人关节跟踪精度。

基于自适应序列罚权深度神经网络的膝骨关节炎等级评分

膝骨关节炎(OA)是老年人活动受限和身体残疾的主要原因之一,对膝骨关节炎的早期发现和干预可以帮助病人减缓OA的恶化。目前膝骨关节炎的早期发现通过X光片进行诊断,参照Kellgren-Lawrence(KL)标准进行评分,但医师的评分相对主观,不同医生存在差异。膝骨关节炎的等级分类是个有序分类问题,序列罚权损失函数将距离真实类别越远的等级赋予了更高的罚权,因此它更适合于膝骨关节炎的等级分类。然而,已有工作中的罚权一旦给定,就不再变化,导致其训练模型常常达不到期望的结果。本文针对序列罚权损失的不足,提出一种自适应序列罚权调整策略,通过对每一个阶段(epoch)得到的混淆矩阵,反向指导惩罚权重进行微调,使得罚权矩阵能够自适应调整。进一步地,本文利用来自骨关节炎倡议组织(OAI)的X射线图像数据,在ResNet,VGG,DenseNet以及Inception等几种经典的CNN模型上验证该方法的性能。实验结果表明在膝骨关节炎KL分级任务上,本文提出的自适应序列罚权调整策略在初始罚权分差较小时,能够有效地提升模型分类精度(AC)与平均绝对误差(MAE)。

基于智能计算噬菌体的细菌宿主范围预测

针对噬菌体的细菌宿主范围预测对于深入理解噬菌体及将其作为抗生素替代用于生物疗法具有重要意义。传统生物实验方法确定噬菌体的细菌宿主范围受到极有限的噬菌体可培养性和严苛的培养条件限制,而高通量测序技术所提供的海量基因组或宏基因组序列提供了噬菌体及细菌重要的序列信息,因此智能计算为预测噬菌体的细菌宿主范围提供了可行方法。本文从智能计算的角度对噬菌体的细菌宿主范围预测研究进行系统梳理,从噬菌体感染细菌的过程入手,描述配对预测模型所依赖的特征及其生物合理性,归纳宿主范围预测的智能模型、建模原理及预测策略,总结建模训练和评估所依赖的参考数据集与真实数据及评价指标。本文特别注意挖掘和分析各信息手段、模型、方法其背后的生物合理性及其依赖的生物机理。本综述期望推动基于智能算法的噬菌体的细菌宿主范围预测研究发展,并探索将生物先验结合人工智能实现噬菌体侵袭细菌宿主的本质机理推断,同时也为基于噬菌体的临床应用提供参考与借鉴。

基于RBFNN的机器人关节摩擦建模与补偿研究

机器人轨迹跟踪是限制机器人高精度应用的关键问题,对机器人关节摩擦进行建模和补偿是提高机器人轨迹跟踪精度的有效途径。针对目前的摩擦建模方法受换向时不连续以及建模误差等非线性因素的影响,无法在实际场景中应用的问题,提出一种基于径向基神经网络(RBFNN)的摩擦建模与补偿方法。首先,为克服换向时摩擦不连续带来的影响,建立一种连续的关节摩擦建模方法;然后,通过引入径向基神经网络,拟合建模误差,解决系统中的非线性因素影响。其次,为实现机器人实际控制,采用高精度编码器获取机器人在实际轨迹跟踪过程中的位置、速度和关节转矩数据,并对所得数据进行滤波去噪。最后,为验证所提方法的有效性,设计并完成了机器人关节的轨迹跟踪实验。结果表明,相比较于未补偿情况,基于RBFNN控制在补偿前后的平均跟踪误差,最大跟踪误差均有大幅度降低。其中,数据滤波后的机器人轨迹跟踪精度有73.46%的提升,表明所提算法可以对系统中的关节摩擦以及其他非线性因素进行有效补偿。

机器人减速器传动误差建模与优化

为提高工业机器人旋转矢量(RV)减速器的传动精度,合理分配各零件的加工和装配公差,本文提出一种基于等价模型的RV减速器传动误差建模与优化方法.该方法根据RV减速器的传动结构,构建17自由度的等价误差模型,利用传统经验参数进行求解,获得减速器仿真传动误差;同时,将仿真传动误差与实际测量传动误差进行对比,运用最小二乘法建立经验参数辨识模型;在此基础上通过粒子群算法优化辨识模型中的经验参数,将该参数运用到实际RV减速器生产中,结果显示:与传统经验参数建立的误差模型相比,本文提出的方法使得传动精度的仿真精度误差平均缩小9.99%,大幅度提高了等价误差模型的准确性.

RV减速器等效误差建模与参数优化

RV减速器是机器人的核心部件,其传动精度对机器人性能起着重要作用.为提高其传动精度,建立了RV减速器的传动误差的等效模型,并利用刚度经验公式对模型的参数进行求解,得到减速器的理论传动误差.在动力学模型的基础上,采用改进遗传算法对模型中的经验公式参数进行了优化.将优化得到的误差模型与通过经验公式计算出的误差模型进行对比,结果显示优化后的误差比计算误差降低了10.09%,有效地提高了RV减速器的设计精度.

基于层次观测认知诊断的考生成绩预测方法

认知诊断旨在发现考生对特定知识点的掌握程度,从而实现对考生成绩的预测.以嵌入向量的形式表示考生和试题,提出了一个由知识点掌握程度、试题掌握程度、试题观测分数构成的基于层次观测的认知诊断框架(HoCDF)模拟考生的分数生成过程.该框架基于神经网络搭建,通过试题观测分数的差异区分不同的试题类型,从而探索不同试题类型之间的关系并实现联合建模.此外,通过增加不含激活函数的单层网络作为额外通路,HoCDF提高了对考生嵌入向量的学习效果,更加充分地诊断出不同考生对同一知识点的掌握程度差异,从而更加清楚地区分不同考生对同一知识点的掌握程度差异.实验结果表明:HoCDF的性能远优于其他考生建模方法,不仅能成功诊断出考生对知识点的掌握程度,而且在相同训练集比例下,可以更加有效地预测考生成绩.

基于神经网络的伪装物体边缘检测

伪装物体检测相较于通用目标检测具有更高的复杂性,其隐藏在周围环境的特性使其检测更具有挑战性.基于伪装物体颜色和纹理与环境相似,但边缘信息与环境不同的特点,提出基于VGG的伪装物体边缘检测模型.为了加快网络训练速度,该模型首先对目标图像进行压缩并在VGG中引入降采样;为了充分利用深层和浅层信息,将基于VGG16改进的网络结构划分为5个阶段,不同阶段可以获得不同维度的特征图;为了更好突出伪装物体的边缘特征信息,引入注意力模块加深对伪装物体信息的获取.在伪装物体检测COD10K数据集上进行了实验验证,通过图像相似性评价指标进行衡量,结构相似性度量(SSIM)平均值达到83.72%,表明该方法有良好的伪装物体边缘检测能力.

二分网络中基于增强动态距离模型的社团检测算法

为了在二分网络中能够更好地利用动态距离模型,提高动态距离模型的鲁棒性,提出一种新的局部非对称边缘聚类系数(local asymmetric edge clustering coefficient,LAECC),将自我中心(Ego-Leader)从单模网络扩展到二分网络,用来判断专属邻居节点对距离产生的影响,摆脱敏感参数.同时,提出一种在二分网络中基于Ego-Leader进行社团检测的增强动态距离模型(E-BiAttractor),E-BiAttractor不仅继承了BiAttractor在检测二分网络社团时的优异表现,而且通过引入Ego-Leader来代替敏感参数,优化了模型在二分网络上的鲁棒性,并提出相应的社团检测算法.最后在8个公开数据集上进行实验对比分析,验证了所提模型的有效性.大量实验表明,相较于几种已有的算法,E-BiAttractor具有良好的性能.

工业机器人运动规划研究进展

由于工业机器人构型空间和工作环境的复杂性,传统运动规划算法难以在有限时间内进行路径求解,如何提高算法的规划效率与最优性成为研究热点。本文跟踪目前工业机器人运动规划算法的发展现状,针对主流随机采样算法的原理与发展脉络进行了细致分析与总结。在此基础上,详细阐述了基于强化学习的随机采样算法,该方法引入了规划学习机制,在保证求解速度的同时,还能不断提高求解质量。同时对当前运动规划算法存在的一些不足提出了建议与展望。

嵌入自学习策略的多因子进化算法

为了解决多因子进化算法(MFEA)局部搜索能力不足的缺陷,提出将基于拟牛顿方法的自学习策略嵌入到MFEA中.结合MFEA的特性,设计了三种类型的嵌入策略,并应用于多任务优化问题的求解.结果表明:嵌入式MFEA的性能远优于同样基于拟牛顿方法改进的自适应模因多因子进化算法(AMA-MFEA);在相同迭代次数的条件下,完全子代嵌入可以发挥最好的效果;在相同优化时间的约束下,随机抽样嵌入最为有效.

可在线配置结构的多源融合位姿估计框架

针对组合导航系统中,融合算法结构难以在线进行配置的问题,基于误差状态扩展卡尔曼滤波器(ES-EKF)和标准观测模型库,提出一种不依赖特定平台、可在线配置结构的多源融合估计框架,赋予组合导航系统动态变更信息源融合方式的能力。对多种导航子系统的输出信息进行分类和建模,建立一个不依赖于特定传感器和平台的标准观测模型库。设计一种算法结构的表示规则,将算法结构映射为融合模式,实现信息源和变量的灵活选择。基于该融合估计框架,设计并实现了一个惯性测量单元/磁力计/编码器/相机/激光雷达组合导航系统。最后,在野外数据集上进行了多种测试,该系统能够通过人工静态地或自主动态地变更融合模式灵活配置融合算法的结构,且定位精度优于robot-localization算法。试验结果表明,该框架可有效地实现多源融合估计、可在线地配置融合结构。