基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

恒定剪切作用下全尾膏体微观结构演化特征

全尾砂膏体作为一种塑性流体,其内部结构的形貌特征与浆体流动性能紧密相关,研究剪切过程中微观结构的演化特征,对于分析膏体管道输送及制备工艺中的流动行为具有十分重要的意义.本文借助扫描电镜技术,拍摄了不同搅拌时间的膏体微观结构图像.综合应用计算机图像处理技术和分形理论,估算了膏体微结构的分形盒维数,提出以结构系数λ作为微结构形貌特征的表征指标,建立了搅拌过程中微结构时间演化过程的数学模型.某铅锌尾矿膏体相关实验的结果表明：其结构系数λ随搅拌时间急剧减小,并逐渐趋于平缓,最终达到某一平衡状态.通过对实验数据的拟合,得到其演化模型相关的破坏系数及恢复系数,分别为0.171及0.491.     

从屈服应力角度完善膏体定义

为了确定适合工业应用的膏体浓度范围,从屈服应力角度完善了膏体定义:以屈服应力为(200±25)Pa时料浆中固相的质量分数为恰饱和质量分数,反推饱和率为101.5%~105.3%时料浆中固相的质量分数范围,即为工业应用膏体浓度.采用不同矿山的两种尾矿(1#尾矿和2#尾矿)对膏体定义分别进行室内实验和工程验证.结果表明:1#尾矿室内动态压密实验获得的底流中固相的最大质量分数为73.71%,膏体定义预测的理论膏体浓度最大值为73.89%,二者相差0.18%;2#尾矿通过深锥浓密机获得底流中固相的最大质量分数为68%,膏体定义预测的理论膏体浓度最大值为68.97%,二者相差0.97%.完善后的膏体定义对膏体浓度预测更可靠.     

基于CWT-CNN的滚动轴承故障诊断

针对滚动轴承传统故障诊断方法训练收敛速度慢、识别准确率不高、抗噪性能差等问题,提出CWT-CNN的轴承故障诊断模型。通过对滚动轴承振动数据经连续小波变换生成的时频图进行三次垂直方向随机裁剪的方法扩充数据集,之后将其导入到搭建的加入了批量归一化和随机失活的卷积神经网络中进行模型训练,再由训练好的模型实现轴承故障分类。为了测试模型性能,使用凯斯西储大学轴承数据集进行检测,经过实验结果表明：基于提出的方法构建的数据集相比于常规方法,在搭建的卷积神经网络训练中收敛速度更快,训练出的模型性能也更加稳定,最终最高测试准确率为99.75%,常规方法构建的数据集准确率为99.67%,证明了构建数据集方法的可行性;在原始数据中加入信噪比为6dB高斯白噪声后,通过常规方法构建的数据集测试的最高准确率仍达到了98.67%,展现了基于CWT-CNN的轴承故障诊断模型较强的抗噪能力,证明了所提方法的有效性和可行性。     

污泥基充填膏体重金属浸出机理及风险评价研究

以污水污泥替代部分煤矸石,与水泥、粉煤灰制备污泥基充填膏体材料,可以妥善处置污水污泥,同时解决矿井充填材料短缺问题。为保障地下水环境安全,研究了污泥含量10%的污泥基充填膏体的重金属浸出机理,利用熵权质量指数对污泥及污泥基充填膏体浸出液进行水质评价,并利用支持向量机构建水质评价预测分类模型。结果表明：结合浸出动力学分析重金属离子浸出规律,重金属离子质量浓度上升阶段,其质量浓度变化符合扩散作用控制的收缩核模型;污泥基充填膏体重金属浸出机理是水分子与充填膏体中游离重金属离子结合形成水合金属离子,在浓度梯度力的作用下浸出至外部水中;污泥基充填膏体浸出液水质等级整体为2级,满足Ⅲ类水质量标准。根据EWQI结果以支持向量机算法为核心,建立了水质评价模型,模型效果较好,且具有较高的统一性。     

基于混合神经网络的脑电情感识别

为保留脑电(Electroencephalogram,EEG)空间信息的同时充分挖掘EEG时序相关信息,提出了一种三维卷积神经网络(3-Dimensional Convolutional Neural Networks,3D-CNN)结合双向长短期记忆神经网络(Bidirectional Long Short-term Memory Neural Networks,BLSTM)的混合神经网络(3DCNN-BLSTM);为验证该模型的分类性能,在DEAP数据集和SEED数据集上进行情感识别实验. 实验结果表明3DCNN-BLSTM模型能有效学习EEG多通道间的相关性与时间维度信息且提高了情感分类性能:在DEAP数据集的二分类实验中,唤醒度和效价的情感识别平均准确率分别为93.56%和93.21%;在DEAP数据集的四分类实验中,情感识别平均准确率为90.97%;在SEED数据集的三分类实验中,情感识别平均准确率为98.90%.     

基于Logistic回归和神经网络比较的咽喉反流疾病的精准预测

数据来自吉林大学第二医院193位病人的反流症状指数评分量表(RSI)数据,应用Logistic回归模型与神经网络模型对咽喉反流疾病进行预测.首先对数据进行预处理和相关性检验,再将数据按7:3拆分成训练集和验证集,最后通过Logistic回归模型和神经网络模型两种方法对咽喉反流疾病进行预测.结果表明,Logistic回归模型的预测准确率为99.39%,神经网络早停止法训练出的模型预测准确率最高为98.61%.因此,Logistic回归模型对咽喉反流性疾病的预测更加准确,为咽喉反流疾病的高效识别奠定了基础.     

基于模拟声辐射信号的桥上板式轨道脱空状态智能感知方法

提出了一种基于轨旁传声器采集结构声辐射信号的板式轨道脱空状态智能感知方法。建立了车-轨-桥耦合振动计算模型和声振耦合分析模型,模拟了列车动载激励下轨道板和桥梁结构的振动和声辐射响应,分析了轨道板脱空状态对结构振动和声辐射响应的影响规律,采用声辐射数值模拟数据和支持向量机（SVM）实现了对轨道板15种脱空状态的二分类和多分类识别。结果表明：相比于位移响应,加速度响应和声辐射响应对轨道板脱空状态的变化较为敏感;二分类SVM模型对于不同测点数据的分类效果有所差别,但准确率基本都能达到85 %以上;根据某测点声压数据训练出的二分类SVM模型对未知测点数据的分类准确率相比于自身测点数据下降10 %~30 %;多点位数据信息融合可以提高多分类识别准确率。     

金属矿尾砂浆压缩与剪切屈服应力的关系

膏体流变学的研究是矿业浆体流变学的热点和难点。膏体技术包括脱水、搅拌、输送、堆存(充填)4个阶段,均涉及到非牛顿流体流变特性。在脱水阶段,全尾砂的压缩屈服应力影响了尾砂浆的脱水浓度,浓度是剪切屈服应力的宏观表现,继而影响了混合搅拌和管道输送过程中浆体的剪切屈服应力。所以,压缩屈服应力和剪切屈服应力之间的关系成为了膏体充填技术领域中的关键问题。在压滤理论指导下,开展相关实验,提出了全浓度范围内床层脱水阻力和浆体输送性能表征方法,以表征全尾砂浆的可浓密性能。对全尾砂高压力作用下的可浓密性能进行测试,得到高压力下全尾砂浆体的压缩屈服应力;使用控制剪切速率法(CSR)操作桨式流变仪检测剪切屈服应力;继而得到两者之间的关系为：浆体屈服应力为剪切应力,压缩屈服应力为压缩应力;浆体的压缩屈服应力、剪切屈服应力与浓度指数均呈指数关系。并且压缩屈服应力远大于剪切屈服应力,因此剪切作用更易破坏絮团,是脱水的主要外部动力,从而解释了搅拌脱水的力学机理。     

基于GAF和卷积神经网络的轴承故障诊断研究

针对深度学习在轴承故障诊断中出现的多分类时测试准确率低、数据集不足的情况,提出基于格拉姆角场(GAF)法和卷积神经网络(CNN)的轴承故障诊断模型以及采用重叠采样20%的方法扩充数据集。通过对轴承振动信号采用格拉姆角场法变换构建数据集,导入到搭建的六层卷积神经网络中实现故障分类。在搭建的CNN中测试了不同的轴承数据集以及不同数据长度下的测试准确率和抗噪性能。结果表明,在不同数据集的测试中,所搭建的模型最高测试准确率可达100%,搭建的CNN有着良好的性能,在多分类问题上具有较高的精度;扩充数据集的方法具有一定的可行性,可以有效提升模型的测试性能。     

基于注意力机制归纳网络的小样本关系抽取模型

针对小样本关系抽取问题,提出一种基于注意力机制的归纳网络.首先,利用归纳网络中的动态路由算法学习类别表示;其次,提出实例级别的注意力机制,用于调整支持集,并获取支持集与查询集样本之间的高级信息,进而获得与查询实例更相关的支持集样本.该模型很好地解决了训练数据不足时如何进行关系抽取的问题.在小样本关系抽取数据集FewRel上进行实验,得到的实验结果为：5-way 5-shot情形下准确率为(88.38±0.27)%,5-way 10-shot情形下准确率为(89.91±0.33)%, 10-way 5-shot情形下准确率为(77.92±0.44)%, 10-way 10-shot情形下准确率为(81.21±0.39)%.实验结果表明,该模型能适应任务并且优于其他对比模型,在小样本关系抽取中取得了优于对比模型的结果.     

基于M-Xception网络的戴口罩人脸表情识别

目前,国内外对于有遮挡的人脸表情识别研究较少,其中戴口罩的人脸表情识别(faceemotionrecognition withmask,FERM(应用场景复杂、数据集缺乏、识别准确率低,因此提出一种改进的Xception网络模型M-Xception Net(Modified Xception Net),并建立一个FERM数据集.M-Xception网络模型具有轻量级特性,参数量较少,对细微表情信息敏感,适用于场景复杂、分辨率较低表情数据集,并利用Dlib的Face-Mask技术,对FER2013表情数据进行戴口罩的遮挡处理,生成FERM数据集.将M-Xception网络模型在FERM数据集上进行测试,结果表明,戴口罩人脸表情识别准确率达到88.95%,高于直接利用Xception网络进行戴口罩表情识别的准确率84.94%,并且缩短了训练时间.     

基于振动与声音信号深度学习的岩性识别方法

岩性识别对地质勘查和储层评价具有重要意义,科学有效地开展岩性自动识别的相关研究能够有效地为勘查过程提供指导,减少工作的盲目性和冗杂性。针对常见的砂岩地层,选择三类砂岩,基于室内微钻试验台,设计钻杆转速、钻孔深度和钻孔位置三个变量,检测钻进过程中产生的振动和声音特征信号。将采集的振动和声音信号预处理,提高信噪比,生成数据集。将振动和声音的数据集按6∶2∶2的比例划分为训练集、验证集和测试集,之后分别构建二维卷积神经网络和一维卷积神经网络并使用训练集和验证集训练岩性识别模型,最后运用未经训练的测试集验证模型准确率。模型训练完成后,以频谱图为数据集的振动信号识别模型准确率达到95.19%,以梅尔频率倒谱系数为数据集的声音信号识别模型准确率达到73.58%。研究结果表明,不同岩性在钻进过程中产生的振动和声音信号具有不同信号特征,基于振动和声音信号的岩性自动识别方法可以较好地实现几类砂岩的自动识别,这为地质勘查时的岩性自动识别提供了参考与依据。     

全尾砂膏体搅拌剪切过程的触变性

膏体触变性是一种复杂的流变现象,涉及到膏体的搅拌制备、管道输送、采场流动等多方面,但是对膏体的触变性机理目前还缺乏统一的认识,对全尾砂膏体处置技术中出现的各种与触变性相关现象还难以解释。针对全尾砂膏体搅拌剪切过程中的触变行为,对某尾矿全尾砂膏体在不同条件下进行流变测试,研究全尾砂粒级、膏体中固相质量分数、水泥添加量、静置时间等因素对膏体触变的影响规律,分析全尾砂膏体触变行为及其对全尾砂膏体稳定性能的影响。研究结果表明,全尾砂颗粒以三维网状结构弥散于浆体空间,其触变性与屈服应力及膏体料浆稳定性相关,受到料浆中超细成分、灰砂比、固相质量分数等影响,膏体触变特征可划分为剪切破坏及静置恢复两个过程,其流变特性具有随时间而变化的特点。     

基于小波函数的模糊大脑情感学习分类器

将小波函数和模糊推理相结合，提出一种基于小波函数的模糊大脑情感学习分类器（WFBELC）。采用小波函数的时频局部化特性反应输入信号的突变信息，快速精确地逼近信号，并去除噪声；利用参数自学习规则更新WFBELC结构参数。将该分类器应用于3个公开数据集，并与BP算法模型、模糊小脑模型(FCMAC)和模糊大脑情感学习模型（FBEL）进行对比。仿真结果显示，分类器在3个数据集上的分类准确率平均值均为最高，其中，在Wine数据集上的准确率最大值达到100%，平均值为9756%，表明WFBELC对数据集的学习能力更强，能获得更好的分类效果。     

泵送减水剂对尾砂-棒磨砂膏体料浆和易性与充填体强度影响研究

针对金川镍矿尾砂-棒磨砂膏体在充填管道输送中存在的堵管问题,开展了泵送减水剂对膏体的和易性与充填体强度影响试验研究.首先分析了膏体物料的物化特性和颗粒级配;然后采用金川镍矿尾砂-棒磨砂膏体充填系统工业生产中的技术参数,开展了添加不同泵送减水剂添加量的充填体强度、膏体和易性以及流变特性参数测试研究.研究结果显示,当添加1%~2%的泵送减水剂,3、7和28 d强度均有显著提高.膏体的和易性随泵送减水剂添加量的增加而提高,且浓度越高,效果越显著.当膏体浓度(质量浓度)在78%~80%的范围,膏体初始剪切应力和粘滞系数均随着泵送减水剂的增加而线性减小.结合泵送减水剂对充填体强度、膏体和易性以及流变特性影响分析,并考虑膏体充填成本与采矿经济效益,确定1%的泵送减水剂为比较合理的添加量.研究结果为金川镍矿膏体充填系统料浆制备提供重要依据,已经应用于金川矿山膏体充填的工业化生产.     

基于小数据集的改进LeNet图像分类模型研究

将传统卷积神经网络应用于小数据集上,LeNet模型准确率低并且收敛速度慢,VggNet等模型存在过拟合问题.针对小数据集提出一种改进LeNet模型,该模型在LeNet基础上使用ReLU函数替换sigmoid来提高收敛速度,加入1*1卷积增加模型深度并利用其改变维度的特点来提高识别准确率,通过分解卷积和提出改进Dropout方法减少过拟合.结果表明:改进LeNet模型分类自制小龙虾数据集,比LeNet收敛速度快6000步并且准确率提高约15%,比VggNet和ResNet过拟合程度明显减少;将改进LeNet模型推广应用于开源数据集MNIST和Fashion-MNIST上,改进模型也有良好的表现.     

建筑垃圾再生骨料对矿山充填膏体输送性能影响的试验研究

为探究建筑垃圾再生骨料对矿山充填膏体输送性能的影响,采集废弃路面混凝土、城区废旧建筑物、建筑工地废弃物三种来源的建筑垃圾制备充填膏体,通过基本物理性质(表观密度、堆积密度、吸水率、压碎指标、针片状颗粒)和输送性能(充填膏体的塌落度、分层度、泌水率)测试,验证三种不同建筑垃圾制备充填膏体的可行性。采用单因素试验分析方法,通过改变充填膏体的质量浓度、固相比,探究对不同建筑垃圾充填膏体输送性能的影响。实验结果表明:以建筑工地废弃物再生骨料制备的充填膏体其效果最优。建筑工地废弃物充填膏体的塌落度、分层度、泌水率随其质量浓度和固相比的增加分别出现逐渐减小和先减小后增大的趋势。当质量浓度76%～78%,固相比为1∶4∶6时,建筑工地废弃物再生骨料充填膏体的输送性能达到最佳。     

基于多层感知机改进型Xception人脸表情识别

针对使用深度学习提取人脸表情图像特征时易出现冗余特征,提出了一种基于多 层感知机（MLP）的改进型 Xception 人脸表情识别网络 . 该模型将 Xception 网络提取的特征输 入至多层感知机中进行加权处理,提取出主要特征,滤除冗余特征,从而使得识别准确率得到 提升 . 首先将图像缩放为 48*48,然后对数据集进行增强处理,再将这些经过处理的图片送入 本文所提网络模型中. 消融实验对比表明：本文模型在CK+数据集、JAFFE数据集和MMI数据 集上的正确识别率分别为98.991%、99.02%和80.339%,Xception模型在CK+数据集、JAFFE数 据集和 MMI 数据集上的正确识别率分别为 97.4829%、90.476% 和 74.0678%,Xception+2lay 模 型在 CK+数据集、JAFFE 数据集和 MMI 数据集上的正确识别率分别为 98.04%、84.06% 和 75.593%. 通过以上消融实验对比,本文方法的识别正确率明显优于Xception模型与Xception+ 2lay模型. 与其他模型相比较也验证了本文模型的有效性.     

一种改进的深度神经网络的花卉图像分类

花卉图像类内差异性大和类间相似性高使得花卉图像分类较难.传统花卉分类方法和普通卷积神经网络很难完整地表达花卉图像的特征,故而分类效果不理想.为提高花卉分类准确率,提出改进的InceptionV3网络用于花卉图片的分类.采用迁移学习的方法,将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类,对其中的激活函数进行改进.在通用Oxford flower-102数据集上的实验表明:该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高,且比未改进的卷积神经网络准确率高,迁移过程准确率达到81.32%,微调过程准确率达到92.85%.