基于三维点云数据的集料颗粒棱角性量化评价

集料颗粒的棱角性是决定沥青混合料路用性能的重要因素.文中首先搭建了基于Gocator 3 D智能传感器的集料三维图像采集系统,获取粒径为9.5、13.2和16.0 mm的玄武岩、花岗岩和石灰岩3种集料样本的三维点云数据;然后采用基于Sobel-Feldman卷积和基于集料表面法线的集料颗粒表面棱角性量化方法进行评价,并...     

离散元法中的集料三维数字模型构建

基于三维建模及PFC 5.0平台Fish语言开发一种集料三维离散元模型构建方法.基于三维建模构建集料颗粒几何形态特征,将集料几何形态导入PFC 5.0平台构建可表征集料几何形态的clump模板;调用clump模板在一定空间内生成clump用于集料离散元模拟.为评价该方法的有效性及准确性,使用填充度评价clump表征集料几何形态的效果,并采用单元球体数量量化虚拟集料对计算效率的影响,分析几何形态精度与填充算法效率的关系以及填充算法参数对填充度以及单元球体数量的影响.研究结果表明:集料几何形态特征点数量为1 000～2 000能够发挥填充算法的优势;按照填充算法推荐参数生成的clump块体可以较好地平衡填充精度与计算效率.该方法可以实现低成本、高效率生成集料三维离散元模型,为进一步数字化试件仿真提供有力技术支撑.     

沥青混合料三维仿真设计及虚拟剪切试验研究

使用凸包算法和Bubble Pack算法生成clump块体模拟粗集料颗粒,并基于PFC 5.0 3D平台实现虚拟粗集料颗粒的装配、虚拟砂浆及空隙的生成,完成沥青混合料虚拟试样的构建.最终,基于伺服控制原理进行虚拟三轴剪切试验,并对比分析室内试验及虚拟试验数据.结果表明:基于PFC5.0 3D平台在沥青混合料虚拟试样中采用clump块体直接表征粗集料颗粒,精度可控,表面结构更加拟真;构建的沥青混合料三维离散元数值模型能够有效描述沥青混合料的力学行为.     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

采用离散元方法评价集料的骨架结构

为了从细观结构角度深入研究骨架型沥青混合料集料的受力特征,在离散元程序PFC3D内,采用多球相互重叠的方法描述粗集料颗粒的三维不规则形状,并建立了考虑级配特征的集料混合物生成方法.按照集料粒径由大到小的顺序,在PFC3D中对各档集料进行了虚拟的逐级填充,并定量分析了各粒径集料对逐级填充后混合物中集料间隙率、集料之间的接触点数量、接触力等参数的影响.结果表明:集料混合物中,较粗集料受到的接触力大于较细集料;在较粗集料的混合物中,加入大于2.36 mm的较细集料有助于增加集料混合物的接触点数量,降低较粗集料所承担的接触力;粒径4.75～9.50 mm集料对接触点数量的增加最为显著;4.75 mm是骨架型沥青混合料的关键粒径.     

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。     

破碎岩石颗粒形态特征量化描述体系

形态特征的量化描述是破碎岩石颗粒三维形态重构及其力学行为研究的基础。本研究针对岩石颗粒二维形态特征的表征开展研究,随机选取不同粒径的破碎岩石颗粒,采用数字图像处理技术和Image-Pro Plus图像测量方法,提取岩石颗粒的基础几何数据。确定以圆形度、球形度、矩形度和粒径为指标的形态特征描述体系。对测量结果进行散点拟合与多元参数拟合,通过相关性分析确定形状参数影响效果的显著性,筛选淘汰不显著因素与相关性低的参数,构建岩石颗粒CSR(Circularity, Sphericity, Rectangularity)形态特征描述体系。结果显示,以圆形度代表颗粒二维形态特征的规则程度,粒径的相关性较低,球形度与矩形度均存在相关性,经回归分析后发现球形度的影响程度最为显著。对比分析结果显示,CSR指标体系在表征颗粒宏观二维形态上具有较高的准确度。     

融合残差网络的CR-BiGRU入侵检测模型

针对当前网络攻击的复杂性和多样性,传统模型提取流量特征不足且准确率较低的问题,提出一种融合残差网络改进的CR-BiGRU混合模型的网络入侵检测方法.首先将数据集进行归一化以及独热编码处理,然后利用基于残差网络的卷积神经网络提取空间特征,最后使用双向门控神经网络提取时间特征,完成模型的训练并实现异常网络的入侵检测.为表明模型的适用性,基于数据集NSL-KDD和UNSW-NB15进行对比分析实验,结果表明,该方法基于上述数据集准确率分别达99.40%和83.79%,明显优于经典网络入侵检测算法,能有效提升检测网络入侵的精度,从而更好保证网络数据的通信安全.     

基于彩色数字图像技术的级配颗粒均匀度评价方法

为了对沥青混合料级配颗粒均匀度进行定量评价,基于彩色数字图像处理技术准确提取集料颗粒,引入颗粒平均粒度与均匀度指标,结合彩色数字图像处理方法,对5种最大粒径为16 mm的沥青混合料级配分别采用中位直径和频率直径来评定沥青混合料级配的均匀性。研究结果表明:基于彩色数字图像处理技术的级配颗粒均匀度评价方法避免了大颗粒被判断为小颗粒的缺陷,保证全部粗集料颗粒均被有效提取,采用中位直径与频率直径进行级配均匀性评价,其准确度较高,同时发现,AM-16类级配较SMA-16级配偏粗,但其粒度均匀性小于AK-16级配。粒度均匀性指标可以较好评价级配的均匀程度,可为级配颗粒均匀性评价提供一种有效的定量评价依据。     

基于多尺度特征融合的中分辨率遥感场景分类算法

在对中分辨率遥感图像进行场景分类时,传统的特征提取方法无法提取全面的特征,若使用卷积神经网络进行场景分类,同一大小的卷积核无法提取尺寸大小各异的地物特征,导致分类精度降低.为了提取不同尺寸的地物特征,提高分类精度,本文提出一种基于多尺度特征融合的中分辨率遥感场景分类算法.对传统的卷积神经网络进行改进以适应中分辨率遥感数据集,并在其基础上添加多尺度池化,将连接多层次的特征图谱输入到全连接层进行分类.实验表明,多层特征融合方法提取的特征信息比单层多尺度池化方法提取的特征信息更全面,分类效果更优.与其他的传统分类方法相比,本文方法获得更好的分类结果.     

多通道CNN-BiLSTM的短时温度预测

温度数据具有明显的反向、时序相关性及多尺度特征，提升温度预测精度的关键在于能否有效提取温度数据的上述特征.为提取这些特征，该文提出一种多通道卷积双向长短期记忆网络(convolutional neural network-bidirection long short-term memory, CNN-BiLSTM)的短时温度预测模型.该模型首先利用双向长短期记忆网络(BiLSTM)提取数据的反向特征、时序相关性特征；再利用多通道且不同尺寸、不同膨胀率的卷积神经网络(CNN)提取数据的多尺度特征，组成在学习多尺度特征后的数据，将其和原始数据作为BiLSTM层的多通道输入，输出的数据经过全连接层，形成最终的预测结果.实验结果表明：多通道CNN-BiLSTM的短时温度预测模型能有效地提取数据的时序相关性、反向及多尺度特征，可有效地提升温度预测精度，是一种行之有效的短时温度预测模型.     

基于粒子群算法的多尺度反卷积特征融合的道路提取

研究基于传统FCN算法下的不同比例的多尺度特征融合对于复杂场景下道路提取准确度的提高.针对复杂的航拍道路场景,设计了针对于农田环境下的FROBIT农田道路数据集,并使用全卷积神经网络（FCN）对FROBIT农田道路数据集和Massachusetts城市道路数据集进行道路提取工作.本文基于传统的FCN的网络,对其反卷积方式进行改进,采用粒子群算法（PSO）设计了不同比例的多尺度特征融合.通过将本文提出的Multi-Scale FCN网络与传统的FCN神经网络在FROBIT数据集和Massachusetts道路数据集上进行对比实验,结果表明Multi-Scale FCN网络相比于传统的FCN神经网络在提取精度上得到了提高.      

一种基于图像的沥青混合料矿料级配检测方法

通过对沥青混合料数字图像进行对比度拉伸、中值滤波、阈值分割、二值形态学运算以及颗粒分析,得到了各个集料颗粒的面积、周长、外接矩形和等效椭圆等特征参数,进一步对各参数进行统计分析,得到颗粒分析汇总数据,然后对分析汇总数据进行误差补偿,得到沥青混合料的矿料级配组成并绘制级配曲线。结果表明:数字图像处理技术在沥青混合料矿料级配检测中具有检测效率高的优点;对比度拉伸以及中值滤波等运算可以消除图像采集过程中的瑕疵,使图像更有利于后续处理;基于图像的颗粒分析数据具有较好的相关性,通过差分修正可以得到与设计级配比较接近的检测结果;利用图像处理技术检测沥青混合料矿料级配是可行的,可以作为筛分方法的有效替代。     

基于PCA的RBF神经网络预测方法研究

主成分分析(PCA)法可以提取样本集的主成分,实现样本的最优压缩,从而降低样本的维数。针对用RBF神经网络进行多因素时间序列预测时样本特征指标过多的问题,提出用统计理论的PCA方法对数据进行预处理,再选出几个主成分作为神经网络的输入节点.仿真实验表明,基于PCA的RBF神经网络模型在拟合预测中与一般的RBF神经网络模型相比有较好效果,简化了网络结构,改善了预测精度.     

集料磨耗特性及其对混合料抗滑性能影响研究

为了研究新旧粗集料颗粒的磨耗特性及其对沥青混合料抗滑性能的影响,本研究使用数字图像处理技术对不同磨耗程度的新旧粗集料的棱角性进行了测量,采用摆式磨擦系数测定仪和数字图像处理技术方法对含有不同磨耗程度颗粒和不同替换颗粒粒径的沥青混合料抗滑性能进行了研究.结果表明:新旧粗集料颗粒在相同磨耗程度下的棱角性变化规律相同,但回收...     

基于CLSTM的步态分类方法

步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法:采用卷积神经网络(CNN)操作,通过计算多轴步态数据提取步态特征;基于长短期记忆(LSTM)构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。     

基于深度神经网络的智能推送系统研究

为了提高推送系统的可扩展性和推送精度,结合深度神经网络技术,探讨智能推送系统的设计和实现.设计基于二次多项式回归模型的特征表示方法,通过对传统矩阵分解算法进行改进,可以更准确地获得潜在特征.将这些潜在特征视为深度神经网络模型的输入数据,采用深度神经网络用于预测评分.通过在真实数据集上与其他推送算法进行比较,验证了本系统的有效性.     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

基于DNN-FM模型的网络入侵检测研究

与随着网络技术的飞速发展,主动防御网络入侵比以往更加重要.误报率高和检测率低的主要原因之一是不能很好的对数据集间的特征进行交互学习.在本文中,我们提出了一种可以对低阶和高阶特征进行交互学习的模型.模型DNN-FM在新的神经网络体系结构中结合了因子分解机和深度神经网络对低阶和高阶特征进行交互学习.在KDD99数据集上进行...     

多层局部感知卷积神经网络的高光谱图像分类

针对高光谱图像分类中光谱特征的高度非线性问题,提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型,提高模型在光谱域处理的非线性特征提取能力.该算法通过构建七层网络结构,实现多层局部感知结构,逐个像素对光谱信息开展分析,区分不同目标物的光谱信息,将全光谱段集合作为输入,舍去空间信息,利用动量梯度下降训练算法对多层局部感知卷积神经网络训练,实现对不同目标物体光谱特征的提取与分类.实验中,采用两组高光谱遥感影像进行对比分析,以Pavia University数据集为例,在3 600个训练样本情况下,测试集为1 800个样本,本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下,测试集为全部样本,本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%.实验结果表明,在训练集较小的情况下,本文方法优于传统神经网络,能有效提取数据特征,并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法.在大规模训练集时,本文方法表现出良好的学习能力,在分类精度上优于LeNet-5.本文提出的多层局部感知网络结构增强了对非线性特征的学习能力,无论训练集规模大小,都比传统的SVM和一般的深度学习网络更能有效的利用高光谱图像中的逐像素点的光谱域信息,能有效提高分类精度.