基于深度残差卷积神经网络的高光谱图像超分辨方法

针对传统的稀疏表示方法的不足,提出一种基于深度残差卷积神经网络的单高光谱图像超分辨率方法,无需对应多光谱图像.研究挖掘低分辨率遥感图像和高分辨率遥感图像之间的非线性关系,构建深度残差卷积神经网络,串联多个残差块,并去除一些不必要的模块.充分挖掘自然图像和高光谱图像之间的相似性,利用自然图像样本训练卷积神经网络,进一步利...     

基于卷积神经网络的合成孔径雷达图像目标识别

为了解决现有合成孔径雷达(SAR)图像目标识别算法识别率不高、泛化能力不足的问题,提出一种基于卷积神经网络的SAR图像目标识别模型CMNet网络。通过设计针对SAR图像特点的特征提取网络,在损失函数中引入中心损失与Softmax损失联合监督训练过程,兼顾类内聚合和类间分离,提高算法精度和泛化能力。网络模型中所有卷积层后引入批量归一化层加快模型收敛速度、防止过拟合。实验使用美国运动和静止目标获取与识别数据库进行测试,10类目标平均识别率达到99. 30%。结果表明,提出的CMNet网络模型具有较高的识别率和泛化能力,在公开数据集上取得较好结果。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.     

基于残差对抗神经网络的图像艺术风格迁移

图像的艺术风格迁移旨在维持图像内容特征不变的前提下,将其风格特征转变为另一张图像所具有的风格特征.然而,当前的风格迁移方法在网络处理中采用都是像素级的卷积,往往存在内容信息和风格信息的普遍丢失问题,导致生成的风格化图片泄露原有的内容.为解决这一问题,提出了一种新的残差对抗网络模型,名为RLGAN(Residually Generative Network).模型采用了多层残差链接的结构,将网络前面的内容信息与深层特征相链接,有效应对信息损失的问题.RLGAN在传输风格信息的同时,巧妙地保护了图像的内容纹理结构,能够对一张给定的内容图和另一张风格图生成内容保真的风格化结果.在模型训练过程中,引入了判别器和全新设计的损失函数,优化解码器参数的更新,从而提高模型性能.RLGAN模型能够生成既具有原始内容图的纹理结构,又具备艺术风格的图像.这一创新性的方法旨在克服传统风格迁移中常见的信息损失问题,提供更加真实和富有艺术感的图像生成.     

基于残差神经网络的高强度运动超分辨率图像重构

针对实际拍摄的亚像素信息较少的低分辨率运动图像,重构图像通常较为模糊,甚至不能分辨。为此,提出一种新的基于残差神经网络的高强度运动超分辨率图像重构方法。令沿运动方向的亮度保持恒定,通过光流场匹配实现高强度运动图像的运动估计;根据运动估计结果和超分辨率重构的基本思想,将BP神经网络看作残差神经网络的基础建立残差神经网络,对残差神经网络进行训练,参照训练样本将经插值法放大若干倍的待重构高强度运动图像作为输入,将高分辨率图像和输入图像间的残差作为输出,把输入和输出累加获取超分辨率图像,实现若干放大倍数高强度运动超分辨率图像的重构。实验结果表明,所提方法运动估计准确,重构图像清晰、质量佳。     

基于深度残差反向传播神经网络的钢筋腐蚀检测

针对小样本数据下浅层神经网络模型拟合能力不足,而加深网络层数出现网络性能退化问题,提出一种双跳跃深度残差BP神经网络模型,每个残差块堆叠三个同维度网络层,在网络的一、二层和一、三层之间加入双跳跃连接,增强浅层低非线性度特征信息向深层网络的直接传递和重复利用,且在反向传播过程中避免了梯度消失,提升模型分类准确率。同时引入一阶矩估计梯度指数加权平均因子对Adam算法中影响学习率的二阶矩估计梯度进行调整,优化网络的收敛能力。将改进后的算法模型用于钢筋腐蚀样本数据训练及测试,仿真结果表明,改进后的算法模型具有更好的分类性能。     

基于神经网络的SMT焊点质量控制专家系统设计

由表面组装技术（SMT）形成的产品,其焊点质量直接影响到产品的可靠性和寿命。在SMT产品生产过程中,如果能够对焊点质量进行实时评价和控制,将能提高生产率和产品的质量。提出了一种基于神经网络的SMT焊点组装质量控制专家系统,其对于实现SMT焊点质量实时、准确的评价和控制有着重要的意义。     

基于神经网络的PCB焊点检测方法

针对目前自动光学检测系统在进行焊点检测时容易出现缺陷误报和漏报,以及智能化程度不高的问题,提出了一种基于神经网络的检测方法.首先采用一种基于熵的多阈值自动图像分割方法来提取焊点;然后定义焊点图像的一系列特征,并通过实验对特征进行选择;最后建立用于焊点分类的BP神经网络.实验证明,基于神经网络的焊点图像检测方法具有较高的准确率.     

基于残差全连接神经网络的电力监控系统异常行为检测方法

为了提升电力监控系统异常行为检测能力,提出了一种基于残差全连接神经网络的电力监控系统异常行为检测方法.将深度学习模型与半监督学习方法相结合,构建了两级残差全连接神经网络,并将其作为核心分类模型.选取训练样本特征子空间、有标记训练样本子集、残差全连接层层数的多种不同组合,采用混合扰动的方法生成具有差异性的成员分类器.基于成员分类器的分类误差率,通过加权多数表决对无标记样本数据进行增量学习,生成分类识别能力较强的集成分类器.实验结果表明,在同等标记数据规模下,所提方法的检测准确率和模型训练收敛速度均优于现有方法,可快速、准确识别电力监控系统异常行为,同时降低了对训练样本数据进行标记的开销.     

基于神经网络的PCB焊点检测方法研究

随着印刷电路板（PCB）组装技术向高密度化和“零缺陷”方向发展,市场对自动光学检测系统（AOI）的要求也向高准确率、智能化发展。针对目前AOI在焊点检测时,容易出现缺陷误报和漏报,以及智能化程度不高的情况,作者提出了一种基于神经网络（ANN）的检测方法。首先,采用了一种基于熵的多阈值自动图像分割方法;然后,定义了焊点图像的一系列特征,并通过实验对特征进行选择;最后,建立了用于进行焊点分类的BP神经网络。实验证明,基于神经网络的焊点图像检测方法具有较高的准确率。     

神经网络用于转子在线振动监测中的谱型预报

简介机械振动频谱的模糊分类原理和神经网络进行非线性预报的理论基础，提出在线监测中预测机器转子运行状态的两种神经网络方法。经现场实际数据检验证明：这两种预报方法用于转子在线振动监测中的谱型预报是切实可行的。     

便携式人工神经网络及其在砼疲劳寿命预测中的应用

基于快速人工神经网络,探讨了利用线性函数对数据进行归一化的方法,结合数据归一化后的值域范围以及用于确定隐含层神经元数目的经验公式,依据网络均方差最小化原则,得到了人工神经网络的结构参数,然后将疲劳实验数据作为训练数据,建立了混凝土疲劳寿命预测的人工神经网络模型,并将其导出为一个独立的便携式模型文件.计算结果表明,该模型计算精确度高,可以方便地嵌入到各种工程软件中,能够解决混凝土疲劳寿命预测模型的准确性和实用性两大难题.     

水电机组效率的神经网络算法

水电站优化运行要求具有连续水位和导叶开度下的效率特性曲线。对此提出用BP神经网络方法计算机组效率，并建立了BP神经网络模型，以现场效率试验数据作为样本进行训练，并用训练好的网络计算该机组的效率。网络的训练速度及计算结果表明，该算法收敛速度较快，精度高，为计算水电站任意水头及导叶开度下的机组效率提供了新思路和新方法，可用于指导水电机组的优化运行。     

基于卷积神经网络的病理细胞核分割

针对病理图像中细胞核的精准分割问题,结合全卷积网络框架和高分辨率网络框架的特点,提出一种卷积网络对细胞核进行自动精准地分割;基于稀疏非负矩阵分解的方法将具有严重颜色分布差异的病理图像进行颜色分布归一化,以归一化后的图像为输入,利用所提出的卷积网络对细胞核进行分割;该网络通过减少下采样算子的使用,使图像信息在前向计算过程中不会过分丢失,并使用扩张卷积扩大深层神经元的局部感受野尺度大小;所采用的分割方案在2017年MICCAI病理数字图像分割数据集中达到0. 848的平均dice分数;实验表明,融合全卷积网络框架和高分辨率网络框架的卷积网络在病理图像中实现了细胞核自动精准的分割,可以有效减轻影像医师的工作负担。     

特征规范化的图卷积神经网络推荐算法

为了提高推荐算法的推荐性能,针对现有的图卷积神经网络(graph convolutional neural network, GCN)的推荐算法中,2-3层的传播网络结构不利于较远距离节点之间进行信息交互,而加深网络层数又会导致性能急剧下降的问题,提出一种特征规范化的图卷积神经网络推荐算法。该方法为传播网络中每一层输出特征进行规范化处理,避免节点嵌入表示随着网络层数增加而变得过于相似;在预测阶段,使用自注意力机制(self-attention mechanism, SA)将各层的输出进行连接,以获得更好的节点最终表示。在3个真实数据集上与传统算法以及现有同类型推荐算法进行对比,验证了该模型的有效性。实验结果表明,所提模型与基准模型相比,在召回率Recall@N和归一化折损累计增益NDCG@N上有明显提高,平均提升1.675%,最高可提升3.406%。     

基于 CNN 和 Group Normalization 的校园垃圾图像分类

为解决大学校园的垃圾回收分类问题, 提出了一种基于卷积神经网络和归一化技术的垃圾图像分类方法, 不需要对输入的图像进行复杂的处理, 网络模型即可根据算法提取图像特征, 通过加入群组归一化(GroupNormalization)和网络模型各层之间的协作, 克服传统分类算法的缺点, 实现对垃圾图像的分类。 实验表明,该识别方法具有较高准确率, 可以较好识别不可回收及可回收垃圾。     

基于集成卷积神经网络的交通标志识别

以交通标志识别为研究目的,提出一种基于集成卷积神经网络的交通标志识别算法,通过对多个不同结构的卷积神经网络进行集成以提高算法识别率。为了缩短网络训练和测试时间以及提高网络识别率,对单个卷积神经网络的结构进行了优化。使用ReLU(rectified linear unit)激活函数来代替传统的激活函数,使用批量归一化(batch normalization,BN) 方法对卷积层输出数据进行归一化处理,将卷积神经网络的分类器用支持向量机(support vector machine,SVM)代替。使用德国交通标志识别数据库(german traffic sign recognition benchmark,GTSRB)进行训练和测试,实验结果表明,提出的算法识别率为98.29%,单幅交通标志图像测试时间为1.32 ms,对交通标志具有良好的识别性能。     

分区带测井曲线标准化及其在EI反演中的应用

渤海A区油田是国内目前已发现的规模最大的中生界花岗岩潜山油气田。由于潜山复杂多样、横向非均质性强,传统的测井曲线标准化很难满足EI反演对测井数据的要求。为了进一步提高测井数据精度,本文提出了一种分区带测井曲线标准化方法:首先根据研究区地震断块构造空间解释,结合测井解释结果,将工区合理划分为不同的标准化区带,然后采用均值校正法进行分区带标准化。在渤海A区油田的EI反演中对比未标准化、用常规方法标准化和分区带标准化的反演结果,发现分区带标准化方法得到的反演剖面与地震剖面对应最好。在渤海A区油田进行分区带测井曲线标准化是获得合理、准确的EI反演结果的关键。     

焊料层空洞对IGBT模块温度分布的影响

作为如今新能源发电、电动汽车和智能电网的重要单元,IGBT模块得到越来越广泛的应用,其安全可靠性也受到更多的关注。当前功率绝缘栅双极型晶体管 (IGBT) 器件封装形式主要有焊接式和压接式两种,而其中焊接式发展较成熟,应用较广泛。作为构成IGBT模块的关键单元和实现IGBT模块功能的关键部分,焊料层的可靠性更加显得尤为重要。焊料层的失效形式主要有：空洞扩大、各材料的热膨胀系数不匹配导致的热疲劳,其中焊料层空洞是由于焊接工艺局限性而难以避免的。本文应用多物理场有限元仿真软件COMSOL,建立IGBT模块的三维模型,研究焊料层空洞不同位置、不同大小对IGBT模块芯片最高温度的影响,并研究新型材料Sn-Ag-Cu-0.5Sb较传统焊料层材料Sn-Ag-Cu的优势,仿真结果表明同工况下,焊料为Sn-Ag-Cu-0.5Sb时,芯片温度都比焊料为Sn-Ag-Cu时低一些,显示出较好的焊料性能。