基于改进卷积神经网络的短文本分类模型

基于卷积神经网络, 提出一种基于改进卷积神经网络的短文本分类模型. 首先, 采用不同编码方式将短文本映射到不同空间下的分布式表示, 提取不同粒度的数字特征作为短文本分类模型的多通道输入, 并根据标准知识库提取概念特征作为先验知识, 提高短文本的语义表征能力； 其次, 在全连接层增加自编码学习策略, 在近似恒等的基础上进一步组合数字特征, 模拟数据内部的关联性； 最后, 利用相对熵原理为模型增加稀疏性限制, 降低模型复杂度的同时提高模型的泛化能力. 通过对开源数据集进行短文本分类实验, 验证了模型的有效性.     

基于并行残差卷积网络的图像超分辨重建

针对VDSR模型卷积核单一和DRRN模型不能全局利用的问题,提出了基于并行残差卷积神经网络的联合卷积图像超分辨重建模型。模型首先利用原始卷积层和扩张卷积层融合,建立联合卷积层,然后利用跳跃链接,将多种抽象层次的特征进行融合,最后完成整个超分辨网络的模型构建。提出的模型具有以下优点：①扩张卷积神经网络与原始卷积神经网络融合,在计算机复杂度不变的情况下,可以获取更多尺度的信息,因此具有更强的表达能力;②跳跃链接方式,将抽象层度较低与较高抽象层次的信息融合,获取更多的信息,使得模型具有更强的学习能力。通过在多个数据集上进行实验,模型在大多数任务中与VDSR、DRRN和SRCNN等先进模型相比,IFC值取得了大于0.1的提升。     

温湿度对轻质烧结页岩砖节能墙体传热系数的影响

本试验利用烧结页岩砖砌筑了三面试验墙体,并分别在其中两面墙体的冷、热表面粘贴XPS挤塑聚苯乙烯泡沫板,制成外、内保温墙体,通过控制变量法观测三面试验墙在不同温湿度情况下轻质烧结页岩砖节能墙体传热系数的变化,从而得到温湿度对轻质烧结页岩砖节能墙体传热系数的影响。     

基于CNN的计算机生成图像识别方法

针对计算机生成图像(Computer Generated images, CG)与真实照片(Photograpgh, PG)识别率不高的问题,该文提出了一种改进的卷积神经网络方法来实现CG与PG的识别.该方法首先对识别问题进行卷积神经网络二分类建模,并选择VGG-19网络结构作为基础,建立不同的模型.该方法创新性地引入迁移学习,节省训练时间和大量计算资源,最后使用softmax分类器进行分类.实验结果表明,该文方法对PG图像的识别准确率达到92%.与其他方法比较,该文方法识别准确率最高,说明该文方法具有可行性与有效性.     

隐式参数化白车身多目标协同优化设计

利用参数化建模软件SFE-CONCEPT建立了某轿车白车身的参数化模型,用仿真方法分析了白车身的静态弯扭刚度、主要低阶模态频率并与试验对比,再将白车身与动力总成、底盘连接后,对整车正碰性能进行仿真分析,并与试验对比,验证了所建参数化白车身的有效性.由于安全性分析属于非线性分析,传统优化方法通常需要人工介入,无法实现优化流程的全自动化.通过编写批处理文件,提取安全性能指标,实现白车身结构轻量化优化流程的自动化.白车身结构轻量化优化后弯曲刚度提升0.15%,扭转刚度降低0.03%,一阶扭转模态频率提高1.30%,一阶弯曲模态频率提高0.09%,碰撞安全性能基本不变的情况下,白车身质量降低24.17kg,减重率高达7.42%,取得了显著的轻量化效果.      

大豆收获机车架的轻量化设计

以某大豆收获机的车架为对象,利用三维建模软件Solidworks进行了参数化建模,导入有限元前处理软件Hypermesh对车架进行有限元网格划分和模态仿真分析,对车架样件进行模态试验分析,验证了仿真模型和结果的正确性。对车架不同工况下进行了强度校核计算;以车架固有频率和动载荷系数为2.5时材料的最大许用应力为约束,以车架质量最小为目标,进行了轻量化优化设计,优化后底盘车架减质量16%。     

2018年先进纤维复合材料研发热点回眸

 先进纤维复合材料的产品创新研发和技术日益成熟,对国民经济的发展及国防现代化建设具有重大的意义。回顾了2018年先进纤维复合材料在成型工艺、性能优化、产品创新、成本缩减、技术转化等方面的进展,评述了先进纤维复合材料在航空航天、轨道交通、汽车、船舶和能源领域的应用。     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

基于深度卷积神经网络的水稻病害图像识别研究

水稻病害类型多,采集过来的图像病斑交界特征复杂多变。即便同类别水稻病害在不同的生长时期,发生在叶片、茎秆、穗部等部位呈现的病斑特征也不一样,而且不同类型病害也存在相似病斑,这些都给水稻病害图像的精准识别带来了相当大的困难。采用深度卷积神经网络模型,使用数据集扩增技术,运用fine-tune方法对网络进行调参及构建,将自然场景下采集的常见8类水稻病害图像输入网络模型中进行训练和测试,在有限的图像数量下取得较高的识别精度,其中纹枯病的准确率为93%。不同于其他方法仅聚焦在水稻叶部或稻穗部,本文识别的图像是多株水稻的场景,可为水稻病害远程自动诊断提供关键技术支持。     

Shearlet域深度残差CNN用于沙漠地震信号去噪

由于沙漠地震信号中含有较强的随机噪声,从而给沙漠地震数据的处理和解释带来了很大的困难。针对上述问题,提出了一种基于Shearlet 变换的深度残差卷积神经网络( ST-CNN: Deep Ｒesidual Convolutional NeuralNetwork for Shearlet Transform) 模型,实现沙漠地震信号的随机噪声压制。在训练阶段,将沙漠地震信号经Shearlet 分解后的系数作为输入,将随机噪声经Shearlet 分解后的系数作为标签,通过卷积神经网络( CNN: Convolutional Neural Network) 学习输入和标签之间的映射关系; 在测试阶段,利用此映射关系即可从沙漠地震信号系数中预测出噪声系数,并间接地获得有效信号系数,最后通过Shearlet 反变换获得有效信号。通过与传统的Shearlet 硬阈值去噪算法对比,发现该算法可把沙漠地震信号的信噪比从－ 4． 48 dB 提高到14． 15 dB,具有更好的去噪效果。