基于云雾结合的工件深度学习识别问题研究

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.     

基于嵌入式GPU的车流量检测系统

交通拥堵是当今世界交通领域面临的主要问题之一,如何通过现有的交通设备获取更加精准的交通信息是亟待解决的问题。图像识别技术在智能交通系统中有着广泛的应用,基于深度学习的车流量检测技术是智能交通的重要组成部分。本项目设计了一个基于嵌入式GPU的智能车流量检测系统,该系统架设在NVIDIA JetsonTX2平台上,采用基于深度学习YOLO v3的车辆检测模型,检测道路上的车辆目标,设置兴趣区域,对检测到的目标进行识别计数,实现对交通视频的实时车流量检测。试验验证分析表明,该系统具有较高的检测精度。     

试论合作学习理论在高职计算机教学中的运用

在教学改革的过程之中,各种创造性理论的应用备受关注,为了体现教学改革的一致性以及统一性,老师开始结合教学理论改革的现实条件不断调整教学思路和教学方向,合作学习理论在高职计算机教学之中实现了广泛的应用。这一理论能够揭示高职计算机教学的核心要求,对培养学生良好的学习习惯以及合作习惯意义重大。本文将理论分析与时间研究相融合,着眼于高职计算机教学的现实条件,分析合作学习理论在该学科教学中的运用。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

一种基于强化学习的CDN流量调度系统设计方法

针对传统的CDN流量调度系统大多采用启发式方法或规划方法，存在维护成本高，实时性不足等缺点，提出一种基于深度强化学习的CDN流量调度系统设计框架。该框架基于马尔科夫链设计了故障告警网络来触发调度，建立了基于stacking模型的质量评估奖励函数，并在此基础上对流量调度进行定义和建模，构建了基于DQN的深度强化学习模型。最后，通过仿真实验验证了该调度框架的有效性。     

基于多域网络的红外目标跟踪算法

随着红外探测器性能的不断提升, 红外目标跟踪在智能安防等领域的应用越来越广泛。然而红外图像分辨率较低, 依赖其进行目标跟踪仍然是一个制约相关应用发展的难题。针对红外图像分辨率低的特点, 以多域网络为模型算法框架, 结合目标运动过程中的尺寸变化特点, 提出了一种基于多域网络的红外目标跟踪算法。为了评估算法性能, 分别在VOT-TIR2016数据库和AMCOM红外数据上进行了实验。实验结果表明, 目标尺度预测机制能够显著提高算法的跟踪精度。     

基于改进的深度学习网络的SAR图像瞬时海岸线自动提取算法

针对目前合成孔径雷达(synthetic aperture radar, SAR)在对大尺度瞬时海岸线提取方面的图像解译过程中, 仍然存在精度低与自动化水平差的问题, 提出一种基于深度学习网络的瞬时海岸线自动提取算法。首先, 将SAR图像进行Lee滤波增强来抑制相干斑。其次, 通过升级残差网络为主干网络，分4级提取海水目标的特征。然后, 将4级特征经过全局卷积网络、密集连接网络和解码器网络配合，充分提取目标的本质特征, 并通过上采样产生海水分割结果。最后, 利用Sobel算子分离出海岸线并和原SAR图像融合以便清晰查看结果。通过与全卷积网络与细化网络的海岸线提取实验结果进行对比, 证明所提算法对海岸线的提取更加准确, 能够减少虚警和漏警, 具有更好的性能。     

基于宽度学习的浓密机底流浓度软测量

由于浓密脱水过程中浓密机的底流浓度难以在线检测，本文提出了一种基于宽度学习的软测量建模方法，用以解决底流浓度的在线检测问题.该方法精度高，泛化能力强.首先，在浓密机内部安装压力传感器，建立正常工况下的历史数据集;然后，利用宽度学习系统对软测量模型进行训练，从而实现浓密机底流浓度的在线预测;最后，通过仿真实验验证了该方法的有效性.与传统的机器学习方法相比，宽度学习方法具有更高的预测精度.     

基于逆向强化学习的装船时堆场翻箱智能决策

集装箱码头装船时堆场翻箱具有时序性与动态性，属于NP（non?deterministic polynomial）难问题。针对常见的顺岸式集装箱码头堆场，以最小化总翻箱次数为优化目标，考虑翻箱对装船连续性及效率的影响，基于马尔科夫决策过程构建装船时堆场翻箱模型，设计逆向强化学习算法。为验证算法的有效性，以随机决策为基准，将设计的逆向强化学习算法与码头常见规则决策、随机决策对比。结果表明，贝位堆存状态不佳时，常见的规则决策不一定优于随机决策；逆向强化学习算法可有效挖掘隐含专家经验，收敛至最小翻箱次数的概率更高，且不同堆存状态下均能更好地限制单次发箱的翻箱次数，可实现装船时堆场翻箱智能决策。