基于深度学习的牙刷姿态识别方法

针对牙刷分拣中的定位问题,在确定牙刷位置的基础上采用深度学习实现牙刷姿态识别.对牙刷图像进行去噪增强,通过阈值分割提取感兴趣区域,计算图像的几何矩获得牙刷的方向角和外接矩形,以外接矩形的中心作为牙刷位置.用矩形框内的牙刷图像训练残差网络模型,当模型正确率达到要求时保存该模型,用于判断图像中牙刷的姿态.测试结果表明,该方法可以快速准确地实现牙刷的位置确定与姿态识别,为机器人分拣提供牙刷位姿信息.     

自供电旋转轴系监测系统设计

针对旋转轴系监测系统中传感器相关电路需要外部电能输入的问题,设计了一种基于自供电轴系的监测系统.基于电磁感应原理设计自供电系统结构,给出理论模型,设计整流稳压电路,测试数据测量模块和无线传输模块.结果表明:在不同转速下,该旋转轴系监测系统可以在无须外界电能输入的情况下,将轴系参数发送至上位机.测试数据符合实际值,可以实现旋转轴系监测系统的自供电.     

基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

具有自适应电感共享策略的压电能量收集电路设计与实现

针对以电池为能量供给的传感设备必然存在因电池寿命的限制或自身电能的逐渐耗尽而造成的失效问题，提出了一种具有自适应电感共享策略的压电振动能量收集电路，通过将环境中的机械振动能量最大化地转换为电能并供给传感设备使用，可实现传感设备的无电池自获能供电，并大幅延长传感设备的使用寿命。该能量收集电路在原有并联电感的同步开关收集电路结构和buck-boost功率级拓扑的阻抗匹配变换器结构基础上，通过建立“先到先得”的自适应电感共享策略，避免了仲裁器的使用，大幅简化了电路设计，并实现了仅需单一电感的压电振动能量收集系统，提升了系统的集成度。此外，对电感共享造成的竞争给出了详细分析，并在此基础上进一步优化了整体电路，实现了最大功率点追踪算法。采用标准180 nm CMOS工艺，完成了压电能量收集电路的设计工作。仿真结果表明：bias-flip整流器在2 V和3 V开路电压激励下，输出功率分别达到了55.01μW和111.59μW,较传统全桥整流器，分别实现了6.40倍和4.48倍的输出功率提升；引入电感共享策略后，变换器的最大输出功率可达110.04μW,相比于非电感共享策略，电感共享策略下变换器峰值...     

大连自贸片区升级引领东北融入"双循环"研究

探讨了大连自贸片区进一步升级的必要性,通过运用城市引力模型和断裂点分析方法,对比分析了环渤海6市对东北地区主要城市的辐射带动能力,以及探讨了大连市等城市与东北亚国家之间的经济联系强度,分析了大连自贸片区升级对东北经济发挥引领作用的可行性,指出大连对东北腹地的经济辐射能力较强,对东北亚经济圈的经济联系强度在辽宁其他港口城市之上,具备跃升为自贸港从而引领东北地区融入"双循环"发展的潜力.提出要进一步提升大连区域经济辐射能力以激发内循环动力、打造多边开放格局以保障外循环效益、强化核心枢纽功能以提升港口竞争力和创新体制机制改革以探索先行先试新模式等对策建议.     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。