基于广义回归神经网络的交流电磁场检测裂纹量化研究

考虑到目前交流电磁场检测中裂纹量化精度和智能化水平的不足,将广义回归神经网络(GRNN)引入到交流电磁场检测技术中来,在有限元仿真试验基础上,选择了作为输入元素的交流电磁场信号特征向量,构建了一种适合于交流电磁场检测裂纹量化分析的GRNN模型,并利用归一化处理后的一些离散数据作为网络的训练和检测样本,使网络完成对整个裂纹交流电磁场范围内的主要信息的存储,从中发现输出和输入之间的内在关系,完成对未知点的预测。结果表明,与传统的线性插值方法以及BP网络相比,该方法建模简单,预测精度高,对原始数据的分布和边界条件无特别要求,推广性能强,人为调节参数少,收敛速度快,更为智能化,尤其在获得已知样本稀少的情况下仍能表现出极强的适应性,从而保证了模型的精度和推广性能,为交流电磁场检测裂纹量化提供了一种智能高效的方法。     

广义神经网络在织物热传递性能预测中的应用

在分析织物热传递性能与相关影响因素之间关系的基础上,建立了织物热传递性能预测的广义神经网络模型(GRNN).并与传统的BP网络模型仿真结果进行了比较,结果表明:GRNN网络设计简单,学习收敛快,在解决小样本问题的学习中,具有更好的的预测和泛化能力,验证了GRNN网络预测的优越性和有效性.     

基于SqueezeNet的混凝土表面裂纹检测研究

针对检测混凝土表面裂纹缺陷时效率低、准确率不高等问题,提出一种基于SqueezeNet的混凝土表面裂纹检测方法.首先构建混凝土图像数据集,对数据集进行预处理操作;然后构建混凝土表面裂纹检测的SqueezeNet模型,设置网络模型超参数,并将数据集输入模型训练裂纹缺陷检测分类器;最后选择适合的评价模型分析结果.实验结果表明:该方法对混凝土表面裂纹检测准确率达到99.85％,能够高效的检测混凝土表面裂纹缺陷,为建筑质量检测智能化的研究工作提供参考.     

基于SqueezeNet的混凝土表面裂纹检测研究

针对检测混凝土表面裂纹缺陷时效率低、准确率不高等问题,提出一种基于SqueezeNet的混凝土表面裂纹检测方法.首先构建混凝土图像数据集,对数据集进行预处理操作;然后构建混凝土表面裂纹检测的SqueezeNet模型,设置网络模型超参数,并将数据集输入模型训练裂纹缺陷检测分类器;最后选择适合的评价模型分析结果.实验结果表明:该方法对混凝土表面裂纹检测准确率达到99.85％,能够高效的检测混凝土表面裂纹缺陷,为建筑质量检测智能化的研究工作提供参考.     

深度神经网络蛋白质溶解性预测模型设计

蛋白质溶解性是生物信息学领域的重要研究课题,通过分析蛋白质溶解性数据,结合特征提取和深度学习技术,设计多种卷积神经网络预测蛋白质溶解性的模型.使用CD-HIT对蛋白质原始数据进行降噪,并利用G-gap对每个样本进行张量化处理,得到适用于卷积神经网络的特征数据,作为模型其中一路网络的输入;为提高模型预测精度,对每个样本利...     

一种基于自编码的混凝土裂纹识别方法

混凝土表面图像裂纹识别的传统深度学习模型往往需要大量的裂纹图像训练样本,但是在基础设施检测实际场景中,裂纹图像获取和标注困难,无裂纹图像收集则相对便利.提出了基于无裂纹图像单类样本的半监督学习方法,设计了基于自编码网络的混凝土裂纹图像识别模型CrackNet.该模型的主干网络由自编码网络和对抗网络构成,但是为了进一步扩大裂纹图像的重构误差,CrackNet引入了近邻编码策略.近邻编码模块把输入样本的隐向量用码本中最相近的k个隐向量线性编码,编码后的向量经过解码器重构输入.为了进一步提高CrackNet的识别性能和执行效率,提出了CrackNet-T模型.该模型应用K-Means聚类算法学习紧凑的码本,同时引入阈值策略自动决策输入图像是否进行近邻编码,从而避免无裂纹图像被近邻编码改变在隐空间中的表征.本文方法在公开数据集CCIC上进行实验,结果表明CrackNet-T性能不仅优于经典的异常检测模型,而且与有监督深度学习模型识别性能相当.     

基于神经网络正向模型和遗传算法的涡流检测自然裂纹形状重构

提出了一种基于神经网络正向模型与遗传优化算法从疲劳裂纹涡流检测(eddy current testing, ECT)信号重构裂纹形状的方法.人工制作了疲劳裂纹试样,利用一种小波分析方法对采集的疲劳裂纹ECT信号进行了去噪预处理并提取了信号特征.随后通过破坏性检测方法获得了裂纹的真实形状.在建立疲劳裂纹参数化模型基础上,利用经过处理的裂纹ECT信号和裂纹形状参数样本库对径向基函数(Radial Basis Function, RBF)神经网络进行训练.遗传算法首先创建大量表示裂纹形状参数个体的初始种群,输入经过训练的神经网络,得到对应的ECT预测信号,然后运用遗传策略进行迭代反演优化,搜索裂纹形状最优解.重构结果表明该方法具有快速、精确的优点.     

GRNN网络在企业盈利能力预测中的应用

探讨广义回归（GRNN）神经网络在企业盈利能力预测上的优势及应用前景．利用文献资料、MATLAB7．0软件中的神经网络工具箱分剐构建企业盈利能力的GRNN预测模型和BP预测模型,对样本进行拟合和预测并对两者的拟合和预测性能进行比较．GRNN的最优光滑因子为0．05;BP神经网络的隐含层数定为10．从拟合效果看,GRNN和BP预测模型的平均误差率分别为0．5687％和1．6008％．从预测效果看,两者的平均误差率分别为2．1678％和2．5176％．GRNN充分体现了在小样本预测中的优势,预测效果优于BP网络．     

基于GRNN神经网络的中厚板轧机厚度预测

根据4200轧机轧制45号钢的实测数据,利用Matlab神经网络工具箱,建立中厚板轧机厚度预测的GRNN神经网络模型.研究结果表明;GRNN神经网络模型能较好地预测轧件厚度的变化,相对误差很小;与BP网络和Elman网络模型相比,GRNN网络模型具有更高的精度和更强的稳定性.     

基于深层迁移学习的DR胸片肺结核病灶检测

针对基于传统机器学习方法设计的DR胸片肺结核检测器存在着泛化能力不强,实际检测精度低等问题,提出了一种基于Focal Loss的深度学习检测方法Tuberculosis Neural Net(TBNN).医学图像的特殊性,存在带标注的数据量小导致无法充分训练深层网络模型等问题.该方法利用肺炎和肺结核同为呼吸道感染疾病且在DR胸片上有相似表征的特点,基于迁移学习原理训练特征提取子网络,减少肺结核胸片样本不足对模型训练造成的影响.首先在大型的肺炎胸片数据集上训练特征提取网络,以获取DR图像中丰富的深层图像语义信息,然后使用样本较少的肺结核数据集微调网络参数,并将多层卷积的输出作为TBNN分类子网络的输入,得到基于DR胸片的肺结核病灶检测模型.实验结果表明,该方法生成的检测模型在分类精度和性能上均优于基于传统机器学习的肺结核检测器.在同等训练数据量和训练周期下,模型性能高于其他采用传统数据增强方法的深层网络肺结核检测算法,且能标识病灶区域,准度上有不低于放射科阅片医生的表现.