基于梯度惩罚-生成对抗神经网络的页岩三维数字岩心重构

数字岩心技术在油气的勘探开发中发挥着越来越重要的作用。由于传统的数字岩心重构方法存在成本高、耗时长等问题,提出使用带有梯度惩罚的生成对抗神经网络(WGAN-GP)实现页岩的三维数字岩心重构。以三组分的页岩图像为训练样本进行模型的训练,得到了可以生成三维页岩图像的生成器模型,进而重构了多个三维岩心图像。将重构岩心与原始岩心进行了各种参数的对比分析,结果表明重构岩心与原始岩心具有很好的一致性,证明了本文方法的可靠性。使用WGAN-GP进行岩心重构具有岩心生成速度快、重构图像尺寸不受限制等优点,具有广泛的应用前景。     

遥感图像配准中的群智汇聚方法

遥感图像配准是遥感图像处理的一个重要的环节,在智能化遥感信息处理领域具有重要的研究意义和应用价值.本文主要对群智能在遥感图像配准中的应用进行了综述,并对进化算法和深度学习在遥感图像中的应用进行了介绍.首先介绍了遥感图像配准中常用的原理和优点.然后,对群智能算法在遥感图像配准中的应用进行了详细的介绍和总结,紧接着对进化算法在遥感图像配准中的应用进行详细介绍,其次对深度学习在遥感图像配准中的应用进行归纳,并且就遥感图像配准目前存在的难点以及深度学习在解决这些难点时所存在的优势进行了详细的讨论.最后,针对遥感图像配准中存在的关键问题进行了讨论与展望.     

基于深度学习的轻量级道路障碍检测算法

道路障碍检测是智慧交通和无人驾驶的重要组成部分。针对道路障碍检算法的参数量过大、占用内存过多、难以在内存和算力有限的设备中使用等问题,本文提出一种轻量级的道路障碍检测算法。在YOLO v4的基础上,使用MobilenetV3作为模型的主干网络,减少模型参数,提高检测速度;改进模型中的PAN结构,将主干网络中更浅层的特征图提取融合,改善小目标检测不佳的问题;在特征融合部分加入ECA注意力机制提升网络整体精度;提出一个新的DBR模块,使网络整体相比之前更加轻便。使用改进后的模型在自制数据集中进行检测,与Mobilenetv3-YOLO v4相比,精度提升5.24%,参数量降低35.5%,F达43.8,满足实时应用的技术要求,表明模型可以嵌入到小型移动设备,达到良好的实时效果。     

多变量无模型预测神经网络线性自抗扰控制

对难以建模的多变量非线性系统的控制难题,提出改进的具有辅助向量的多变量全格式动态线性化方法,采用其逼近非线性系统,用其构成预测模型,将其转化为具有耦合的若干个子系统,利用直接极小化指标函数自适应优化算法辨识其参数,将多变量线性扩张观测器的线性控制输入项改进为关于观测状态和控制输入向量及其微分的向量函数,并由该向量函数的逆向量函数构建当前控制输入向量,因其未知,使用对角回归神经网络逼近控制输入向量函数,采用多变量非线性递推最小二乘法优化对角回归神经网络连接权及多变量线性自抗扰控制参数,综上研究提出在线优化参数的多变量无模型预测神经网络线性自抗扰控制算法。仿真研究表明系统响应精度高,性能好,优于传统的线性自抗扰控制算法。     

基于优化概率神经网络法船舶柴油机燃油系统故障检测

针对船舶柴油机结构异常复杂、故障特征信息输入输出不明显,难以诊断故障的问题,提出一种基于优化概率神经网络的检测方法,该方法采用遗传算法结合概率神经网络模型将误差数值作为优化目标,将目标函数视为最小值问题映射为适应度函数,经遗传算法操作以减小误差并消除概率神经网络模型自身影响使得故障特征最大化,结合其模型强大的非线性分类能力可提高辨别柴油机复杂多变的故障类型及其相似的特征。通过建立基于优化概率神经网络故障检测模型,选取燃油供给系统故障数据作为检测样本,经仿真验证,得到优化后概率神经网络故障检测正确率较高的结果,验证了该方法有一定的研究效果。     

玄武岩纤维-周丛生物膜-连续流反应器的污水深度净化性能研究

污水处理厂排水中氮、磷等营养盐浓度仍高于地表水,可能导致受纳水体富营养化,需要对其深度净化.周丛生物膜因其在脱氮除磷方面的优异性能而引起越来越多的关注.因此,设计了基于玄武岩纤维-周丛生物膜的连续流反应器(BFP-CFR),研究了不同水力停留时间(HRT)下BFP-CFR对污水深度净化的性能.研究结果显示,BFP-CFR的最佳HRT为48 h.该HRT下氨氮(NH₄⁺-N)、总氮(TN)和总磷(TP)的去除率为79.88%、25.36%和94.83%.经过该反应器处理后,可显著降低污水氮磷污染物浓度.当HRT≥32 h时,氨氮出水浓度可达《地表水环境质量标准》(GB 3838-2002)Ⅳ类标准及以上,总磷浓度符合《地表水环境质量标准》(GB 3838-2002)Ⅱ类标准及以上.反应器出水水质和净化动力学分析表明,由于BFP反硝化能力弱,本反应器水质净化的限制性污染物为总氮,后续需要在促进反硝化功能以强化脱氮方面开展研究.这为今后将BFP运用于污水处理后排水的深度净化提供了数据支撑,指出了需要技术突破的方向.     

改进思维进化算法优化BP神经网络的瓦斯涌出量预测研究

为了保证煤矿安全开采,并提高煤矿瓦斯涌出量的预测精度,提出了改进思维进化算法优化BP神经网络的模型预测新方法。在思维进化算法中加入精英反向学习策略增加算法的全局搜索能力,在趋同操作中引入粒子群算法避免重复搜索,以此实现对BP神经网络的初始权值和阈值的全局寻优,并通过矿井监测到的各项历史数据进行验证。结果表明：与BP神经网络模型和MEA-BP神经网络模型相比较,该模型的预测精度更高,泛化能力更强。该模型的平均相对变动值为0.00116,平均相对误差为0.81%,均方根误差为0.0576,有效提高了对瓦斯涌出量的预测精度,提升了煤矿安全生产技术。     

基于深度强化学习的空中基站部署优化算法

针对无人机群(swarm of unmanned aerial vehicle, UAV-swarm)在救灾场景中对地面移动用户进行持续性通信覆盖的问题,设计了一种基于多智能体的深度强化学习的无人机群路径优化算法。该算法框架中无人机具有分布式决策能力,根据用户的移动来动态调整自身的移动策略。通过设置合适的强化学习奖励和参数,使无人机在满足覆盖百分比、防碰撞、能源限制等多种约束前提下,最大限度地长期覆盖地面移动用户。与其他无人机部署方案算法进行仿真对比,实验结果表明,该模型在收敛速度和收敛效果上得到了显著提升。     

去噪先验驱动的深度神经网络图像超分

为了提高图像超分的质量,将双层卷积神经网络去噪模块嵌入到图像超分任务中,给出去噪先验驱动的深度神经网络图像超分方法.图像去噪模块可以快速灵活地处理不同水平的噪声,所提出的图像超分网络可以很好地实现图像超分复原.用训练好的网络对双三次下采样和高斯下采样的低分辨率图像进行超分测试,复原的高分辨率图像比使用其他图像超分方法具...     

基于深度贝叶斯网络学习的不确定性建模方法

战场态势评估涉及很多不确定因素,对不确定性进行仿真建模能够提高态势评估的能力。针对参战对象多元、不确定性增多导致的无法全面准确表达不确定性问题,提出了基于记忆模块和变分自编码器的深度贝叶斯网络模型。采用生成模型设计了基于深度贝叶斯网络学习的态势评估模型;阐述了融合记忆模块的深度生成模型原理和模型的学习与推理过程;以某空袭行动为例构建贝叶斯网络,对所提方法进行了验证。结果表明:深度神经网络能够逼近隐变量的非线性变换,设计的记忆模块能存储深度神经网络提取的大量局部特征,通过学习自动得到了贝叶斯网络条件概率,增强了不确定性建模能力。