基于You Only Look Once v2优化算法的车辆实时检测

针对基于You Only Look Once v2算法的目标检测存在精度低及稳健性差的问题,提出一种车辆目标实时检测的You Only Look Once v2优化算法;该算法以You Only Look Once v2算法为基础,通过增加网络深度,增强特征提取能力,同时,通过添加残差模块,解决网络深度增加带来的梯度消失或弥散问题;该方法将网络结构中低层特征与高层特征进行融合,提升对小目标车辆的检测精度。结果表明,通过在KITTI数据集上进行测试,优化后的算法在检测速度不变的情况下,提高了车辆目标检测精度,平均精度达到0.94,同时提升了小目标检测的准确性。     

含油污泥深度调剖技术在高升油田的应用

本文针对含油污泥深度调剖技术,以含油污泥为原料,将其经过化学剂处理变成活性稠化污泥调剖剂并应用于油田的注水井调剖,从而提高注水波及体积,达到改善注水开发效果的目的。现场应用效果表明,含油污泥深度调剖技术具有很好的发展前景。     

基因遗传算法在地下工程岩土施工中的应用

在地下工程设计、施工中面临各种地质风险因素,传统的系统安全评价方法容易产生判断误差从而不能确定最大风险源,给地下工程的设计和施工带来许多潜在的风险因素。为了规避风险,就必须寻求更好的方法。目前,一种来源于生物理论的自然进化全局模糊摸索优化算法——基因遗传算法被国外许多国家广泛运用于地下岩土工程中的实际运算评价。该方法是基于达尔文的物竞天择的遗传机理和自然选择的原理延伸出来的模糊搜索方法。     

基于冲击弹性波和超声波的混凝土裂缝深度无损检测技术方法比较

钢筋混凝土结构是最重要的土木、建筑结构,在建设及使用过程中由于各种缘由会产生裂缝,裂缝参数中深度是判定裂缝对结构安全影响程度的重要指标,裂缝深度的测量作为工程质量检测难点亟待解决。测量裂缝深度的常规方法为超声波法,但检测受影响因素较多,检测精度稍差。采用基于冲击弹性波的检测方法对混凝土结构裂缝深度进行检测,冲击弹性波受水和填充物影响小,能检测的裂缝深度更大,经不断改进现已成为一种新的检测裂缝深度的方法。通过工程实例对基于冲击弹性波的检测方法的可靠性进行验证后可知,该方法测试效果显著,值得推广。     

基于深度神经网络的空气质量预测系统

提出了使用深度栈式自编码模型进行空气质量预测.选择了PM2. 5、PM10等污染物数据作为样本.本模型基于Java平台构建,进行了训练和参数调整,建立了最优的空气预测模型.根据北京市的实验结果表明,该模型具有良好的精度.与支持向量回归(SVR)模型和线性回归模型相比,本文提出的模型具有优越的性能.     

基于长短时记忆网络的结构智能控制算法研究

为提高建筑结构智能控制的控制精度及稳定性,在长短时记忆(LSTM)网络理论基础上,提出一种基于深度学习的智能控制算法.通过构建深度学习框架,设计LSTM智能控制器,并将其性能测试结果与反向传播(BP)和径向基函数(RBF)神经网络控制器进行对比.以Benchmark模型为对象,分析了不同外部激励工况下LSTM智能控制器的泛化能力,并提出了基于结构响应的H_2范数评价指标.结果表明:BP和RBF神经网络框架的预测结果相比LSTM框架可能发生局部最优现象,且收敛精度较低;原输入工况下,LSTM控制器的误差为3.30×10~(-4),控制效果最高达65.0%;变激励工况下,LSTM控制器的响应峰值及H_2范数评价指标均优于BP和RBF神经网络控制器,说明LSTM智能控制器具有良好的控制和泛化性能.     

深嵌岩型嵌岩桩竖向承载机理分析

嵌岩桩具有承载力高、沉降小、抗震性能好等特点,近年来在岩土工程中得到了广泛的应用。长期以来,对于嵌岩桩普遍认为是以端承桩为主。本文结合两个工程实例,对三根具有较大嵌岩深度的嵌岩桩进行竖向承载机理分析。通过比较发现,在软岩地区嵌岩桩的嵌岩段侧摩阻力可以提供很大一部分承载力,体现出摩擦桩的特性。应该根据本地区的特点,对嵌岩桩的嵌岩深度进行设计。     

基于卷积门控循环神经网络的语音增强方法

为了进一步提高基于深度神经网络的语音增强方法的性能,针对单独使用卷积神经网络难以对含噪语音中的长期依赖关系进行建模的问题,提出一种基于卷积门控循环神经网络的语音增强方法.该方法首先采用卷积神经网络提取含噪语音中的局部特征,然后采用门控循环神经网络将含噪语音中不同时间段的局部特征进行关联,通过结合两种网络的不同特性,在语音增强中更好地利用含噪语音中的上下文信息.实验结果表明:该方法能够有效提高未知噪声条件下的语音增强性能,增强后的语音具有更好的语音质量和可懂度.     

积雪温度和深度变化特征分析

根据能量守恒原理,考虑太阳短波辐射、大气和地面的长波辐射、潜能、感热传输以及下垫面的热传导等能量之间的平衡,并考虑雪层中的温度分布,建立了一种应用气象站观测数据进行积雪表面温度和深度预测的模型。应用浙江省新昌县气象站2004年12月30日19时到2005年1月2日20时、2005年3月12日19时到3月13日10时逐时的各气象要素资料进行模拟分析,并与该时段内所测得的积雪表面温度和深度进行对比,发现日落后到日出前积雪表面温度预测值和实测值误差在1.5℃以内;在日出到日落之间用于雪面温度观测的水银温度表受太阳辐射直接照射影响,读数明显偏大,并出现正值;积雪深度预测值和实测值误差在2cm以内。因此,该模型对积雪表面最低温度和积雪深度预测具有较好的应用价值。     

基于深度差异性网络的真假面瘫识别

现有的面瘫识别方法均基于面部异常或不对称进行判断,但存在面部异常或不对称并不意味着一定是面瘫患者,如:正常人的面部在做某种表情或静止时可能存在不对称;正常人模仿面瘫患者时,也会存在异常和不对称。当重复临床诊断性面部动作时,存在面部异常或不对称的正常人常比患者表现出更大的差异,这是由于正常人相比于面瘫患者具有更健全的面部肌肉运动功能。因此,该文提出了一种基于深度差异特征网络(deep differentiated network,DDN)的面瘫识别方法,该方法对高层特征提取和差异特征计算进行联合优化。首先,利用双数据流卷积神经网络(two-stream CNN)提取疑似患者不同时刻同一动作的面部状态特征;然后,通过单分支卷积网络提取two-stream CNN间的差异特征,并基于差异性特征进行面瘫识别。实验结果表明,DDN能够有效识别疑似患者是否患有面瘫且优于现有方法。