改进的YOLOv3交通标志识别算法

针对复杂场景下交通标志检测存在精度低、检测速度慢等问题,提出一种基于YOLOv3改进的S-YOLO(stronger-YOLO)交通标志算法。首先,合并批归一化层到卷积层,以提升模型前向推理速度;其次,采用二分K-means聚类算法,确定适合交通标志的先验框;然后引入空间金字塔池化模块,提取特征图深度特征;最后引入完整-交并比(complete-IoU,CIoU)回归损失函数,提升模型检测精度。实验结果表明,在重制的中国交通标志数据集(Chinese traffic sign dataset,CTSDB)下,所提算法与YOLOv3相比,平均准确率和检测速度分别提升了4.26%和15.19%,同时相较YOLOv4以及其他算法对交通标志识别有更优的精度和速度,具有良好的鲁棒性,满足复杂场景高效实时检测。     

带有预防性维修中断的复合制造系统的经济批量问题

本文研究了由单个产品和单种原材料组成的复合制造系统在实行预防性维修中断（ＰｒｅｖｅｎｔｉｖｅＭａｉｎｔｅｎａｎｃｅＩｎｔｅｒｕｐｔｉｏｎ,ＰＭＩ）的情形下的经济批量问题。发展了一个复合批量模型,提供了寻求最优生产批量、原材料最优订货批量以及最优维修中断次数的简单算法,并用数值例子说明了模型的求解过程。     

基于改进卷积神经网络的中药饮片图像识别

为解决AlexNet网络模型在中药饮片图像识别中存在的识别准确率和鲁棒性不够理想的问题,以常见的50种中药饮片为研究对象,对AlexNet网络模型进行改进优化。首先通过拍摄以及搜索引擎获取中药饮片图像,并对图像进行数据扩充以及细节增强预处理。其次对AlexNet网络模型进行优化改进,通过缩减原网络的卷积核个数和卷积核大小、使用全局平均池化(global average pooling, GAP)替代全连接层以减少网络参数;去除局部响应归一化(local response normalization, LRN)层、引入批量归一化(batch normalization, BN)层和使用Lion优化算法替代随机梯度下降(stochastic gradient descent, SGD)优化算法以提高网络训练速度;使用Mish激活函数替代ReLU激活函数和引入通道注意力机制SENet网络以提高模型的识别精度。实验结果表明,改进后的网络模型相比于AlexNet网络模型,平均识别率提高了6.1%,平均损失率下降了14.4%,网络参数由原来的60 M缩减至1 M,该结果表明在中药饮片数据集上,改进...     

航材可修件库存共享研究

建立各个航空公司基地间的可修件航材库存共享模型,计算出各航空公司基地共享所需的航材总库存数量,并按照各个航空公司的需求分配到各地。通过库存共享的实现,降低航空公司航材库存成本,提高可修件航材整体的保障率。     

投资者心理与股票价格形成的精炼贝叶斯均衡

在不完全竞争的市场结构下，将散户投资者过度自信这一心理特征引入至大户与散户的交易博弈框架，研究了投资者心理在价格形成与信息揭示过程中的作用机理．价格形成均衡的边界条件与散户心理特征有关．散户过度自信的平均水平越高，大户越容易通过其市场影响力操纵散户群体的信念和行为，隐瞒其私人信息进而操纵价格以获利；但散户心理状态的可预测性越差，大户越难利用此心理来获利．总之，散户的心理因素对股票价格形成的作用机理十分复杂，取决于其心理特征的平均水平及其可预测性的综合作用．     

基于全局感知机制的地面红外目标检测方法

针对地面场景下的红外目标检测易受复杂背景干扰、检测精度不高、易发生误检和漏检的问题, 以车辆红外特征为研究对象, 提出了基于全局感知机制的红外目标检测方法。在以Darknet-53为主干网络的基础上, 结合具有全局信息融合的空间金字塔池化机制, 在增大模型感受域的同时增强了模型的全局信息感知力和抗干扰能力; 设计了平滑焦点损失函数, 解决了图像内因目标相互影响而导致的检测精度不高、易出现误检、漏检等问题。实验表明, 在Infrared-VOC320数据集上, 该算法的平均检测精度为80.1%, 较YOLOv3提高了4.4%, 检测速度达到了56.4 FPS, 有效提高了复杂背景下红外目标的检测精度, 实现了对红外目标的实时检测。     

融合WaveNet和BiGRU的网络入侵检测方法

为解决当前入侵检测算法对于网络入侵的多分类准确率普遍不高的问题, 鉴于网络入侵数据具有时间序列特性, 提出一种融合WaveNet和双向门控循环单元(bi-directional gated recurrent unit, BiGRU)的网络入侵检测方法。为解决原始攻击数据分布广、离散性强的问题, 首先对数据进行独热编码及归一化处理, 之后使用WaveNet进行卷积操作, 对数据进行序列缩短处理, 同时使用最大、平均池化融合的方法全面提取数据特征, 最后由BiGRU完成对模型的训练并实现分类。基于NSL-KDD、UNSW-NB15以及CIC-IDS2017数据集进行了对比实验, 结果表明, 所提方法对于上述数据集的准确率分别能够达到99.62%、83.98%以及99.86%, 较同类型的CNN-BiLSTM分别提升了0.4%、1.9%以及0.1%。