横向卷曲短螺卷切屑的折断长度

在横向卷曲短螺卷切屑折断判据理论公式的基础上，根据实验结果对其进行了简化处理，得到了横向卷曲短螺卷切屑折断长度的实用公式．根据试验所得数据对实用公式中各函数进行拟合，得出了横向卷曲短螺卷切屑折断长度的预测公式，并对此进行了实验验证．     

横向卷曲短螺卷切屑的折断长度

在横向卷曲短螺卷切屑折断判据理论公式的基础上，根据实验结果对其进行了简化处理，得到了横向卷曲短螺卷切屑折断长度的实用公式．根据试验所得数据对实用公式中各函数进行拟合，得出了横向卷曲短螺卷切屑折断长度的预测公式，并对此进行了实验验证．     

智能加工中切屑状态的特征分析和辨识

分析了在智能加工中利用智能监测系统监测切屑状态的特点，讨论了应用统计分析方法提取切削过程中反映不同切屑形态、断屑类型的特征量的可行性，并通过对特征信号内涵的分析，提出了基于力和加速度传感器集成的最有效特征量提取方法，为智能加工中的切屑状态监测提供了理论依据。     

基于数学形态学和纹理的切屑图像处理及识别

根据切屑图像的特点，阐述了数学形态学在切屑图像降噪及边缘提取中的应用。利用所述方法对几种不同类型的切屑图像进行处理，并进行纹理特征提取，利用SOM神经网络对图像进行分类，最终将其应用于切屑图像的识别。经检验证明，该方法利用形态学对切屑图像处理及纹理分析是可行的，并且有较好的效果。     

基于特征扩展的金属切屑形态图像识别方法

针对金属切屑形态检测存在的问题,对C型屑、螺卷型屑和乱屑的形状特征进行了研究,提出了基于形状特征扩展的图像识别方法,即通过切屑图像的面积比特征粗分类法和扩展图像的欧拉数特征分类法,以MATLAB为平台,开发编制了相应的识别软件．经检验证明,本方法对3种典型的切后形态识别具有可行性,其识别率达到98％以上．     

基于网络的三维槽型刀片断屑预报系统研究

针对已有的三维槽型刀片切屑折断预测模型，利用Java程序语言的JSP技术和HTML语言，建立了知识库，构建了基于网络的三维槽型刀片断屑预报系统．用户通过网络访问该系统时，提交必要的切削参数，然后经系统推理机推理，用户将获得切屑折断预报所需要的极限进给量、极限背吃刀量和切屑折断图表，从而实现切屑折断的在线预报．     

切屑宽度变形系数的研究

在三维变形切屑分析的基础上，根据大量的试验结果，对直接影响三维变形切屑的宽度变化因素进行了研究，提出切屑宽度形系数的概念。采用不同刀具几何参数和切削用量，得到了切屑宽度变形系数的变化规律，并对此进行了分析，为进一步研究三维变形切屑的横向卷曲半径及折断奠定了基地。     

高温合金锯齿形切屑绝热剪切带内材料组织演变及形成机理

为了研究不同铣削条件下切屑的宏观形态,设计了高速铣削单因素试验。通过单因素试验考察了各个铣削参数对铣削力的影响,并对改变铣削速度后得到的切屑的宏观形态进行了分析。对铣削加工中得到的切屑进行镶嵌、抛光、腐蚀,得到其金相显微组织照片,使用Digimizer测量软件对切屑形态各参数进行测量,研究了铣削速度对锯齿化程度和锯齿齿距的影响。通过得到的金相组织照片,对不同铣削参数下的切屑基体和绝热剪切带内材料的组织变化进行分析,得出了锯齿形切屑的形成机理。     

切屑折断过程的声发射特性

对车削过程中的声发射特性进行了试验研究。结果表明：切削过程中产生突发型特征的剪切滑移、切屑折断、刀具破损的声发射信号各不相同；切屑形状与声发射信号特征有一定的对应关系。     

切屑状态在线监测的信号特征

通过在大量实验,获取了镗削加工中振动加速度、切削力和切削热信号数据,对于不同切削形态下各种信号的特征进行了深入讨论,并对用于切屑状态分类的各种特征向量的优劣进行了比较与分析．     

融合局部特征与深度学习的三维掌纹识别

为了探索三维掌纹在生物特征识别领域的应用,基于局部纹理特征和深度学习,提出一种有效的三维掌纹识别方法. 通过曲率特征、形状指数、表面类型分别来描述三维掌纹的局部几何特征,将其作为深度神经网络的输入,完成三维掌纹识别任务. 在香港理工大学的三维掌纹数据库上对不同的几何特征、不同的深度神经网络模型进行全面分析与比较. 三维掌纹识别实验结果表明,与其他三维掌纹识别方法相比较,所提方法的识别率更高,识别时间更短,在实时掌纹识别领域具有较大的应用潜力.     

基于脉冲耦合神经网络的目标特征抽取方法

为解决待识别目标的特征抽取问题,提出了一种脉冲耦合神经网络结合形状信息的图像混合特征抽取方法。该方法利用脉冲耦合神经网络将图像空域信号转化为时域信号的特性,结合物体形状信息,对图像的灰度和形状进行了统一描述。实验结果证明,该方法在一定程度上对物体的形变、平移、缩放不敏感,对目标识别系统是一种很好的特征抽取方法。     

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集. 将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合,通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.     

基于概率神经网络的人群密度估计

研究图像在频域中的纹理特性,实现了在频域中的人群密度估计.首先,对视频的每一帧进行离散余弦变换(DCT),将视频图像的空域性质转化到频域中;其次,统计分析视频图像DCT变换矩阵的纹理特性,提取能描述不同密度等级的纹理描述子作为特征向量;最后,用提取出的特征向量训练概率神经网络,并进行人群密度等级估计.实验表明,该方法可以很好地进行密度估计,获得了较高识别效率.     

基于神经网络的产品造型美学特征识别与修正

根据产品造型的要求,总结出若干美学特征并构造该特征与美学评价的对应关系,利用人工神经网络的非线性映射能力,建立各种特征组合与相应造型美度等级的映射关系,从而实现基于神经网络的产品造型美学特征识别与修正。网络训练完成后,可针对新特征对产品的造型美度等级进行评价,进而对不良特征进行修正。神经网络采用一种综合改进的BP网络,并进行了动量项自适应调整的改进。通过算例表明,该方法是有效的。     

基于3D-CBAM注意力机制的人体动作识别

针对已有的动作识别方法的特征提取不足、识别率较低等问题,结合双流网络、3D卷积神经网络和卷积LSTM网络的优势,提出一种融合模型. 该融合模型为了更好地提取人体动作特征,采用SSD目标检测方法将人体目标分割出作为局部特征和原视频的全局特征共同训练,并采用后期融合进行分类; 将3D卷积块注意模块采用shortcut结构的方式融合到3D卷积神经网络中,加强神经网络对视频的通道和空间特征提取; 并且通过将神经网络中部分3D卷积层替换为ConvLSTM层的方法,更好地得到视频的时序关系. 实验在公开的KTH数据集     

基于多神经网络分类器的军事目标识别方法研究

对军事目标类型的识别是军事信息处理中的一个重要环节.本文首先对军事目标进行特征提取,以矩和圆度两种不变矩特征向量作为神经网络的输入,分别采用了BP神经网络、自组织竞争网络、Hopfield网络对军事目标进行识别,最后采用了分类器多数投票法对识别结果进行融合,仿真实验结果表明采用多神经网络分类器融合的方法比单一神经网络识别率高,这对提高军事信息处理的准确性具有重要意义.     

基于多尺度特征映射网络的图像超分辨率重建

针对基于卷积神经网络的图像超分辨率重建（SRCNN）方法存在的重建网络浅、特征利用率低以及重建图像模糊等问题,提出基于多尺度特征映射网络的图像超分辨率重建方法. 多尺度特征映射网络通过学习低分辨率（LR）特征与高分辨率（HR）特征之间的映射关系,将多个尺度的LR特征映射到HR特征空间,通过特征融合来提高重建过程中对特征的利用率;该方法定义了结合逐像素损失、感知损失和对抗损失的联合损失函数,从低频内容、图像边缘和局部纹理等方面均衡提升重建图像质量. 对数据集Set5、Set14和BSD100的图片4倍下采样后进行测试,与当前主流方法进行比较和分析. 实验证明,基于生成对抗的多尺度特征映射网络在提高图像感知质量方面表现优秀,重建的图像具有更加清晰的边缘和纹理,在客观评价上具有较好的评分.     

基于NRC和多模态残差神经网络的肺部肿瘤良恶性分类

针对深度卷积神经网络训练时的网络退化、特征表达能力不强等问题,提出一种基于非负表示分类和多模态残差神经网络的肺部肿瘤(residual neural network-non negative representation classification, resnet-NRC)良恶性分类方法。使用迁移学习将预训练残差神经网络模型初始化参数;分别用CT、PET和PET/CT 3个模态的数据集训练残差神经网络,提取全连接层的特征向量;采用非负表示分类器(non-negative representation classification, NRC)对特征向量进行非负表示,求解非负系数矩阵;利用残差相似度进行肺部肿瘤良恶性分类。通过AlexNet、GoogleNet、ResNet-18/50/101模型进行对比试验,试验结果表明,ResNet-NRC分类效果优于其它模型,且特异性和灵敏度等各项评价指标也较高,该方法具有较好的鲁棒性和泛化能力。