基于YOLOv3的安全帽佩戴检测方法研究

在大型锅炉、钢铁和其他制造业工厂中,正确佩戴安全帽是进入现场的前提。但是在现实场景中,由于各种原因,工人伤亡事故中没有正确佩戴安全帽而导致的事故占比一直较高。为了减少该类事故的发生,对深度学习、人工智能展开了研究,采用了卷积神经网络的方法。首先,对相关数据集标定,将数据集总体分为三种类别,针对标定好的数据,使用迁移学习的训练方式训练YOLOv3网络。接着,使用该参数和模型对监控视频数据检测人形和安全帽的类别和位置。最后,对检测的三种类别计算相关交并比,并以此判断工人是否正确佩戴安全帽。该算法创新性地将YOLOv3网络模型和交并比算法结合,对网络输出的类别和位置信息再细化处理,提高了检出的准确性,降低了误识别率。试验结果表明,该算法可以满足安全帽佩戴检测中的实时性要求,同时能够准确检出未佩戴安全帽的人员并通知有关人员。     

复杂航空电子装备故障诊断规则提取

针对复杂航空电子装备故障样本不足的问题,为简化测试过程、提高故障诊断效率,提出了一种基于粗糙集的故障诊断规则提取方法;该方法构建了故障诊断决策信息系统,通过构造故障诊断决策信息系统的决策辨识矩阵和决策辨识函数,计算测试参数集的所有约简,从而提取故障诊断规则;以某型雷达系统为例,采用上述方法进行规则提取,将故障诊断所需测试参数从9个约简为3个;研究结果表明,该方法能在故障样本较少的条件下有效约简测试参数集,提取故障诊断规则,有利于简化测试过程,提高诊断效率.     

基本型一般访问结构视觉密码的两种算法

视觉密码是一种完善安全的密码体制。近几年,视觉密码学的研究受到广泛关注。本文提出了一般访问结构的两种算法,通过Ateniese-Blundo-Santis-Stinson模型和累计数组的构造方法,对一般访问结构的基本型视觉密码进行讨论,获得了一个一般访问结构的基本型视觉密码方案。     

A balanced solution of a fuzzy soft set based decision making problem in medical science

The purpose of this paper is two folded. Firstly, the concept of mean potentiality approach (MPA) has been developed and an algorithm based on this new approach has been proposed to get a balanced solution of a fuzzy soft set based decision making problem. Secondly, a parameter reduction procedure based on relational algebra with the help of the balanced algorithm of mean potentiality approach has been used to reduce the choice parameter set in the parlance of fuzzy soft set theory and it is justified to the problems of diagnosis of a disease from the myriad of symptoms from medical science. Moreover the feasibility of this proposed method is demonstrated by comparing with Analytical Hierarchy Process (AHP), Naive Bayes classification method and Feng's method.     

基于变精度粗糙集的煤与瓦斯突出预测

煤与瓦斯突出是受诸多因素影响的复杂问题,为了提高其预测的准确性,本文以变精度粗糙集理论中的决策表为主要工具,首先将影响煤与瓦斯突出的检测信号作为预测的条件属性集,煤与瓦斯突出量作为对预测的决策属性,建立决策表,然后利用小生境遗传算法适合于进行多峰值函数优化的特点,提出了一种基于小生境遗传算法的粗糙集属性约简方法,用于求解决策表的多个约简,进而进行值约简后抽取出预测规则。算例结果说明了本算法的正确性和可行性。     

Continuous process control using neural networks

We present some adaptive control strategies based on neural networks that can be used for designing controllers for continuous process control problems. Specifically, a learning algorithm has been formulated based on reinforcement learning, a weakly supervised learning technique, to solve set-point control and control scheduling for continuous processes where the process cannot be modeled easily. It is shown how reinforcement learning can be used to learn the control strategy adaptively based on exploration of the control space without making assumptions about the process model. A new learning scheme, handicapped learning, was developed to learn a control schedule that specifies a schedule of set points. Applications studied include the control of a nonisothermal continuously stirred tank reactor at its unstable state and the learning of the daily time-temperature schedule for an environment controller. Experimental results demonstrate good learning performance, indicating that the learning algorithm can be used for solving transient startup and boundary value control problems.     

一种改进粒子群算法在水轮机控制中的应用

关于水轮发电机控制系统优化问题,水轮发电机组的控制技术对于水轮发电机组稳定工作非常重要。针对保证供电质量,改善调节系统的非线性时滞特性,利用具有局部搜索能力的粒子群算法对水轮发电机组进行模糊PID控制可以确保控制的稳定性。首先,根据水轮发电机组的控制原理和模糊PID控制器的基本结构,提出具有局部搜索能力的改进粒子群算法,利用模糊PID控制器以及采用了改进粒子群算法的模糊PID控制器,用MATLAB软件对水轮发电机组进行优化控制仿真,仿真结果表明采用改进粒子群算法的模糊PID控制器具有最优的控制效果。     

一种谱分解降维的模糊有监督局部保持投影策略

提出一种谱分解降维的模糊有监督局部保持投影策略。首先针对监督局部保持投影SLPP存在过学习和不能较好地保持图像空间的差异信息等问题,通过最小化局部离散度和最大化差异离散度准则提取投影方向,找到一种线性鉴别分析的等价形式。其次,通过采用模糊k近邻(FKNN)方法得到相应的样本分布隶属度信息,同时考虑到离群样本对整个分类结果的不利影响,提出一种模糊化方法,根据样本的隶属度对样本分布矩阵重定义所做的贡献,将每个样本的隶属度融入到SLPP特征抽取的过程中,从而得到完整有效的模糊样本特征向量集,有效解决了小样本问题的特征抽取问题。第三,提出一种谱分解的矩阵分析方法,在SLPP投影准则下,对散布矩阵实现降维。在ORL和NUST603人脸库上的实验结果验证了该方法的有效性。     

基于最大加权独立集的频谱分配算法

动态频谱接入技术允许认知用户接入未授权的频谱,可以有效地提高频谱资源的利用率。频谱分配算法的时间开销和公平性是算法优劣的主要评价标准。本文从图论着色模型出发,构建了着色算法的评价体系及优化目标。针对用户间的公平性与分配的时间开销问题,在极大独立集的基础上提出了基于加权最大独立集的着色算法,获得了接近于最优的用户公平性,且该算法的时间开销等于信道数,与认知用户的数目无关。仿真分析验证了算法的正确性。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。