基于卷积神经网络的单目深度估计

针对利用深度学习方法对街道图像进行深度估计，提出采用语义分割的方法解决深度图出现边界模糊等问题；估计深度通过左右视角图生成视差图进行无监督的训练。在网络模型中添加语义分割层，采取多个空洞卷积并行的结构增加感受野，同时减少了图像下采样的次数，降低了由于下采样带来的信息损失，使得的结果更加准确。这也是在深度估计中首次与空洞卷积相结合增加准确率。通过对KITTI街道数据集进行训练，与现有结果相比，除了增加检测准确性，降低错误率之外，使得效果图中的物体更加清晰，并且在效果图中还保留了一些原模型中被忽视掉的细节信息，将原始图像更加完整的表现出来。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

基于小波函数湛江市气象干旱周期分析

选取广东省湛江市作为研究区域,基于区内19个雨量站1966—2015年逐月降雨序列数据,采用6个月时间尺度的标准化降水指数,结合旋转经验正交分解法对区域气象干旱分布进行空间模态分解,利用小波分析对不同空间模态对应的区域进行干旱周期求解。结果表明:湛江市干旱空间分布可分解成6个空间模态,不同模态对应不同区域,区域内干旱周期主要信号最强为9.3 a、最弱为2.1 a,6个模态普遍存在2～6 a震荡周期,与实际干旱发生的周期基本一致。湛江地区干旱呈现周期性变化的原因与厄尔尼诺事件有关,春季降雨和厄尔尼诺的关系更密切,厄尔尼诺对春旱的影响更为持续和显著。     

基于模拟退火优化BP神经网络的变形监测数据预测方法

针对BP神经网络模型用于变形监测数据处理时容易陷入局部极小值并且收敛速度慢的问题，提出一种基于模拟退火(Simulated Annealing,SA)算法优化BP神经网络的建筑物变形预测方法，利用SA的全局寻优能力对BP神经网络的模型参数进行优化，使参数迭代过程始终保持较高的“温度”和“能量”，从而确保BP神经网络能够得到全局最优解的同时具备较高的预测精度和收敛速度。采用实际算例对所提SA-BP方法在低信噪比和小样本条件下的预测精度进行验证，结果表明所提方法相对于传统BP神经网络法和小波方法能够获得更高的预测精度，并且在小样本和低信噪比条件下优势更加明显。     

基于BP神经网络的线损不良数据辨识及其预测

电能在输送过程中产生的大量损耗会大大提高电网的运营成本,同时海量的电网数据中往往包含错误数据,对线损计算及预测有严重影响。针对该问题,提出一种基于BP神经网络的不良数据辨识模型,可以有效辨别线路数据中的不良数据,并进行剔除。剔除不良数据后,再利用BP神经网络对线损进行预测。以宿迁市某变电站数据为例,验证了该模型的适用性。     

基于广义深度学习的含DG配网故障诊断方法

针对传统故障定位方法难以满足含分布式电源配电网的问题，提出一种基于广义深度学习的故障定位方法。利用广义深度学习在逼近能力和容错性方面的优势，挖掘响应数据与故障位置之间的映射关系，建立含分布式电源配电网故障定位的模型。IEEE34节点仿真结果表明，该方法可有效实现含分布式电源配电网的故障定位，准确率高，速度快，且在信息畸变或缺失时容错性好。     

失谐叶盘振动可靠性分析的径向基极值响应面法

为了研究随机刚度失谐对叶盘振动可靠性的影响,将径向基函数神经网络与极值响应面结合提出了径向基极值响应面法。选取叶盘材料密度、工作转速、激振力幅值作为随机输入变量,叶盘振幅极值为输出响应,利用拉丁超立方抽样法抽取不同输入样本点,通过有限元分析计算得到各样本点对应的振幅极值响应,用抽取的样本点构建径向基极值响应面,并结合蒙特卡洛法对随机变量进行大批量抽样,将其带入径向基极值响应面分析得到叶盘振动可靠度。结果表明,在随机刚度失谐因素影响下,叶盘振动可靠性降低,更容易发生振动失效。通过与蒙特卡洛法、极值响应面法进行对比,得出径向基极值响应面在保证计算精度的情况下提高了计算效率。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时，数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测，提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN），提取信号特征，挖掘数据的时序特性，并采用逐层训练和微调的方式提升参数的收敛性；后端为长短时记忆（LSTM）网络，基于特征进行剩余使用寿命预测，并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性，实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%，比传统的LSTM低24.14%和19.01%，比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

红外菲涅尔透镜的注射超声辅助成型优化

为了提升聚合物红外菲涅尔透镜的光学性能,以其表面微沟槽的成型质量为目标,提出了一种高效的注射超声辅助成型方法,并对工艺参数进行了综合质量优化。首先分析了超声振动对聚合物的加热和加压效应,设计了一套一模两腔的对比试验模具;接着以红外菲涅尔透镜的调制传递函数MTF和齿形平均高度h为优化质量目标,设计了四步骤的多目标优化流程,通过试验设计、基于BP神经网络的质量目标与注射工艺参数关系建模、基于NSGA-Ⅱ的多目标优化和试验验证进行工艺参数的综合优化。实验结果表明:该多目标优化流程具有很高的精度,MTF和h的平均预测误差MPE分别为4.16%和3.32%;注射超声辅助成型的菲涅尔透镜微沟槽具有更高的复制质量,其齿沟槽平均高度h增加了15.6%,且h值的波动量随着h值的增大而增大,MTF值受齿高h均匀性的影响大于齿高h对其的影响。     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。