基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

前置除磷优化及对多级缺氧一好氧工艺的影响

为强化厌氧-多级缺氧-好氧(A-MAO)工艺,满足GB 3838-2002的地表IV水体要求,本研究对FeCl3、Fe2(SO4)3和聚合硫酸铁(PFS)3种铁盐前置化学除磷对TP、COD的去除效果和产泥量进行研究,并考察了前置化学除磷与A-MAO工艺耦合投加量。结果表明,FeCl3和Fe2(SO4)3对TP和SS去除可达到地表IV水体要求,并明显好于PFS;FeCl3对COD的去除和产泥量最多;与FeCl3相比,Fe2(SO4)3具有较好的COD保存能力,且产泥量少。AMAO工艺使用Fe2(SO4)3前置化学除磷,导致TN含量不达GB 18918-2002要求,优化的化学生物除磷耦合投加量为130 mg/L。     

船用一体化生物活性炭装置反冲洗技术条件优化

反冲洗是保证生物活性炭装置正常运行的重要因素。以船用污水深度处理装置一体化生物活性炭为研究对象,探究反冲洗对于装置污染物去除能力恢复的影响,得出了装置恢复时间;选取9种反冲洗条件,考察装置反洗后8 h后,装置污染物去除能力的变化。结果表明:污染物去除率随着反冲洗时间推移先降低后逐步升高,8 h后趋于稳定,此时COD去除率为60%,氨氮去除率为10%。对比不同反冲洗条件下对于装置性能的影响分析,反洗强度控制在5.0 L/(m2·s),反洗时间为7 min时为较优反冲洗条件,COD去除率达到79.8%,氨氮去除率为5.3%。     

600MW超临界CFB机组深度调峰运行技术

经通过分析超临界CFB机组在深度调峰方面的优势,结合600MW超临界CFB机组的实际运行工况,提出机组在深度调峰前应开展的试验工作。研究600MW超临界CFB机组的深度调峰过程,从汽机、锅炉、电气等方面提出有效的技术措施,解决深度调峰可能带来的锅炉流化不良、环保参数控制困难等问题。通过在600MW超临界CFB机组上应用,机组在30%负荷深度调峰运行,工况稳定,各项参数正常,取得了较好效果。     

粘附砂浆含量对再生骨料混凝土抗碳化性能的影响

以再生粗骨料粘附砂浆含量为变量,配制C40再生骨料混凝土进行碳化对比试验,结合碳化模型以碳化深度达到钢筋表面为准则,探究粘附砂浆含量对再生骨料混凝土抗碳化性能的影响.结果 表明,碳化深度与碳化速率均随粘附砂浆含量的增加而增大,且碳化深度增幅较大,粘附砂浆含量处于35％ ～45％(质量分数)时,其碳化深度可以满足一般环境下混凝土结构设计使用年限30 a、50 a和100 a的抗碳化性能要求.     

深度学习识别光网络单元故障的设计与应用

为解决依赖装维上门鉴别光网络单元故障带来的不便,可以从机器视觉入手实现自动化故障识别。近年,ImageNet挑战赛的成功推动了物体识别技术的跨越式发展,特别是基于卷积的深度学习技术在视觉识别方面已经达到人类水平,为光网络单元故障的自动识别提供了技术基础。文章对识别光网络单元的工作状态进行了研究,将设备工作状态分为7个场景,提出了利用手机APP采集图片识别故障的解决方案并投入了实际生产;重点阐述了深度学习模块的设计与实现,提出一种通过算法整合的方式综合运用物体检测和图像分类算法,分3阶段逐步求精,解决了图片过滤,光网络单元型号和状态识别等问题,实现了基于计算机视觉自动识别光网络单元故障。从数据上看产品的端到端准确率超过84%,识别速度达到10 FPS,月均提供服务超过1万人次,在减少用户等待的同时节约了人力资源。     

基于深度网络迁移学习的致痫区脑电识别* .txt

摘要：致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析，获得脑电信号时频图；然后迁移学习AlexNet网络模型，调整网络结构使之适应于致痫区脑电识别，将模型第7层全连接层输出作为脑电信号时频图的特征表示，最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果，得到SVM算法的平均特异性为8881%，灵敏度为8807%，准确率为8844%，证明了该方法识别致痫区脑电信号的有效性。 .txt