图像分类卷积神经网络的特征选择模型压缩方法

深度卷积神经网络(convolutional neural networks, CNN)作为特征提取器(feature extractor, CNN--FE)已被广泛应用于许多领域并获得显著成功. 根据研究评测可知CNN--FE具有大量参数, 这大大限制了CNN--FE在如智能手机这样的内存有限的设备上的应用. 本文以AlexNet卷积神经网络特征提取器为研究对象, 面向图像分类问题, 在保持图像分类性能几乎不变的情况下减少CNN--FE模型参数量. 通过对AlexNet各层参数分布的详细分析, 作者发现其全连接层包含了大约99%的模型参数, 在图像分类类别较少的情况, AlexNet提取的特征存在冗余. 因此, 将CNN--FE模型压缩问题转化为深度特征选择问题, 联合考虑分类准确率和压缩率, 本文提出了一种新的基于互信息量的特征选择方法, 实现CNN--FE模型压缩. 在公开场景分类数据库以及自建的无线胶囊内窥镜(wireless capsule endoscope, WCE)气泡图片数据库上进行图像分类实验. 结果表明本文提出的CNN--FE模型压缩方法减少了约83%的AlexNet模型参数且其分类准确率几乎保持不变.     

卷烟厂滤棒成型的区域智能排产系统设计

为了提高卷烟厂滤棒成型生产效率以及降低生产成本，设计一个卷烟厂滤棒成型的区域智能排产系统。在系统硬件部分，将TMS320F2812芯片作为系统的控制核心，并设计了存储模块，此次研究的系统重点设计了软件部分，预先构建排产模型及干扰因素分析模型，将生产过程中的干扰事件划分为3大类，并提出解决措施，同时设定滤棒成型的区域智能排产流程，实现卷烟厂滤棒成型的区域智能排产系统设计。实验分为两部分，实验一结果表明，此次研究的系统在不同数量滤棒生产过程中在较短时间内就能够完成滤棒成型，有效提高了滤棒成型生产效率；实验二表明，此次研究的区域智能排产系统在较少迭代次数下就能够确定最佳目标函数，有效降低了生产成本。