基于平方根无迹卡尔曼神经网络的铝电解工耗模型EI北大核心CSCD

铝电解过程中传统机理建模及静态建模等方法难以建立精确过程模型。采用平方根无迹卡尔曼神经网络算法构建铝电解工耗模型。无迹卡尔曼神经网络滤波与平方根滤波理论相结合,改进无迹卡尔曼神经网络滤波算法,利用协方差矩阵的平方根代替无迹卡尔曼算法中的协方差矩阵参与递推运算,解决铝电解建模过程中出现误差协方差矩阵非正定型而导致滤波发散的问题,并且提高了模型的自适应能力和精确度。通过对某铝厂出铝情况的日报样本进行验证,对比神经网络模型和无迹卡尔曼神经网络模型,平方根无迹卡尔曼神经网络提高了铝电解工耗模型精度和可靠性,表明了该方法的有效性、先进性和可靠性。     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。