综合GAN与CNN的应急疏散快速风险评估方法

针对大型公共场馆疏散风险评估问题,提出一种综合生成对抗网络(GAN)与卷积神经网络(CNN)的应急疏散深度学习评估模型,通过WGAN(Wasserstein GAN)进行数据增强,解决疏散数据不足的问题,并基于CNN,分别采用LeNet以及ResNet两种网络结构进行数据训练.以某大型体育馆为例,应用该方法进行疏散风险...     

基于细胞神经网络的道路实况特征提取

本文通过对细胞神经网络(CNN)的学习与分析,实现了道路边缘提取系统并对一幅道路实况图像进行特征提取。通过实验可知:在高速并行计算领域,细胞神经网络(CNN)与过去方法相比,有巨大优势,并证实CNN在道路实况特征提取尤其是车道边缘提取这个领域拥有的高可行性和高效性等特点。     

基于深度学习方法的沪铜期货价格预测研究

为了提高沪铜期货价格预测的准确性,本文运用深度学习方法中的门控循环单元网络(GRU)、长短期记忆神经网络(LSTM)、卷积神经网络(CNN)三种模型对沪铜期货进行不同频率输入数据的价格预测,结果表明:相比于LSTM神经网络和CNN神经网络,GRU神经网络的预测效果最好。相对于低频数据,高频数据的预测结果更加准确。     

卷积神经网络在心拍类识别中的应用

本文基于卷积神经网络进行心拍类识别中的应用进行处理,可以有效的解决数据不平衡的问题,通过构建CNN模型提取心拍特征,综合各类别CNN模型进行识别与分类处理,其效果显著。基于此,文章主要对卷积神经网络在心拍类识别中的应用分析进行了简单的研究。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于深度神经网络的砂岩储层孔隙度预测方法

为了提高储层参数的预测精度,使用深度神经网络(deep neural networks,DNN)对储层的孔隙度进行预测;在深度神经网络中应用Adam自适应学习率优化器,并与卷积神经网络(convolutional neural network,CNN)和BP神经网络(BP neural network,BPNN)进行预测精度对比;网络训练中引入"丢弃"(dropout)正则化技术随机丢弃每层神经元来减少过拟合现象;采用Relu函数避免深度神经网络在迭代时陷入局部最小值,加速参数更新,增加收敛的鲁棒性。以测井数据为驱动,同时以网络模型的超参数调节对孔隙度预测精度的影响进行实验模拟。实际资料处理表明,随着网络深度增加及参数调试,DNN预测数值与原始数值高度吻合,采用深度神经网络的储层孔隙度预测方法可以应用于利用测井资料开展储层预测的实际生产。     

卷积神经网络在结构损伤检测中的应用

基于卷积神经网络(CNN)在损伤特征提取上的优势,本文开展了结构在不同激励类型作用下CNN损伤诊断精度的研究。通过有限元模拟试验,发现作用在结构上的激励类型不是影响CNN损伤识别精度的关键因素。同时,在测试CNN的抗噪能力并分析其特征提取的鲁棒性时,发现在不同噪声强度下CNN均取得了良好的识别效果。混合训练模式虽然对CNN识别精度有略微的影响,但却可以在一定程度上增强其识别稳定性。另外,在数值模拟试验中发现瞬态响应中包含了比稳态响应更为广阔的损伤特征,在输入数据中添加结构瞬态响应能够在一定程度上加快训练速率。     

基于深度学习的腹膜腔脱落细胞病理图像识别

针对体液细胞病理诊断自动分类识别的问题,构建一种基于深度卷积神经网络的自动化识别模型(CNN-LS)。首先对图像样本进行灰度级转换、ZCA白化、归一化与标注处理,降低图像特征间的相关性与数据冗余。其次,在CNN-LS模型构建过程中引入改进的激活函数(LReLU-Softplus)用于提高模型的收敛速度和避免可能出现的饱和非线性问题,并通过实验验证获取CNN-LS模型的最佳卷积核数量和尺寸大小。最后将CNN-LS与CS+SVM,PCA+QSOFM,ANN,CNN这4种分类方法做性能对比。实验表明CNN-LS模型在针对腹膜腔脱落细胞病理图像的癌细胞分类识别过程中具有较明显的优势。     

基于深度学习的建筑用短粗拉索索力智能识别

准确识别拉索的索力大小对评估预应力结构的健康状态具有重要意义。频率振动法可以较精确地测量桥梁结构中细长拉索的索力，但对建筑用短粗拉索的索力测量精度较低。为此，对建筑中常用的密闭索及高钒索开展在预应力作用下的动态响应试验，以获取拉索在不同索力下的动态响应数据，基于试验数据提出了可智能识别建筑用拉索索力的深度学习模型。模型以采集的原始频谱数据及拉索各项几何参量为特征输入，采用多通道融合的1D卷积神经网络(CNN)及深度神经网络(DNN)。分析结果表明：训练后的模型在测试集上识别的索力值与实际索力值间的平均绝对误差值仅为5.05%,均方误差值仅为0.35%;在测试集随机的6个取样点上索力值的决定系数为0.985 4,索力误差均小于10%。与已有索力计算实用公式和机器学习算法进行对比，由索力误差百分比及决定系数的评估结果发现所提出的深度学习模型的索力识别精度更高。     

基于深度学习和典型相关分析的渔情预测方法

为解决用传统方法进行渔场预测时存在的性能欠佳、特征转换困难、拟合程度不足等问题,提出了一种基于深度学习和典型相关分析的新型渔情预测方法——CNN-DNN-CCA(连接融合)-RBF模型,该方法首先在5°×5°渔业作业区域内将不同海洋环境因子按相对空间位置映射为三维矩阵,然后分别采用卷积神经网络(CNN)和深度神经网络(DNN)对海表温度(SST)、叶绿素a(Chl-a)浓度、海面高度(SSH)3种环境因子和渔场时空因子两种多源异构数据进行模态特征提取,得到两种不同模态的特征向量,并将两种特征向量通过典型相关分析(CCA)进行特征级融合,最后将融合后的特征输入到径向基函数网络(RBF)中进行分类。结果表明,通过试验验证,基于深度学习和典型相关分析的渔场预报模型CNN-DNN-CCA(连接融合)-RBF对南太平洋长鳍金枪鱼Thunnus alalonga中心渔场的召回率达到了90.3%,相较于随机森林(RF)、CNN和DNN模型提高了6.8%～21.8%。研究表明,CNN-DNN-CCA(连接融合)-RBF新型渔情预测模型通过深度学习和典型相关分析方法分别进行特征自动提取和特征融合,消除了冗余信息,简化了特征转换,提高了运算速度和预测精度。     

高架桥上BRT公交车火灾事故调查的思考

通过对一起高架桥上BRT公交车火灾事故的详细勘察和缜密调查,分析提出制定特殊火灾事故调查应急预案的重要性,探讨如何建立重大火灾事故多部门尤其是刑侦部门协作配合机制,以及从火灾事故调查中总结经验教训,提出改进措施和建议。     

对混凝土裂缝自愈合的研究

阐述了混凝土裂缝产生的原因以及混凝土裂缝自愈合的机理,并对混凝土的自愈合技术进行了深入的研究,结合该领域存在的问题,对其在未来的发展进行了展望,以期为该问题的研究提供借鉴。     

基于ANSYS的水平受载桩桩身受力性能的研究

基于ANSYS有限元软件,建立了钢筋混凝土管桩模型,对成层土中桩身处承受水平荷载的基桩受力性状进行了计算机数值模拟,通过对桩身位移和应力变化曲线的分析,得出了水平荷载下桩身位移和应力的变化规律。     

浅析“辛以润之”

"辛以润之"是中药药性理论的重要组成部分,一方面,"辛润"是"辛散"功效作用于脾、肺、肾而依次派生出的功用变易,是天地阴阳、五行五脏之间紧密联系的体现;另一方面,对"辛润"的运用不该只局限于治疗"肾苦燥",而更应将其追溯到"发越脾气"与"从阳引阴"上去,以使其对临床用药的指导意义更加深刻、广泛;最后,对于药物性味的合理运用与理解应该与药味之间的相互配伍、中药归经理论结合起来,使其得以互相为体为用,从而更好地发挥功效。     

燃气表跳字分析

分析了燃气表滑阀与滑座、输出轴、计数器对产生跳字的影响,提出了解决方法。     

浅析MVRDV的密度实践

对MVRDV 的理论进行了探索,指出MVRDV 建筑事务所热衷于研究城市空间扩张与自然空间发展的关系及城市空间和建筑本身的密度实践,并通过对MVRDV 案例的分析,论述了提高建筑密度的手法和优化城市空间的理念。     

同层分户排水刍议

住宅楼分户排水可基本杜绝以往管道穿楼板导致的"跑、冒、滴、漏"和随意往管道投垃圾而导致堵塞下层管道(尤其是底层排水横管)等弊病,有效解决卫生间"臭味"问题.     

基于PSIM的光伏电池的仿真

指出光伏电池是光伏发电系统的主要元件,对其特性的研究有着重要的意义,介绍了利用PSIM软件建立光伏阵列的仿真模型,并对仿真效果进行了分析,得出该模型仿真精度高,能够准确地反映其物理特性,为光伏发电系统的仿真分析提供了依据。