基于样式生成对抗网络的风景园林方案生成及设计特征识别

【目的】人工智能算法能否有效习得风景园林设计特征是一个值得探讨的问题。【方法】采用样式生成对抗网络2代（style generative adversarial network2, StyleGAN2）算法,通过算法训练生成风景园林设计方案;之后拆解StyleGAN2算法中的w向量,采用主成分分析（principal component analysis, PCA）降维方法和无监督学习K均值聚类方法可视化w向量特征;最后根据w向量的数据特征和生成结果的关联,分析算法对设计方案特征的提取能力。【结果】StyleGAN2可以为不同类型的场地生成高质量和多样化的设计方案,并且可以识别和提取一些高维抽象设计特征,如植被密度、水域面积、铺装面积、道路网络结构等。【结论】神经网络不仅可以识别图像形态特征,还可以在没有人类指导的情况下,无监督学习识别部分抽象的高维设计特征。但目前大部分设计特征耦合性较高,这是风景园林工作的复杂性和算法低可解释性共同导致的,需要未来进一步探索。     

基于生成对抗网络的深度Q学习空调冷负荷预测算法

针对传统预测算法在商场空调冷负荷预测中存在数据样本不足和预测精度低的问题,提出了一种基于生成对抗网络的深度Q学习的算法预测商场的空调冷负荷.利用生成对抗性网络生成与历史冷负荷数据相似的冷负荷数据,通过生成对抗网络解决真实负荷数据样本不足的问题.然后,利用深度Q学习网络预测未来时刻空调冷负荷数据.为了验证算法的有效性,以...     

基于生成对抗网络的图像处理及应用

本文主要采用生成对抗网络对运动模糊图像进行端对端盲复原方法进行简析。在图像的获取到使用过程中,多种因素会导致图像产生降质,如相机对焦问题会导致散焦模糊,成像系统的退化因素会导致高斯模糊等,成像系统和拍摄目标间的相对运动会导致运动模糊。而拍摄时抖动导致的模糊是导致图像质量下降的最主要因素。通常,减小运动模糊导致图像退化的影响的方案有两种,第一改善拍摄时的物理条件,如减小成像系统与拍摄目标间的相对运动。第二利用图像复原技术,通过图像复原算法提高图像质量。近年来利用生成对抗网络用于图像处理领域,在图像超级分辨率等相关问题取得了显著进展。2014年Goodfellow等提出了生成对抗网络,建立两个竞争网络,生成器用于接收噪声作为输入生成图像,鉴别器接收真实图像和生成图像,并试图区分它们,通过两个网络的对抗竞争,实现模糊图像盲复原。该方法在结构相似性测量及可视化表现方面实现了较高水准。     

基于深度卷积神经网络的科研项目不端行为识别研究

随着科研项目数量大幅增长,随之而来的问题是科研项目不端行为(SRPM)层出不穷.本文研究大数据环境下科研项目不端行为的特征提取方法,探索提出基于深度卷积神经网络(DCNN)的语句表示模型和匹配架构,并对其进行有效训练,以学习得到语句匹配在不同层次上的表示,提高模型的表示能力,从而提高文本相似度计算的准确度和精度.     

基于生成对抗网络的三维节点实体模型生成方法

三维实体模型的智能生成技术是结构智能设计的核心环节。为了克服这一关键技术难题,实现结构的智能设计,提出了一种结合3D生成对抗网络(GAN)与逆向工程技术生成三维节点实体模型的方法(3D-JointGAN)。首先阐述了该方法的基本思路、相关理论和具体实现过程;然后应用该方法对实际工程的三分叉铸钢节点进行智能生成设计,并将评估筛选出的代表性节点与焊接空心球节点、仿生节点和拓扑优化节点的受力性能指标进行对比分析;最后通过3D打印技术制造出代表性节点的缩尺模型,验证了智能生成结果的可制造性。研究结果表明：基于GAN的节点模型生成方法具有强大的生成和优化能力,不仅可生成创新的、高逼真度的多种三维实体模型,并且评估筛选的代表性节点具有更优异的受力性能,其中代表性节点a、b、c相较于初始节点质量降低了22.42%、26.82%、22.62%,最大位移降低了43.71%、38.34%、42.49%,最大等效应力降低了8.29%、5.28%、6.94%。     

生成对抗网络在建筑设计领域的应用研究综述

随着计算机科学的发展,人工智能应用渗透各个领域。为探究生成对抗网络在建筑设计领域的应用,本文将现有的国内外相关研究成果按照不同主题,分为建筑设计与生成、设计优化与预测、建筑风格转换与设计灵感、数据增强与评估四大类,并在此基础上,分析生成对抗网络在建筑设计领域的发展现状与未来的研究趋势,提出其未来可能的应用方向与潜在挑战,为研究者提供新的思路和灵感,从而推动建筑设计领域的创新和发展。     

多通道卷积神经网络图像识别方法

为了更好地利用图像数据中隐含的特征信息,将多方向梯度信息作为边缘信息的基本表达,提出了一种基于图像梯度的多通道卷积神经网络图像识别方法。先将图像进行Sobel算子处理,得到水平方向、垂直方向及两个对角方向的4个梯度图像。然后,建立4个多层卷积神经网络,学习4个不同方向梯度图像的特征。再将4个不同方向的特征进行随机化特征融合,得到样本的特征后经过批标准化处理。最后,通过分类器得到分类结果。在数据库Cifar-10和MNIST上进行了验证,验证结果表明:本文提出的模型具有较好的泛化能力,相比单通道卷积神经网络,在两个数据库中识别错误率分别降低了9.85%和0.38%。     

基于生成对抗网络的复合功能体系计算性设计——以职业技术学院校园平面生成为例

选取职业技术学院作为研究对象,建立职校平面的数据集,并基于生成对抗网络进行机器学习和模拟。通过机器学习对平面图的逐步生成和人工优化的工作方式,本研究分为3个阶段,其中包含区域划分、位置确定、形态生成3个步骤。机器学习模型可以快速生成包含主要空间元素互动组合的研究型方案,进而帮助建筑师探讨职校设计的规律性和神经网络的外延性。     

基于生成对抗网络和迁移学习的排水管道缺陷识别

城市排水设施的服役可靠性成为越来越重要的工程问题,高效率、自动化、大规模的管道缺陷智能检测是城市排水设施建设和管理的迫切需求和重要发展趋势。近年来深度学习技术发展迅速,为排水管道缺陷检测提供了新方法。然而,数据量不足和样本不均衡是深度学习模型普遍存在的问题,影响模型的泛化能力和识别鲁棒性。基于当前先进的生成对抗网络（StyleGAN）,提出了一种高质量的排水管道缺陷图像合成方法,以解决训练样本问题。进一步采用卷积神经网络算法,借助迁移学习和预训练模型（SqueezeNet网络）实现管道缺陷识别,提升模型识别效率,并对合成图像进行效果验证。结果表明,StyleGAN能高效合成高质量的缺陷图像,识别模型的平均精度达到90.0%（对树根、错口、残墙坝根和障碍物的精度分别为99.7%、92.3%、87.7%和81.7%）。借助生成对抗网络实现数据增强,为深度学习模型训练提供了一种有前景的方法,具有重要的应用意义。     

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...     

基于深度学习的VGG16 图像型火灾探测方法研究

为了快速、有效地检测不同场景下的火灾信息,基于深度迁移学习设计了一种改进VGG16 的图像型火灾检测方法。搜集不同场景下的照片,使用离线数据增强技术增加样本数量,对VGG16 进行改进,并使用迁移学习的方法训练火灾识别模型。结果表明：改进的VGG16 网络对于火灾现场的图片分类识别准确率为98.7%,优于Resnet50 网络和Densenet121 网络,可快速、准确地检测到火灾信息。     

miRNA-223在子宫肌瘤组织中的表达及临床意义分析

目的:探讨miRNA-223在子宫肌瘤组织中的表达及临床意义。方法:选取2018年1-6月在本院行子宫肌瘤剔除术的子宫肌瘤患者60例为子宫肌瘤组,另选同期到本院体检的30例健康女性为正常对照组。采用RT-PCR法检测两组血清、子宫肌瘤组织和瘤旁正常组织中miRNA-223的表达,并分析miRNA-223表达与子宫肌瘤患者临床病理特征的关系。结果:子宫肌瘤组miRNA-223表达水平明显高于正常对照组(P<0.05);子宫肌瘤组织miRNA-223表达水平明显高于瘤旁正常组织(P<0.05);子宫肌瘤组织中miRNA-223的表达水平与年龄、肌瘤大小、肌瘤个数、病理类型及月经情况均有关(P<0.05);由ROC曲线可知,其曲线下面积为0.847,95%CI(0.628,1.395),当miRNA-223的截断值为≥6.50时,其诊断敏感度为91.43%,特异度为80.26%。结论:miRNA-223在子宫肌瘤组织中呈高表达,其表达可能与子宫肌瘤的发生发展密切相关。     

基于深度学习的人脸识别研究

基于深度学习的人脸识别技术是目前人工智能和图像领域研究的热点之一,尤其随着近年来深度神经网络的发展,人脸识别的准确性和有效性得到了极大的提高。文章首先简要阐述了人脸识别技术的研究和发展历史,接着叙述了人脸识别的技术流程,随后详细介绍了在人脸识别中常用到的卷积神经网络。由于各大企业在人脸识别领域取得丰硕的研究成果,因此,也对人脸识别的产品和公司进行了简单介绍。最后,对人脸识别技术存在的不足和发展前景进行了总结和展望。     

一种区分性互补系统构造与融合的语音识别方法

在区分性训练的框架下,提出了一种基于混淆信息加权的互补系统构造方法。首先通过统计音素对的混淆信息,利用混淆信息给音素对加以不同的惩罚权重,分别以基线系统中的3个最优识别结果作为参考,计算混淆信息加权后的音素准确率,同时以正确的标注为参考计算标准的音素准确率。然后通过同时最大化混淆信息加权后的音素准确率和最小化标准音素准确率,构建模型层互补系统,并进一步通过结合RDLT(region-dependent linear transform)特征变换过程构造特征层的互补系统。实验结果表明,与互补最小音素错误准则相比,融合模型层互补系统后识别率提高了0.76%,同时融合特征层和模型层的互补系统识别率提高了1.35%。本方法可以增大互补系统间的差异性,提高系统融合后的识别性能。     

一种BP神经网络纸币图像识别方法的研究

介绍了BP神经网络的结构特点与原理,基于此种方法,对几种纸币的面额与方向进行了识别,其中权值的修改算法采用LM算法,并对算法的基本思路作了阐述,识别仿真结果表明,BP神经网络具有较高的准确性。     

改进Retinex算子融合特征搜索的图像识别算法研究

针对人脸图像识别系统易受光照干扰,在复杂背景下,易识别出伪目标,使其识别精度不高等难题,综合考虑高斯核函数的x,y方向,设计新的Retinex识别算子;并调用Open CV函数库中训练好的Hear分类器来进行模式匹配,形成了基于Open CV的人脸检测机制;再引入PCA特征搜索方法,搜索人脸信息;最终提出了人脸识别耦合特征搜索的安防系统解决方案。并测试该系统的性能,结果表明:与当前基于Retinex与PCA的识别算法相比,该算法具有更高的识别精度;且识别效率更高,能满足实时性要求。     

基于图像处理的图形轮廓自动识别技术研究

在工业精密尺寸检测问题中 ,由于工件的制造精度、破损和锈蚀 ,使得所获得的目标图像边缘粗糙且带有噪声 ,造成自动检测困难 .因此 ,精确提取目标边缘特性曲线已成为开发工业自动检测系统中的一个难题 .对图形轮廓线的自动识别进行了探讨 ,将图像作为函数来处理 ,应用到图像处理与模式识别中 ,并给出了一种识别算法 .本算法用VisualC + +语言编写实现 .图形轮廓线的自动识别是新一代CAD设计系统必不可少的基本功能 ,介绍了一种适用于任一 2D数据图形文件的轮廓线自动识别的新方法———局部坐标判别法 .实践证明 ,该方法简洁、可靠 ,不需要大量的运算 ,在自动识别中效果良好 .     

计算机智能图像识别算法研究

计算机智能图像识别系统依靠的是计算机自身拥有的强大的计算功能,系统可以通过对图像信息详细具体的分析,识别不同图像的特点,将图像信息转化为数字信息。计算机智能图像识别功能的强化与利用不同的空间进行映射存在一定的关系,进而反映出相对清晰的图像自身特征。文章主要介绍了计算机算法和图像识别以及计算机智能图像识别算法的研究。     

Post-disaster damage classification based on deep multi-view image fusion

This study aims to facilitate a more reliable automated postdisaster assessment of damaged buildings based on the use of multiple view imagery. Toward this, a Multi-View Convolutional Neural Network (MV-CNN) architecture is proposed, which combines the information from different views of a damaged building, resulting in 3-D aggregation of the 2-D damage features from each view. This spatial 3-D context damage information will result in more accurate and reliable damage quantification in the affected buildings. For validation, the presented model is trained and tested on a real-world visual data set of expert-labeled buildings following Hurricane Harvey. The developed model demonstrates an accuracy of 65% in predicting the exact damage states of buildings, and around 81% considering ±1 class deviation from ground-truth, based on a five-level damage scale. Value of information (VOI) analysis reveals that the hybrid models, which consider at least one aerial and ground view, perform better.