基于非线性HBI网络的转炉冶炼终点预测模型

针对前馈神经网络模型的BP算法自身存在的易陷入局部极小和收敛速度慢等缺陷,耦合同伦理论与BI神经网络模型,建立了基于同伦BI神经网络的转炉终点预测模型分别对转炉终点钢水的碳含量及温度进行预测,并在相同构造下同单纯BI网络模型相比较.结果表明：在网络结构相同的条件下,耦合同伦算法后预测模型的精度得到显著提高,各模型命中率的平均提高量分别为8.6%,20.2%,预测误差绝对值的最大值分别下降了48.4%,44.76%;在计算效率方面,完成相同的计算迭代次数,同伦模型所需时间平均减少14%.     

基于GRNN算法的铜转炉吹炼终点预报模型

针对PS转炉炼铜过程造渣期反应机理复杂,操作过程的间歇性,利用机器学习通过颜色矢量相关性算法、图像颜色矩提取算法优化了图像特征,构建了深度学习的转炉炼铜造渣期火焰图像分析模型,提出了转炉炼铜造渣期终点判断模型,对造渣期炉口火焰特征值优化处理,建立造渣终点预报模型.结果 表明:基于实际生产环境的预测,GRNN算法避免了铜转炉吹炼过程中多指标内部相关性,减少数据冗余和系统误差,使得预测精度达到97.33％.预测精度相对于相关文献报道的预报模型,该模型精度更高,训练次数少,时效性强,为转炉终点判断提供一种新途径.     

基于多任务学习的结构损伤识别

利用信号特征自动学习和提取的特性,深度神经网络已被成功应用于基于振动的结构损伤定位或程度诊断。单一的损伤位置或损伤程度诊断网络虽分别能实现一定的诊断功能,但不同任务之间的相关信息没有得到充分利用;因此,将损伤定位任务和损伤程度诊断任务相结合,基于一维空洞卷积神经网络,提出了一个具有信号特征共享与反馈特性的多任务联合学习模型。框架结构的数值模拟和实验模型研究表明,与单任务模型相比,多任务模型能有效降低定位错误和损伤程度估计误差,且具有更好的泛化性。     

基于超图的多任务注意力交通流预测模型

针对现有的交通流预测模型中的不足,作者提出了基于超图的多任务注意力交通流预测模型HGAT-MTAN,改进了传统的图卷积神经网络。该模型首先利用循环神经网络和超图注意力网络提取多任务的共享特征;接着,为多个交通流预测任务分配私有特征;然后,通过引入多任务注意力机制,在不同任务之间实现正向知识转移;最后,为每个任务设计预测层,得到多个预测结果。将HGAT-MTAN模型与现有的多种交通流预测模型进行对照实验,结果表明,在不同城市的交通流数据集上HGAT-MTAN都取得了优于对照方法的预测性能。消融实验也进一步验证了模型组件的有效性。因此,HGAT-MTAN模型可以为交通流预测提供一种有效的解决方案,并提高交通流数据分析的准确性和可靠性。     

基于多任务联合学习的多目标跟踪方法

为提高多目标跟踪方法的跟踪效率,提出一种基于锚框对齐卷积特征的目标检测-表观特征提取联合网络（AAC-JDAN）。首先,在YOLOv3目标检测网络的基础上,引入锚框变换网络与锚框对齐卷积,使网络在获得旋转目标检测能力的同时,缓解现有方法中存在的检测-表观联合网络提取的表观特征与旋转目标之间关联性弱的问题;其次,通过在检测头部网络中加入目标表观特征提取分支,以多任务联合学习的方式对目标检测和目标表观特征提取两个子任务进行合并,实现对图像底层特征的共享,在检测目标的同时输出目标对应的表观特征向量,提高跟踪算法的整体效率;最后,提出一种快速的在线数据关联方法,结合AACJDAN获取的目标表观特征和卡尔曼滤波得到的目标运动状态预测结果,计算目标与轨迹段间的相似度矩阵并使用KM(Kuhn-Munkres)算法进行匹配,实现对视频中多个旋转目标的高效跟踪。在两个公共数据集和一个自定义数据集上进行实验,TPR指标、MOTA指标和IDF-1指标分别达到了80.4%、71.3%和69.5%,帧速率达到20帧/s,表明本文方法在跟踪的实时性和准确性上达到了更好的平衡。     

基于RBF神经网络的转炉炼钢终点预报

转炉炼钢控制目标是终点温度和碳含量，由于炉温过高，无法在线连续测量.用传统的机理模型建立的终点温度和碳含量模型不够精确.基于RBF神经网络任意逼近函数能力，隐层中心采用最近邻聚类算法，避开K-均值法依赖于聚类中心的初始位置，易陷入局部极小点的缺点.权值调整采用带加权因子的递推最小二乘算法，建立基于RBF神经网络的转炉炼钢终点温度及碳含量的预报模型，并结合某钢铁企业一座180 t转炉的实际数据进行模型验证研究.结果表明,预报精度高于传统的机理模型及BP模型.     

一种自适应多任务学习方法

传统多任务学习在网络模型和任务权重方面灵活性偏低,不足以应对复杂场景。为此,提出一种自适应网络模型和任务权重的多任务学习方法。首先,运用决策方法学习多任务网络模型结构;其次,利用多任务损失函数动态调整任务权重;最后,在学习到的网络模型和任务权重下训练网络权重,达到特征共享和任务权重之间的权衡。实验结果表明,相比于固定的网络模型和任务权重,提出方法提高了语义分割和表面法线预测性能。     

基于异质信息网络和多任务学习的推荐模型

针对基于异质信息网络的推荐系统难以充分捕捉节点的内容信息以及基于元路径的异质信息挖掘存在链接丢失的问题, 提出一个基于异质信息网络和多任务学习的推荐方法.该方法首先在各个元路径视图上计算不同邻居实例对节点的影响程度, 挖掘元路径内部信息; 接着使用注意力机制学习异质信息网络图的语义信息, 得到异质信息网络中节点的嵌入; 最后采用多任务学习方法同时优化推荐任务和链路预测任务来解决链接丢失问题.在3个公开的异质数据集上进行实验, 结果表明该模型能够充分挖掘异质信息网络的信息, 在推荐任务和链路预测任务上的性能皆优于对比模型.

     

基于BP神经网络的转炉炼钢终点预报

转炉内的温度极高，对终点温度和碳的含量很难及时、准确地测量，因此建立精确的温度和碳的预报模型十分重要.但转炉炼钢是一个非常复杂的很难用数学方程精确描述的高温冶金反应过程，传统的静态模型控制精度不高，命中率不很理想.为此提出了基于BP神经网络的转炉炼钢终点温度及碳含量的预报模型，以Levenberg Marquardt(LM)算法来训练网络，其算法是梯度法与高斯牛顿法的结合.仿真结果表明，预报精度高于传统的机理模型.     

自然语言处理中的深度学习:方法及应用

该文围绕特征表示和模型原理,以神经网络语言模型与词向量作为深度学习与自然语言处理结合的切入点,概述了当前主要深度神经网络的模型原理和相关应用。之后综述了当前研究人员在自然语言处理热点领域上所使用的最新深度学习方法并及所取得的成果。最后总结了深度学习方法在当前自然语言处理研究应用中所遇到的瓶颈,并对未来可能的研究重点做出展望。     

基于多任务学习的知识库问答方法

针对知识库问答传统流水线方法中容易出现错误传递且不同子任务之间缺乏联系的问题,提出一种新的知识库问答系统方法,将多任务学习引入知识库问答系统,从而改进知识库问答系统效果。让多个子任务共享一个编码器,促使模型学习到更好的底层表达,提高了模型的泛化能力。在CCKS2022-CKBQA任务上的实验结果表明,所提方法取得了较好的效果。     

基于多任务学习的视频质量评价

视频质量评价(Video Quality Assessment,VQA)是计算机视觉中的一个重要问题,国内外众多学者都对此开展了广泛的研究。然而,这些研究的工作重点主要集中在视频整体质量与主观意见分之间的联系,忽略了有助于优化度量指标的其他信息。文章提出了一种基于多任务学习的视频质量评价算法,将待预测视频的整体质量与其实际平均主观意见分MOS之间的相关性计算作为主任务;将待预测视频的光流、梯度与其MOS之间的相关性计算作为辅助任务。在视频数据库LIVE-VQC以及KoNViD-1k中的实验表明,通过增加辅助任务,可以显著提高主任务的效果;对比几种较有代表性的算法,文章所提出的算法有较好的评价表现和泛化性能。     

基于时空特征提取和深度学习的出行需求预测模型

考虑到城市交通系统中时间和空间维度的复杂影响,重点针对模型的输入特征进行研究,分别使用长短时记忆神经网络和卷积神经网络,对时间特征和空间特征进行加工,提出了一种适用于出行需求预测的时空特征提取方法,同时借助全连接层融合时空特征实现对出行需求预测,提升出行需求的预测效果。基于滴滴开源成都数据,对比传统预测模型,文中研究对均方根误差等指标进一步降低5%以上。     

基于深度学习的单目摄像头动态手势识别与交互

现有手势识别的应用多为基于特定设备实现的,如Kinect、Leap motion等,因其价格和实用性的原因,无法得到大规模的普及.而单目摄像头则是电脑或移动设备最为常见的配件,结合相应手势识别与交互算法,便可以进行手势交互.因此文中研究了基于单目摄像头的手势识别与交互算法,通过单目摄像机捕捉图像,利用肤色进行图像分割,...     

基于深度学习的手绘草图识别

现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。本文提出了一种基于深度学习的手绘草图识别方法(Deep-Sketch) ,该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,本文所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。     

深度学习研究综述

鉴于深度学习在学术界和工业界的重要性,依据数据流向对目前有代表性的深度学习算法进行归纳和总结,综述了不同类型深度网络的结构及特点.首先介绍了深度学习的概念;然后根据深度学习算法的结构特征,概述了前馈深度网络、反馈深度网络和双向深度网络3类主流深度学习算法的网络结构和训练方法;最后介绍了深度学习算法在不同数据处理中的最新应用现状及其发展趋势.可以看到:深度学习在不同应用领域都取得了明显的优势,但仍存在需要进一步探索的问题,如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其他方法的融合等.     

基于深度学习的棉花品种识别

棉花作为我国最主要的农产品之一,不仅具有不错的观赏价值,更重要的还是工业原料。棉花的花型不 同于其他花卉种类,且不同种类其纤维长度还有所差异。为了解决棉花人工区分效率低的问题,本文基于深度学 习方法,以棉花原始的图像数据作为研究对象,通过多层网络学习棉花的特征信息,更加精确区分不同类型的棉 花种类。试验结果表明：本文所提出的卷积神经网络 CNN-CSC 模型相较于传统机器学习方法识别精度提升大约 15%,平均精度达到 89.17%,为棉花的自动化管理提供了一种有效的手段。     

基于深度学习的信号调制自动识别

深度学习(DL)在很多领域都显示出强大的生命力,但它很少涉及无线通信。本文提出了一种基于深度卷积神经网络的信号调制自动识别方法,以解决无线通信中的常见问题。该算法通过深度学习的深度卷积神经网络自动提取图像的各种特征细节,以在各种信噪比条件下实现信号调制类型准确识别。该方法使用图像处理GPU构建VGGNet,在深度学习架构Tensorflow下自动识别MPSK和MQAM中的10种调制信号。仿真结果表明,当信噪比为5dB时,各种信号的最小识别精度为96.7%。与其他方法相比,该方法更好。