基于改进GhostNet模型的快速单目图像深度估计

针对移动互联网背景下嵌入式平台的单目深度估计任务，在Fast Depth的基础上，通过改进Ghost模块和瓶颈层生成的SE-GhostNet网络模型改进编码网络，以获得更快的推理时间和更优的推理效果，使用改进的局部平面参数预测LPP方法改进解码网络，避免多尺度预测中的上采样引发局部极小值问题，并获得更稠密的深度图。实验表明，本文方法在保证推2理速度的同时，与其他优秀的算法相比，也能取得较好的深度精度。     

基于特征选取的监控运动目标识别模型研究

根据深度学习网络模型，在YOLOv3框架基础上引进金字塔结构，构建基于金字塔特征选取的YOLOv3目标识别模型。利用深度残差网络提高精度，解决单纯模型加深过程中的退化问题，利用多尺度融合卷积机制实现大范围内小物体的全面检测，规避漏检情况。模型建立完成后进行综合实验，结果证明提出的目标识别模型与传统识别方法相比，在精度和准确性上都有明显提升，对于监控视频中运动目标的识别具有良好效果。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机(SVM)的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机(DESVM)的软测量建模方法。该方法首先利用深度置信网络(DBN)来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于轻量化网络的陶瓷辊道窑火焰图像识别方法

针对热电偶在陶瓷辊道窑高温环境下容易腐蚀老化，导致其温度检测精度下降的问题，提出采用计算机视觉火焰检测代替热电偶的陶瓷辊道窑温度智能检测方法。该方法是一种基于新型轻量化卷积神经网络，通过减少网络深度，以及采用大卷积核的设计，避免模型的过拟合现象，减少了模型的复杂度和推算时间，使模型实现了检测准确性的提升。实验结果表明：该新型轻量化卷积神经网络相比原始MobelinetV2模型，识别特征平均准确率提升了4.58%、平均相对误差减少了0.0918%、运算时间减少了41.89%。显然，该新型网络模型使运算速度和分类性能大大提高。     

基于轻量化卷积神经网络的高分辨率遥感图像地物分类研究

近年来深度学习技术得到快速发展，其逐渐被应用于高分辨率遥感图像的地物分类中。深度学习方法通过自动学习遥感图像中的高层次特征进行地物信息提取，较传统方法能取得更好的分类效果。Transformer架构已逐渐成为遥感图像的信息提取领域主要的深度学习模型，具有对图像的分类精度高的优点，但其模型往往结构复杂、计算量大、推理速度慢，导致应用场景受限。本文提出了一个轻量化卷积神经网络模型方法（ConvNeXt-Tiny+Multilayer Perceptron,ConvN-T+MLP）用于遥感图像地物分类，旨在保持或提高模型分类精度的同时降低模型复杂度。实验结果表明，本文提出的Conv N-T+MLP模型在具备较低计算量和参数量的同时，提高了遥感图像的地物分类精度，体现出模型的轻量性、高效性。     

基于改进MobileNet V2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题，在MobileNet V2网络的基础上，提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图，通过调整网络中深度可分离卷积模块，使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks)，对行人步态进行分组实验。实验结果表明，改进后的网络模型能有效进行数据集的分类识别，模型大小为12.55 M，在测试集上的平均识别准确率达到94.27%，比原始网络提高了2.29%。同时，在精度和复杂度上获得了较好的平衡，为步态识别方法在移动端等资源受限的设备上提供思路和参考。     

基于改进模糊聚类的网络信息安全风险识别研究

针对当前现有识别方法在对网络信息安全风险识别时，存在识别时间长、识别准确率低的问题，本文引入并改进模糊聚类，开展对网络信息安全风险识别方法的设计研究。并引入决策树理论，对网络信息分类处理；基于改进模糊聚类，建立风险识别模型；最后根据模型输出结果，预测网络信息攻击路径，实现风险识别。通过对比实验证明，该识别方法与现有识别方法相比，识别时间更短、识别正确数据量更多，说明本次的识别方法具备极高的识别速率和准确率，可在网络环境中广泛应用这一识别方法，促进网络信息的安全性提升。     

基于模糊深度置信网络的陶瓷梭式窑PID优化控制

针对目前陶瓷梭式窑控制方法落后的情况,本文提出了一种基于模糊深度置信网络的陶瓷梭式窑PID参数优化控制方法.同时,设计了模糊深度置信网络结构模型,给出了所设计的控制器结构和相应的算法,并通过改进的LM算法来估计网络参数,从而降低样本数据训练时的存储空间和计算复杂度.该方法通过采集实时温度数据以及使用模糊深度置信网络在线...     

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机（DBN-ELM）的软测量方法应用到熔融指数的软测量中。与传统深度置信网络（DBN）不同的是,该方法将极限学习机（ELM）算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3 825 s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。     

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机(DBN-ELM)的软测量方法应用到熔融指数的软测量中。与传统深度置信网络(DBN)不同的是,该方法将极限学习机(ELM)算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于深度学习的城市道路沥青路面病害智能检测仿真实验

为提高城市道路沥青路面病害检测精度,提出一种基于深度学习的智能检测方法。方法以Faster R-CNN网络为基础检测模型,通过对采用拟合值填充方式优化Faster R-CNN网络卷积层,提升网络对目标检测的准确性,实现了Faster R-CNN网络的改进;然后利用改进后的Faster R-CNN网络对城市道路沥青路面病害进行检测,实现了沥青路面病害的智能检测。仿真结果表明,所提的改进Faster R-CNN网络可有效检测城市道路沥青路面坑槽、裂缝病害,且具有较高的检测精度,平均精确度的均值达到为90.26%。相较于标准Faster R-CNN网络和ResNet、U-Net目标检测算法,在平均精确度的均值和单张图像的检测速度指标上具有明显优势,可用于实际城市道路沥青路面病害检测。     

基于深度学习的工程作业智能监控技术的模型优化测试

为了改善输变电工程作业人工检测效率低、人员财产安全风险频发问题，提出了一种基于神经网络模型压缩目标检测技术，结合改进的卡兹曼滤波进行目标跟踪，实现无人机对输变电工程的智能监控。通过深度可分离卷积模型，降低参数数量、提高推理速度，引入注意力机制和剪枝算法，降低神经模型复杂度和非必要参数，减少信息处理数量。同时采用欧氏距离改进的卡尔曼滤波进行目标跟踪，提升目标跟踪的实时性和准确性。实验结果表明，提出的组合模型算法与传统算法对比，可以充分提取文本的高频特征信息，对于不同颗粒度的数据集的准确率提升8%,召回率降低4%,性能更优，具有一定的科研及应用价值。     

基于扩散距离的信息熵FCM多阶段LSTM-AE间歇过程故障监测

针对间歇过程中因忽略数据在阶段划分中的非线性，导致故障监测精度低的问题，提出一种基于扩散距离的信息熵模糊C均值(DDEFCM)多阶段长短期记忆网络的自动编码器(LSTM-AE)间歇过程故障监测方法。首先为了自动识别聚类个数，利用信息熵描述批处理后的二维时间片矩阵。再采用扩散距离对模糊C均值聚类(FCM)算法进行改进，解决欧式距离不能表征数据非线性的问题，有效划分间歇过程的稳定阶段，然后利用轮廓系数划分过渡阶段。最后建立多阶段LSTM-AE监测模型。利用青霉素发酵数据和大肠杆菌实际生产数据对该方法进行验证，结果表明所提方法不仅可以提升阶段划分性能，还能更加准确地进行故障监测。     

基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺，且传统浅层神经网络诊断精度不高等问题，结合深度置信网络（DBN）在特征提取和处理非线性数据等方面的优势，提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据，实现训练网络的无监督特征学习和有监督微调，构建空压机故障的深层网络模型，从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性，与传统的故障诊断方法进行了比较研究，结果表明，该方法的诊断精度优于传统的故障诊断方法，且稳定性更好。     

基于蒙特卡罗定位算法的高层建筑物消防通道模糊BIM规划方法

为降低高层建筑物人员疏散难度，提升消防通道规划效果，研究基于蒙特卡罗定位算法的高层建筑物消防通道模糊建筑信息模型(Building Information Modeling, BIM)规划方法。在蒙特卡罗定位算法内添加遗传算法的交叉与变异操作，改进蒙特卡罗定位算法，加快定位效率。利用改进蒙特卡罗定位算法，定位高层建筑物消防通道的关键位置。通过区间直觉模糊广义λ-Shapley Choquet积分方法，选择消防通道规划时的模糊BIM软件。利用选择的模糊BIM软件，结合关键位置定位结果，规划消防通道路径，建立消防通道模糊BIM规划模型。利用Revit软件，以调节模型质量精细度与曝光度的方式，效果渲染消防通道模糊BIM规划模型，提升消防通道模糊BIM规划结果的逼真度。实验证明：该方法可精准定位消防通道关键位置；该方法可有效规划消防通道路径，构建消防通道模糊BIM规划模型；经过效果渲染后，该方法的消防通道模糊BIM规划结果的逼真度较优。     

挤吹中空塑料成型机绿色智能化技术的分析研究

本文提出了挤吹中空塑料成型机绿色智能化的内涵及特征：以提升设备与人,环境的和谐为目的,集成和深度融合了现代制造技术、网络技术和检测技术,使设备在控制成型加工时具有感知,分析,推理,决策和控制功能的“人脑”智能。     

基于EfficientNet和LSTM的井下设备定位技术

针对矿井设备在基于视觉定位时存在由井下环境复杂而导致的定位可靠性低、参数调整困难等问题，本文提出了一种基于EfficientNet深度学习模型和LSTM时序模型的井下相对定位模型，以提高设备定位算法在井下复杂工作环境中的精确度和鲁棒性。算法训练过程中通过设计光照强度随机和边缘平滑的图像预处理模式，使训练得到的深度学习网络对图像的照度和纹理敏感度降低。实验结果表明：在测试数据集上，该模型能够进行精确的井下定位。该研究将端对端的深度学习应用于井下定位技术，并为矿井视觉定位的发展提供理论参考。     

基于融合深度兴趣进化单元的DeepFM边缘主动缓存模型研究

进入5G时代,数据流量激增,给现有的无线网络通信体系结构和技术带来了挑战。相较于追求更有效率的频谱或布署更多基站的方法而言,边缘主动缓存技术通过拉近请求内容与用户之间的距离,减少请求内容在通信网络中传输的代价消耗,使用户获得更快的响应速度,提高了用户体验。但受限于边缘基站缓存空间及用户请求内容的多样性,边缘主动缓存内容的精确度以及用户的体验还有很大的提升空间,因此提出一种融合深度兴趣进化单元的DeepFM边缘缓存策略,利用兴趣进化单元对用户兴趣变化过程建模,挖掘用户隐藏状态,最后通过DeepFM模型对用户高阶特征及交叉特征影响情况进行学习,最终获得符合用户兴趣偏好的未来可能请求的缓存内容集合。实验表明：该方法能够有效减少网络拥塞并提高用户的使用体验度。