基于数字孪生和深度学习的结构损伤识别

土木工程实际结构损伤状态的时间跨度通常只占总生命周期的一小部分。为解决传统基于数据驱动的结构损伤识别方法缺乏足够多的损伤训练数据的问题,提出结合数字孪生和深度学习的结构损伤识别方法,并应用于实际工程。该方法利用数值仿真模型和在线监测数据构建结构的数字孪生,以获得不同损伤工况下结构动力响应的“大数据”;为了摆脱对外激励信息的依赖,应用经验模态分解法和传递率函数对得到的数据进行预处理;将预处理后的固有模态传递率函数数据作为深度学习的输入进行训练,实现结构的损伤识别。为验证方法的有效性,对实际结构未经训练的监测数据进行分析,结果表明,该方法泛化能力良好,能够有效识别结构损伤状况。通过数字孪生技术解决了传统方法数据匮乏的问题,不需要任何地震信息,利用固有模态传递率函数数据训练的深度神经网络仍能保持较高的损伤识别准确率,二者结合可以使工程结构健康监测更为主动、可靠、高效。     

基于Gabor滤波器和深度学习的图像检索方法

针对图像数据库日渐庞大的问题,研究了将特征提取与深度学习相结合进行图像检索的方法,提出了基于Gabor小波变换和受限玻尔兹曼机(RBM)的特征提取和降维模型.将整幅图像划分成局部图像块,利用Gabor滤波器组提取图像特征,通过RBM对特征进行学习和编码,从而实现图像特征的降维处理.采用基于深度信念网络(DBN)和Softmax分类器的图像检索算法,利用Corel图像库进行新方法的图像检索实验,并与其他两种方法进行比较.结果表明,本文方法在准确率、查全率和检索时间上均具有较好的性能,能得到更好的图像检索结果.     

一种深度学习的硬件木马检测算法

由于传统的硬件木马检测均采用功能测试等电信号检测技术,检测方法存在成本高、漏检率高和效率低下等问题,对此提出了一种深度学习的非电信号硬件木马检测算法。该算法首先利用增强残差网络将低分辨率芯片显微图像转换为高分辨率芯片显微图像; 然后通过循环一致对抗生成网络将该高分辨率图像生成与母版图像同源的芯片显微图像, 生成的芯片显微图像通过二阶微分图像增强算法区分出目标区域与背景区域,并结合阈值分割算法将目标区域分割出来; 最后通过数学形态学操作去除由于工业噪声产生的微小干扰,利用变化检测算法检测芯片中存在的硬件木马。通过在芯片显微图像数据集上的实验显示,基于深度学习的硬件木马检测方法正检率高达约92.4%,与传统的电信号检测方法相比,精度更高,速度更快,且操作更简易。     

基于非线性流形学习和k-NN的文本分类算法

为解决文本分类中存在的维数灾难、数据集噪声等问题,本研究提出一种利用非线性维数约简算法结合k-最邻近结点算法(k-nearest neighbor algorithm, k-NN)的文本分类算法。该算法首先对数据集进行去噪处理,再采用非线性流形学习中的局部线性嵌入算法恢复高维数据中的中低维流形结构,以实现数据约简,利用经过上述处理的文本数据学习k-NN分类器。实验结果表明,该算法能够有效提高文本分类精度。     

基于深度学习的公路隧道衬砌病害识别方法

针对与日俱增的隧道养护需求,为了节约时间与人力成本,提出基于卷积神经网络的公路隧道衬砌病害检测方法. 利用自主研制的隧道智能快速检测车采集24条隧道衬砌的图像,构建超过20 000张病害图像的高质量数据集. 结合隧道衬砌病害的成因及特点,分别构建单阶段SSD模型和两阶段R-FCN模型在自制的数据集上训练,对检测结果进行对比分析,提出离线式隧道衬砌病害检测方案. 试验结果表明,SSD模型的识别准确率为98%,总的平均精度均值（mAP）为72%,检测速度较快,适用于隧道的快速诊断. R-FCN模型的识别准确率为85%,总的mAP达到91%,检测精度较高,适用于隧道病害的后期处理. 利用这2种检测模型均可以提升检测效率和精度.     

基于深度卷积和自编码器增强的微表情判别

为了判别微表情种类,提出基于深度卷积神经网络和迁移学习的微表情种类判别网络MecNet.为了提高MecNet在CASME Ⅱ、SMIC和SAMM联合数据库上的微表情种类判别准确率,提出基于自编码器的微表情生成网络MegNet,以扩充训练集.使用CASME Ⅱ亚洲人的微表情样本,生成欧美人的微表情样本.设计卷积结构实现图像编码,设计基于子像素卷积的特征图上采样模块实现图像解码,设计基于图像结构相似性的损失函数用于网络优化.将生成的欧美人的微表情样本加入MecNet训练集.实验结果表明,使用MegNet扩充训练集能够有效地提高MecNet微表情种类判别准确率.结合MegNet、MecNet的算法在CASME Ⅱ、SMIC和SAMM组成的联合数据库上的表现优于大部分现有算法.     

基于核极限学习机自编码器的标记分布学习

标记分布学习中示例由多个不同重要程度的标记共同标注,而在已有的标记分布学习算法中,大部分均在完备数据集下进行,未考虑数据噪声干扰。针对这一问题,结合自编码器的降噪特性和核极限学习机的稳定性,提出一种基于核极限学习机自编码器的标记分布学习算法。使用核极限学习机自编码器对原始特征空间映射,得到更具鲁棒性的特征表达,构造适应标记分布学习的极限学习机模型作为分类器以提升分类效率及性能。试验结果表明,本文算法较其他对比算法具有一定优势,使用假设检验方法进一步说明所提算法的有效性。     

基于深度学习的电网监控视频中工作人员检测与识别

针对电网监控视频场景多样,电网工作人员姿态变化严重影响工作人员识别精度的问题,提出了一种基于深度学习的电网监控视频中工作人员检测与识别算法.该算法使用Res Net50网络提取行人特征,Faster-Rcnn检测方法快速、精确地检测出电网中的工作人员,识别网络对检测出的工作人员进行身份确认,并使用各种组合损失来训练检测与识别网络.在电网监控视频数据集上的测试结果表明,所提出的方法具有更高的检测和识别精度,且对遮挡及低光照图片具有较好的鲁棒性.     

基于深度学习的变电站硬压板状态检测与识别算法

针对变电站的一键顺控停、送电操作不当将导致投退操作的问题,提出了一种基于深度学习的变电站硬压板状态检测与识别算法.使用一个共享网络提取图像特征,基于多任务学习方法建立3个分支联合解决硬压板位置检测、投切状态检测和标识检测这3个任务;采集标注了8 000张硬压板图片数据用于训练和测试.结果表明,所提出的方法能够在提升硬压板状态识别精度的同时,也提升一键顺控操作的安全性.     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用,以及深度学习算法的快速发展,基于深度学习的行为识别算法层出不穷.相较于传统方法,基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此,本文对近年来提出的基于深度学习的行为识别算法进行了梳理,并对由双流卷积网络和...     

基于深度学习的行为识别算法综述

人体行为识别一直是计算机视觉研究中的热点.随着近几年人体行为识别在虚拟现实、短视频等方面的广泛应用, 以及深度学习算法的快速发展, 基于深度学习的行为识别算法层出不穷.相较于传统方法, 基于深度学习的行为识别算法具有鲁棒性强、准确率高的优点.基于此, 本文对近年来提出的基于深度学习的行为识别算法进行了梳理, 并对由双流卷积网络和3D卷积网络结构发展而来的行为识别的系列算法进行了重点介绍, 并总结了各种算法的性能和成果, 最后对该领域进行了展望.     

基于多学习单元卷积神经网络的雷达辐射源信号识别

现有基于人工提取特征的复杂体制雷达辐射源信号识别方法时效性低,识别准确率不佳. 为此,提出了一种基于多学习单元卷积神经网络的识别方法. 首先对辐射源信号的模糊函数进行高斯平滑,以校正噪声带来的毛刺与畸变;然后提取其正交切片作为进一步的特征提取对象;最后构建多学习单元卷积神经网络,学习和提取正交切片深层、泛在的特征,并通过softmax分类器进行分类识别. 仿真实验结果表明,所提方法在信噪比为-2 dB时对6类典型雷达信号的整体平均识别率均保持在99.86%以上,即便是在-6 dB环境中,雷达信号的识别率也可达到88.50%,在极低信噪比条件下具有良好的性能和可行性.     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型.该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别.在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型.基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

基于深度强化学习的交通信号控制方法

针对基于深度强化学习的交通信号控制方法存在难以及时更新交叉口信号控制策略的问题,提出基于改进深度强化学习的单交叉口交通信号控制方法. 构建新的基于相邻采样时间步实时车辆数变化量的奖励函数,以及时跟踪并利用交叉口交通状态动态的变化过程. 采用双网络结构提高算法学习效率,利用经验回放改善算法收敛性. 基于SUMO的仿真测试结果表明,相比传统控制方法和深度强化学习方法,所提方法能明显缩短交叉口车辆平均等待时间和平均排队长度,提高交叉口通行效率.     

基于深度学习的多模态行人重识别综述

行人重识别(Re-ID)旨在跨像机检索同一目标行人,它是智能视频监控领域的一项关键技术.由于监控场景的复杂性,单模态行人重识别在低光、雾天等极端情况下的适用性较差.因实际应用的需要以及深度学习的快速发展,基于深度学习的多模态行人重识别受到了广泛的关注.本文针对近年来多模态行人重识别的发展脉络进行综述:阐述了传统单模态行人重识别方法存在的不足;归纳了多模态行人重识别的常见应用场景及其优势,以及各数据集的构成;重点分析了各种场景下多模态行人重识别的相关方法及其分类,并探讨了当前研究的热点和挑战;最后,讨论了多模态行人重识别的未来发展趋势及其潜在应用价值.     

基于FCM的分布式学习方法

在大规模网络入侵检测应用中,针对模块化神经网络算法学习精度高但效率相对较低的特点,采用SOM算法作为基本学习方法并利用其神经元竞争特性,引入模糊聚类FCM对SOM输出权值进行融合学习分类,在保持SOM高精度的基础上,大幅减少了学习时间。最后采用入侵检测数据集KDDCUP99进行测试,结果验证了算法的高检测率和较好的效率。     

基于集成深度学习的时间序列预测模型

基于高斯过程的条件受限玻尔兹曼机(GCRBM)时序模型可以很好的预测单一种类时序数据,但是该模型难以预测多类别的真实高维数据。针对这个问题,提出基于集成深度学习的时间序列预测模型,对多类时序对应训练多个深可信网络(deep belief networks, DBN)模型来学习低维特征,利用低维特征对应训练多个GCRBM时序模型。预测时序时先通过训练出的一组DBN模型对目标数据进行降维并通过重建误差识别类别,然后通过识别到的类别所对应的GCRBM模型预测目标数据的后期时序。在CASIA-A步态数据集上的试验结果表明:本方法能够准确识别出步态序列,而且预测结果能够模拟出真实的步态序列,证实了本模型的有效性。     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

基于深度双向分类器链的多标签新闻分类算法

在多标签新闻分类问题中,针对传统分类器链算法难以确定标签依赖顺序、集成模型运行效率低和无法应用复杂模型作为基分类器的问题,提出基于深度神经网络的双向分类器链算法. 该方法利用正向分类器链获取每个标签和前面所有标签的依赖关系,引入逆向分类器链,从正向链最后一个基分类器的输出开始反向学习每个标签和所有其他标签的相关性. 为了提取非线性标签相关性和提高预测性能,使用深度神经网络作为基分类器. 结合2条分类器链的均方误差,使用随机梯度下降算法对目标函数进行有效优化. 在多标签新闻分类数据集RCV1-v2上,将所提算法与当前主流的分类器链算法和其他多标签分类算法进行对比和分析. 实验结果表明,利用深度双向分类器链算法能够有效提升预测性能.     

实际环境中基于深度Q学习的无人车路径规划

实际交通环境规划最优路径的重要问题是无人车智能导航,而无人车全局路径规划研究主要在于模拟环境中算法求解速度的提升,考虑大部分仅路径距离最优或局限于当前道路的自身状况,本研究针对实际环境中的其他因素及其未来的变化和动态路网中无人车全局路径规划的复杂任务,基于预测后再规划的思想提出面向实际环境的无人车驾驶系统框架,并结合深...