基于改进Faster R-CNN算法的岩石裂隙发展方向跟踪预测研究

为了避免部分岩土工程灾害发生,对岩石表面裂隙发展方向进行跟踪预测,提高岩石表面裂隙的检出率,提出一种基于改进Faster R-CNN算法的岩石裂隙发展方向跟踪预测方法。该法针对红外热像图中岩石裂隙形态多变、尺寸差异大并对实时性有一定要求的特点,以深度残差网络ResNet50为特征提取网络,利用ROIAlign优化建议框与岩石裂隙特征的空间对应关系,建立特征金字塔融合多尺度特征,对Faster R-CNN算法进行改进,并结合平均红外辐射温度-时间曲线对岩石裂隙发展方向跟踪预测,使用花岗岩单轴压缩试验中采集的红外光谱特征进行试验测试。结果表明,该方法能够较好检测红外热像图中的岩石裂隙,在测试集上的mAP达到88.81%,泛化能力较强,同时结合检测框内的平均红外辐射温度-时间曲线可以较好地跟踪预测裂隙发展方向。     

基于Faster R-CNN的玻璃瓶缺陷检测技术

自动化检测玻璃瓶缺陷技术的实现,能够减少人力物力的需求量,提高玻璃瓶缺陷检测结果的准确性以及可靠性.将深度学习网络应用到玻璃瓶缺陷检测技术上,分别使用VGG16和Resnet101作为缺陷检测模型中Faster R-CNN的特征提取网络,在不同的锚框的尺度下对缺陷检测效果进行分析.实验结果表明,Faster R-CNN...     

基于改进的Faster R-CNN的肺结节检测方法研究

研究使用相同的CT图像数据集,对几种常见的肺结节检测方法进行对比试验,最终选取了检测精度高的Faster R-CNN进行了实验.然而,即使是本领域内检测精度最高的Faster R-CNN方法在肺结节检测领域的效果也难以令人满意.原始的Faster R-CNN中的锚框尺寸大,在肺结节检测领域无法达到好的应用效果,为了提高结节检测的精度,在Faster R-CNN的基础上进行了改进,改进的内容主要包括：(1)更多层的特征提取使得检测精度提高,因此,在网络特征提取时采用ResNet替换掉原始网络中的VGG16网络,采用ResNet-101进行后续实验的改进.(2)引入了一种K-Means聚类算法分析anchor的尺寸,选择合适的k值后,重新设置锚框的大小.通过对锚框的尺寸的改进,数据与锚框大小的匹配度提高了,模型的整体性能有了提升.实验证明：所提出的方法具有较高的精度和效率.     

基于改进Faster R-CNN的铁路信号灯与停留车检测方法

在铁路编组站调车作业中,因调车头机车结构特点,司机难以时刻观察地面信号,常因主观误判导致调车头误闯信号灯挤坏道岔和冲撞停留车的事故发生。文章针对铁路信号灯与停留车目标大小悬殊的多尺度目标检测问题,改进Faster R-CNN目标检测算法,采用深浅层特征融合方法和多尺度训练策略,较好地兼顾了对二者的高质量检测。此外,文章采集车载铁路视频图像,标注信号灯和停留车,构建了较大型的目标检测数据集。实验结果表明,改进的Faster R-CNN在所构建数据集中,信号灯检测精确率达到96.6%,停留车检测精确率达到98.9%,检测速度约10帧/秒,能够满足铁路编组站低速调车作业应用场景的实时性要求。     

基于改进Faster R-CNN的铝材板缺陷检测研究

针对Faster R-CNN算法对于铝材板缺陷中大小跨度大的缺陷以及缺陷定位不准确的问题,提出改进Faster R-CNN用于铝材板缺陷检测.首先将VGG16特征提取网络替换为ResNet-101融合特征金字塔FPN,以提升模型对尺寸大小跨度大的缺陷的检测能力;其次,针对一些宽高比相差悬殊的铝材板缺陷定位不准问题提出K-means++聚类算法,用聚类结果调整基础锚框宽高比,使得模型更好框住缺陷以及一定程度上提升模型检测准确度.改进Faster R-CNN模型相比于传统Faster R-CNN模型准确率由79.5%提升至92.93%.     

结合改进残差网络和Bi-LSTM的短期电力负荷预测

为充分挖掘电力负荷历史数据的潜在特征,提高短期负荷预测模型的预测精度,提出了一种由改进残差网络（ResNetPlus）、注意力机制（Attention mechanism,AM）和双向长短期记忆网络（Bi-directional long short-term memory,Bi-LSTM）结合而成的残差AM-Bi-LSTM预测模型。该模型将历史负荷、温度和所预测日期的特征作为输入,在Bi-LSTM模型基础上,引入多层改进残差网络提取输入数据的隐藏特征,有效克服了网络隐藏层数加深导致的网络退化问题,使模型的反向传播能力大幅提升;加入注意力机制,分析网络中输入信息与当前负荷的相关性并突出重要信息的影响,从而提高模型的速度与准确率;使用Snapshot策略集成收敛于不同局部极小值的多个模型,以提升模型的准确率和鲁棒性。最后,使用美国ISO-NE数据集进行模拟预测,测试结果表明:所提模型的平均预测精度达到98.27%;在连续的12个月中采用该模型的平均预测精度相比于LSTM模型提高了2.87%;在不同季节下采用该模型的平均预测精度相比于AM-Bi-LSTM和ResNetPlus模型分别提高了1.05%和1.16%。说明所提模型相较于对比模型具有较高的准确率、鲁棒性以及泛化能力。     

高速公路短时交通流量预测的改进非参数回归算法

针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻（K-nearest neighbor,KNN）与长短时记忆（long short term memory,LSTM）网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明：与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12.28%,可为交通诱导与控制提供必要的依据.

     

基于改进递归网络的智慧楼宇负荷预测方法

针对智慧楼宇负荷类型复杂且多变导致的负荷预测精度低等问题,提出了一种基于改进递归网络的智慧楼宇负荷预测方法.该方法在深度神经网络多隐层结构的基础上增设了关联层,使深度递归神经网络(DRNN)模型具有动态特性,并利用改进粒子群优化算法对模型权值空间进行优化,进而实现楼宇负荷的准确预测.基于不同类型楼宇的实验结果表明,所提方法的预测误差约在±0.3 MW的范围内波动,其均方根差与平均绝对百分比误差分别为0.27 MW和1.05%,且预测误差均小于其他对比方法.     

基于参数优化的染色体三维结构预测算法VMBO

认识染色体的三维空间结构对于理解细胞核内基因组的表达、调控等具有重要作用.针对Hi-C数据稀疏和含有噪声的特点,提出了基于流形优化(manifold based optimization,MBO)与参数优化相结合的染色体三维结构预测方法——变参数的基于流形优化的算法(variable-parameter MBO,VMBO).通过黄金分割算法迭代优化转换参数,将染色体片段间的接触频率转换为空间距离值;然后用MBO算法重构染色体的三维平均结构(consensus structures).在实验部分用模拟数据集和真实的Hi-C数据集进行三维结构预测,预测结果的均方根误差(root mean squared deviation,RMSD)和距离的斯皮尔曼相关系数(distance Spearman correlation coefficient,d SCC)说明了VMBO算法的有效性和鲁棒性.     

基于混沌反馈乌燕鸥优化算法的随机配置网络参数优化

为了解决随机配置网络(stochastic configuration network, SCN)隐含层参数的选择与分配会影响其预测精度的问题, 提出一种基于混沌反馈乌燕鸥优化算法(chaotic feedback sooty tern optimization algorithm, CFSTOA)的SCN参数优化方法。首先, 利用Tent映射、线性因子调节策略、劣势种群反馈原则来改进乌燕鸥优化算法(sooty tern optimization algorithm, STOA), 以增强算法的局部搜索能力, 得到一种具备更快收敛速度和更高收敛精度的CFSTOA; 然后, 将CFSTOA用于优化SCN的正则化参数和权重偏差的尺度因子, 从而得到最优的隐含层参数; 最后, 利用10个基准函数和4个标准回归数据集分别对CFSTOA的性能进行了测试。结果表明, CFSTOA具有更快的收敛速度且不易陷入局部最优, 可以提高SCN算法的预测精度和训练速度。

     

基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法

针对大部分预测方法难以适用于多源异构数据的处理,且存在能源类型考虑不全面等问题,提出了基于GA改进LSTM-BP神经网络的智慧楼宇用能行为预测方法.该方法通过K-means聚类算法分析用能行为并减少用能数据规模,利用遗传算法优化长短时记忆网络(LSTM)结合反向传播神经网络(BP)的预测模型,实现对智慧楼宇的能耗预测.基于TensorFlow深度学习框架进行实验分析,结果表明所提方法在12 h及120 h内预测结果的MAE值分别为1.79 J和2.11 J,预测效果稳定并优于其他对比方法,故具有一定的应用前景.