基于卷积神经网络的钢铁材料微观组织自动辨识

基于深度学习在计算机视觉上优异的表现,采用深度学习模型对扫描电子显微镜(SEM)所获得的钢铁材料微观组织图片进行自动辨识。提出了适用于钢铁材料微观组织辨识的AlexNet、VggNet、GoogleNet、ResNet改进模型,比较了不同卷积神经网络模型在不同预处理方式下的图片辨识精度,针对从某国家重点实验室收集到的铁素体、珠光体、上贝氏体、下贝氏体、板条马氏体、片状马氏体等6类微观组织图像的数据集进行预测实验,结果表明:与现有技术或人工辨识相比,提出的卷积神经网络能成功辨识不同类型的钢材微观组织,具有较高的适应性和准确度,在测试集上的识别率精度最高可达到100%。     

基于卷积神经网络的矿工安全帽佩戴识别研究

为了解决矿山安全监控监测主要靠人工对视频数据进行识别而存在的诸多人为因素限制的问题,通过构建卷积神经网络实现计算机智能识别矿工安全帽的佩戴,在不增加任何辅助装置的条件下实现矿工安全着装智能识别。从视频数据中提取图像,通过对图像进行旋转、偏移、剪切等预处理,将图像分为矿山背景、戴安全帽的矿工和不戴安全帽的矿工3类。通过构建3种不同深度层次的卷积神经网络进行实验对比,"4个卷积层+3个池化层+3个全连接层"组成的深层网络识别准确率较高,达到91.2%。实验表明利用卷积神经网络可以较好地实现对矿工是否正确佩戴安全帽的智能识别。研究方法为人工智能应用于矿山的安全监控、安全行为及安全状态的智能识别研究提供借鉴。     

一种基于卷积神经网络的CSI指纹室内定位方法

针对提高Wi-Fi指纹室内定位技术性能,提出了一种基于卷积神经网络（Convolutional neural networks,CNN）的信道状态信息（Channel state information,CSI）指纹室内定位方法。在离线阶段联合定位环境参考点的幅度差和相位差信息,利用CNN进行训练,保存训练后的CNN网络模型作为指纹;在线阶段,针对不同实验场景,对测试数据的幅度差信息和相位差信息进行加权处理,引入改进的基于概率的指纹匹配算法,利用待定位点的CSI信息并通过CNN网络模型预测待定位点的坐标。此外,为增强算法普适性,针对复杂室内场景,提出了双节点定位方案来提高定位精度。在廊厅和实验室室内两种不同定位场景进行了实验,信息联合定位算法分别获得了24.7 cm和48.1 cm的平均定位误差,验证了基于CNN的CSI幅度差和相位差联合定位算法的有效性。      

钢铁结构材料的组织细化

采用组织超细化提高钢铁结构材料的强细性和使用寿命是上个世纪90年代中期以来的发展趋势。介绍了我国973第一批项目之一“新一代钢铁材料重大基础研究”的主要5种超细化方法，适用于不同强度和显微组织的钢类：具有铁素体 珠光体(F P)的碳素或低合金钢，采用强力轧制和形变诱导铁素体相交(DIFT)技术；在薄板坯连铸连轧现代流程下，采用第二相(析出相)的纳米化控制；具有低碳贝氏体或针状铁素体的微合金钢采用形变诱导析出(DIP)和中温相交控制；采用调质处理的合金结构钢，应用新的合金设计思路以提高界面温度，增加氢陷阱和二次硬化路线，快速超细晶热处理的综合技术；发展无碳化物贝／马组织和富碳残奥薄膜以做到中低温回火合结钢的强韧化优良配合。     

基于深度卷积神经网络的卡车装载矿石量估计研究

卡车装载矿石量一般采用人工方式进行统计,人工统计不具有客观性,可能影响卡车司机的绩效考核;此外还有使用激光扫描技术或地磅对装载矿石量进行精确统计,但设备成本过高。为节约成本并提高测量精度,研究采用基于深度卷积神经网络的技术实现卡车装载矿石量的估计。由于实际场景下矿车装载矿石的图片不便获取,故使用三维物理引擎Chrono模拟矿石堆落入卡车的过程,从而生成装载矿石量和矿石分布区域均不同的卡车图片。通过构建深度卷积神经网络对生成的样本进行拟合,用最后一层神经元的预测值与真实值的欧式距离作为代价函数。然后,对卷积核与特征图进行可视化,分析卷积神经网络实现矿石量估计的过程。试验结果表明,构建的深度卷积神经网络在实验测试集上的准确度较好,测试样本预测误差大部分在4%以内。说明用深度学习技术实现自然场景下卡车装载矿石量的估计切实可行,且具有较好的应用前景。     

基于卷积神经网络的连续语音识别

在语音识别中,卷积神经网络(convolutional neural networks,CNNs)相比于目前广泛使用的深层神经网络(deep neural network,DNNs),能在保证性能的同时,大大压缩模型的尺寸.本文深入分析了卷积神经网络中卷积层和聚合层的不同结构对识别性能的影响情况,并与目前广泛使用的深层神经网络模型进行了对比.在标准语音识别库TIMIT以及大词表非特定人电话自然口语对话数据库上的实验结果证明,相比传统深层神经网络模型,卷积神经网络明显降低模型规模的同时,识别性能更好,且泛化能力更强.     

WC含量对TiCN-HfN金属陶瓷刀具材料微观组织和力学性能的影响

采用热压烧结技术制备了TiCN-HfN-WC金属陶瓷刀具材料,研究了WC含量(质量分数)对金属陶瓷刀具材料微观组织和力学性能的影响。结果表明:TiCN-HfN-32%WC金属陶瓷刀具材料由TiCN、(Ti,Hf,W)(C,N)、WC和MoNi组成,材料中还含有极少量的(Ti,Mo,W)(C,N)固溶体,材料内部形成了网状骨架结构。随着添加WC质量分数的增加,材料中晶粒粒度降低,添加WC可抑制材料中TiCN晶粒的生长,起到细化TiCN晶粒的作用;材料的相对密度、硬度和断裂韧度都具有先增大后减小的变化趋势,材料的抗弯强度逐渐增大。当WC质量分数为32%时,材料具有相对较好的综合力学性能,其硬度为20.2 GPa,断裂韧度为7.1 MPa×m^1/2,抗弯强度为1581.3 MPa。     

基于材料微观组织演变的铝合金本构模型研究

文章在Gleeble-1500热模拟实验机上通过轴对称等温压缩实验得到6061铝合金的真实应力-应变曲线,研究了该合金高温变形时的流变力学行为。以位错密度、晶粒尺寸及再结晶分数为内变量构建基于材料微观组织变化的6061铝合金流变应力本构模型,通过参数反求方法求解了高温流变应力本构参数。结果显示该模型能够准确描述6061铝合金在热变形过程中发生的加工硬化及动态回复、动态再结晶现象,能够准确预测材料晶粒尺寸变化以及微观组织的再结晶体积分数。     

基于深度神经网络的点击率预测模型

针对现有深度神经网络点击率预测模型在对用户偏好建模时,难以有效且高效地处理用户行为序列的问题,提出长短期兴趣网络（Long and short term interests network, LSTIN）模型,充分利用用户历史记录上下文信息和顺序信息,提升点击率预测精准性和训练效率。使用基于注意力机制的Transformer和激活单元结构完成用户长、短期兴趣建模,对用户短期兴趣进一步使用循环神经网络（Recurrent neural network, RNN）、卷积神经网络（Convolutional neural networks, CNN）进行处理,最后使用全连接神经网络进行预测。在亚马逊公开数据集上开展实验,将提出的模型与基于分解机的神经网络（DeepFM）、深度兴趣网络（Deep interest network, DIN）等点击率预测模型对比,结果表明提出的模型实现了考虑上下文信息和顺序信息的用户历史记录建模,接受者操作特征曲线下面积（Area under curve, AUC）指标为85.831%,相比于基础模型（BaseModel）提升1.154%,相比于DIN提升0.476%。且因区分用户长、短期兴趣,模型能够在提升预测精准性的同时保障训练效率。      

基于一维卷积神经网络的儿童睡眠分期

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关,由于儿童睡眠障碍的早期症状不明显,需要进行长期监测,因此急需找到一种适用于儿童睡眠监测,且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography,PSG)是临床指南推荐的睡眠障碍基本检测方法,通过观察PSG各睡眠期间的变化和规律,对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究,利用多导睡眠图记录的单通道脑电信号,在Alexnet的基础上,用一维卷积代替二维卷积,提出一种1D-CNN结构,由5个卷积层、3个池化层和3个全连接层组成,并在1D-CNN中添加了批量归一化层（Batch normalization layer）,保持卷积核的大小保持不变。针对数据集少的情况,采用了重叠的方法对数据集进行了扩充。实验结果表明,该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵,可以看出,Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠,存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况,因此以后的工作应重点提升N1期睡眠的准确性。总体而言,对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期,本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中,仍需要研究开发更适合于儿童的睡眠分期策略,在更大数据量的基础上进行实验。      

基于BP神经网络的电力角钢成分优化及生产实践

基于BP神经网络,创建了角钢合金成分与力学性能关系预测模型,所建立的模型绝对误差平均值仅为3～4 MPa,具有较高的可靠性.利用该性能预测模型研究了残余元素Cr含量及VN12合金加入量对强度的量化贡献,并进行工业试制250 mm×250mm×35 mm电力角钢,结果表明:当Cr质量分数大于350×10-6时,可以采用每...     

基于PSO-RBF神经网络的轧辊偏心在线辨识

在实际生产中,轧辊偏心往往会导致带材厚度的波动,降低带材的质量。离线辨识轧辊偏心的控制方法在实际生产中效果不明显甚至会其反作用。为了使轧辊偏心能够在线自适应辨识,提出了一种基于改进粒子群算法优化的RBF神经网络的在线辨识方式,建立在线训练模型,对轧辊偏心信号进行在线辨识研究并与未采用该算法的在线辨识方式进行对比。结果表明,基于改进粒子群算法优化的辨识方式速度更快、精度更高,能迅速地辨识出生产过程中的轧辊偏心信号的变化,达到了期望的结果。     

基于RBF-BP混合神经网络的烧结烟气NOx预测

摘要：对烧结烟气NOx生成量进行预测,能为烧结NOx源头和过程减排提供有效指导。利用BP神经网络模型和RBF神经网络模型对烧结烟气NOx进行了预测,在此基础上结合BP模型自适应学习能力强和RBF模型快速收敛的特性,采用优化模型结构、设立连接层的方法,构建RBF BP混合神经网络模型进行了NOx预测研究,并对3种模型的预测结果进行了对比分析。研究表明,3种神经网络模型中,RBF-BP混合模型的均方根误差为11.37mg/m3,平均绝对误差为7.14mg/m3,最大绝对误差为35.47mg/m3,最小绝对误差为0.0083mg/m3,各评价指标均为3种模型中最优,混合神经网络模型的预测数据稳定性更好,结果拟合程度更高且收敛速度最快。采用混合模型预测NOx能有效消除烟气NOx生成量反馈延迟。     

基于BP神经网络的钢水温度预定模型

针对目前钢水温度预定方法存在不足,在分析钢水温度预定原理的基础上,在邯钢邯宝炼钢厂建立了基于BP神经网络的精炼终点目标温度和转炉终点目标温度的动态预定模型。利用邯宝炼钢厂的历史生产数据对模型进行了训练和测试,并进行了现场应用试验。结果表明,预定模型对转炉和精炼终点目标温度进行了优化,应用预定模型后,LF开始温度命中率提高到75%,中间包温度命中率提高到96.7%。     

基于深度卷积神经网络的地磁导航方向适配性分析

针对地磁导航方向适配性分析时人工提取的特征主观性较强且难以表达深层的结构性特征的问题,提出一种基于深度卷积神经网络(convolutional neural network,CNN)的地磁导航方向适配性分析方法.首先,利用Gabor滤波器的方向选择特性建立了6个典型方向的适配特征图;然后,设计了卷积神经网络对深层次的方向适配特征进行提取,并通过混和粒子群算法(hybrid particle swarm optimization,HPSO)对卷积神经网络的训练参数进行优选;最后,通过仿真实验对所提方法进行了验证.结果表明,该方法可有效避免复杂的计算以及人工特征提取的盲目性,实现了地磁导航方向适配性分析的自动化,且所提方法的准确率高于传统的BP网络和支持向量机,对地磁导航和航迹规划具有指导意义.

     

一种基于深度神经网络的烧结料层透气性预报模型

为了保证整个烧结生产过程的顺利进行,通过对承钢2号烧结厂数据库中的数据进行采集、整合和预处理,运用相关性分析筛选出与料层透气性相关的重要特征变量,基于深度神经网络算法建立料层透气性预报模型,以即时为现场操作人员提供科学的操作指导。通过测试并与随机森林模型、支持向量机模型进行性能对比,结果表明,深度神经网络具有很好的预测效果,可实现对料层透气性的精准预测,对优化烧结现场的操作效果具有很好的指导意义。     

运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型

通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据,分析土壤传质过程的逻辑关系,构建了碳钢短期土壤腐蚀预测模型.通过用该模型在BP人工神经网络中进行学习、训练及模拟,并与现场碳钢埋片腐蚀实验结果对比,进一步验证了腐蚀模型的合理性.结果表明:含水量、空气容量、pH、Cl^-含量、SO₄^2-含量和可溶盐总量六种土壤环境参数为影响区域土壤中碳钢腐蚀的主要因素;运用基于Matlab平台的人工神经网络,通过不断地积累土壤腐蚀信息,多次训练后可以建立起稳定性好、泛化能力强的土壤腐蚀预测模型,能较好地预测了大庆地区碳钢在土壤中的腐蚀速率.     

神经元网络在钢淬透性计算中的应用

钢淬透性的定量计算在结构件钢种的设计与制造中具有重要意义。淬透性主要取决于钢的化学成分和钢的组织结构。精确描述淬透性与钢的化学成分和钢的组织结构之间的关系是非常困难的,传统方法是采用一些经验公式。本文采用神经元网络计算方法,利用此方法的优点来克服传统方法的不足,提高钢淬透性计算的精度。     

基于神经网络理论的安全预评价方法

文中应用人工神经网络理论的学习、联想、记忆和非线性并行分布处理功能，建立了基于神经网络理论的安全预评价方法。该方法对于非线性评价问题，共预评价结果精度高，具有较强的可判性，为安全预评价提供了一种新方法。     

遗传神经网络-X射线荧光光谱法测定铁矿石中铅砷

为测定铁矿石中微量的铅和砷,采用行星球磨机研磨铁矿石样品,经800℃预熔融后,于1 050℃熔融5min,冷却后再次熔融8min的方法制备了稳定的低稀释比熔片(样品与熔剂的质量比为1∶2)。采用无标样分析软件对合成样品熔片中铅和砷元素荧光强度进行扫描,不同扫描角度下的X射线荧光光谱强度数据作为神经网络的输入,铅、砷元素含量作为输出,用遗传算法对网络的权值和阈值进行优化,对测试集中样片的铅、砷谱线重叠进行校正,克服了低稀释比导致的背景强度高的缺点。对预测集中铅、砷元素含量模型预测的均方根误差(RMSEC)分别为0.39和0.42,相关系数均为0.98。可见实验方法与理论α系数回归方程法没有明显区别。