基于差分修正的SGDM算法

当前, 应用广泛的一阶深度学习优化器包括学习率非自适应优化器和学习率自适应优化器, 前者以SGDM为代表, 后者以Adam为代表, 这两类方法都使用指数滑动平均法来估计总体的梯度. 然而使用指数滑动平均法来估计总体梯度是有偏差且具有滞后性的, 本文提出基于差分修正的SGDM算法——RSGDM算法. 我们的贡献主要有3点: 1) 分析SGDM算法里指数滑动平均法带来的偏差和滞后性. 2) 使用差分估计项来修正SGDM算法里的偏差和滞后性, 提出RSGDM算法. 3) 在CIFAR-10和CIFAR-100数据集上实验证明了在收敛精度上我们的RSGDM算法比SGDM算法更优.     

基于卷积神经网络的指针式仪表识别

目前大部分研究指针式仪表识别的方法中提取指针是完全基于传统的图像处理技术,提取过程较为复杂且步骤繁多.为了有效解决指针式仪表读数识别中指针中轴线所在直线提取困难及识别精度不高等问题,本文提出了一种基于深度学习的指针式仪表的识别方法.首先用Faster R-CNN算法检测仪表圆盘,再采用基于深度学习的方法Faster R-CNN算法检测指针,根据得到的指针目标框的位置信息裁剪得到指针图像,在指针图像的基础上进行二值化、细化、霍夫变换检测直线、最小二乘法拟合直线等步骤识别仪表最终读数.和直接在仪表表盘目标框图像或原始图像上进行传统图像处理相比很大程度上减少了定位指针中轴线所在直线过程中的干扰.实验结果表明本文所提出的基于深度学习的指针检测的平均准确率高达96.55％.对于复杂背景下指针式仪表的指针区域的检测具有良好的准确性与稳定性.     

基于蚁群算法的三峡升船机船厢设备巡视点检路线规划

针对三峡升船机船厢结构复杂,设备巡视路线难以选择的问题,以升船机船厢巡视路线为研究对象,将设备巡视点检路线规划转换为TSP旅行商问题.通过巡视路线无向加权图及点位空间坐标,建立升船机设备巡视点检点位空间结构模型.结合蚁群算法在Matlab软件中分别计算出白班及中班的最佳巡视路线.实验结果表明,基于蚁群算法计算的最佳巡视路线符合三峡升船机设备巡视要求.     

基于倒位变异的蜉蝣优化算法

蜉蝣算法(Mayfly Algorithm,MA)作为一种新型群智能优化算法,具有较好的寻优性能.但在高维非线性复杂问题上,蜉蝣算法依然容易出现早熟收敛现象.本文提出一种基于倒位变异的蜉蝣算法(Inversion Variation Mayfly Algorithm,IVMA),改变原算法在变异上的操作,随机选择个体的随机维度向全局最优个体的随机维度靠近,同时利用精英策略保留进化成果.利用倒位操作,将最优个体某一维度段内位置发生倒转,提高了算法跳出局部最优的能力.通过对10个测试函数的结果分析,表明本文所提出的算法具有较好的收敛精度,收敛性能得到了提高.     

面向晶体结构预测的深度学习方法

晶体结构研究是研究固体材料物理化学性质的基础,而筛选晶体结构通常基于能量最低原理,采用密度泛函理论计算结构能量需要大量计算资源及服务时间.为此本文提出了面向材料结构预测的深度学习方法,加快材料晶体结构的预测.本文从数据集优化、模型训练策略、算法优化等方面进行了深入研究,确定了应用于材料结构预测中深度学习的网络参数和优化算法.将确定的深度学习框架用于寻找Si单晶、TiO2和CaTiO3化合物的基态稳定结构,实验结果表明,利用本研究提出的深度学习方法预测的晶体结构与实验室制备材料结构相吻合.     

基于多次散射目标模型的雷达成像研究

合成孔径雷达（Synthetic Aperture Radar, SAR）作为一种主动微波传感器,被广泛应用于遥感对地观测。然而,传统上的雷达散射模型是基于几何光学近似的,忽略了地物目标之间的相互作用,即多次散射效应。为了充分挖掘和利用毫米波雷达影像中目标电磁散射特性信息,亟需对典型目标的多次散射效应进行建模仿真和验证。基于矩量法（Method of Moments, MoM）分析了球体、二面角等目标表面等效电流分布与分段成像结果的对应关系,并利用后向投影（Back-Projection, BP）算法进行电磁仿真成像,总结了单/双基地雷达模式对成像中散射机制的影响。结果表明：目标表面等效电流分布以及分段等效合成孔径张角会随入射角度发生改变,其中分段等效合成孔径张角会影响方位向分辨率;双基地雷达成像结果中包含更丰富的电磁散射信息。本研究可为SAR系统设计和验证、典型目标回波特性数据收集以及如何基于高解析度SAR影像进行目标识别等研究提供借鉴与参考。     

一种基于分段偏最小二乘模型的土壤重金属遥感反演方法

土壤中重金属由于其毒性而成为最有害的环境污染物之一,利用遥感进行土壤重金属检测和分布制图是目前最为高效的手段。采用哨兵二号（Sentinel-2）多光谱影像与实测样品光谱数据,对山西省铜矿峪铜矿尾矿库及其周边农田土壤的铜（Cu）含量进行估算,利用68个土壤样品的反射光谱,优选出适合土壤铜含量预测的波段,结合分段偏最小二乘法（Piecewise Partial Least Squares Regression,P-PLSR）,对土壤铜含量进行估算,将模型用于Sentinel-2影像获得了Cu含量的空间分布。通过P-PLSR对实测样品光谱建模反演Cu含量的决定系数（R²）为0.89,预测偏差比（RPD）为2.82;利用Sentinel-2多光谱影像获得了该区域Cu元素含量空间分布,其Cu含量的估算精度R²为0.74,RPD为1.73,Cu含量高值区空间分布与尾矿库关系密切。Sentinel-2多光谱数据具有高空间分辨率（10、20和60 m）、高时间分辨率和幅宽大（290 km）等优势,通过敏感波段选择并建立反演模型,可实现大范围土壤环境制图。     

基于磁梯度张量与Levenberg-Marquardt优化的磁矩计算方法

针对目前磁矩计算方法中出现的对磁性目标出厂参数精度要求较高且计算繁琐、受地磁场影响较大、反演精度较差等问题,提出了一种基于磁梯度张量概念与Levenberg-Marquardt优化算法结合的磁矩计算方法。该方法采用磁梯度张量概念消除了地磁背景场的干扰,使用Levenberg-Marquardt算法优化解算过程,消除了反演过程中出现的奇异点。对新方法进行地磁背景场、测量系统位置、环境噪声等影响因素的验证仿真,并实验验证该方法的可操作性。仿真与实验证明,相比于以往方法,新方法的磁矩反演精度有大幅度的提高,抗噪声能力更强,具有更高的鲁棒性。     

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。     

面向协作式自动泊车的场端单目视觉测距系统

在协作式自动泊车的实现过程中,较为关键的一点是停车场全局范围内相关车辆的识别与定位,因此本文提出一种应用于场端基于单目视觉的车辆识别与定位方法。首先,考虑基础设施停车场的特点,设计灵活性更好的以分布式架构为核心的感知系统架构,改进SSD网络以使检测模型更适于在边缘处理设备中部署运行;之后分析并构建用于场端的单目视觉测距数学模型;最终综合利用目标检测与视觉测距算法,完成目标车辆的识别与定位。为验证单目视觉测距算法在场端中应用的有效性,在真实的停车场环境中设计模拟实验,进行相应的测试,实验结果表明,视觉测距精度满足系统要求。