融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

基于CA-ResNet50的轮胎激光散斑图的分类研究

针对轮胎激光散斑图识别精度低的问题，本文提出了一种新的轮胎激光散斑图分类网络(CA-ResNet50)。首先选用ResNet50为基础的残差网络，改变传统ResNet50网络模型中的残差块结构，最大程度发挥批标准化的作用；再引入轻量级的卷积注意力模块，增强网络模型对轮胎缺陷的特征提取能力；然后，用LeakyRelu激活函数代替Relu激活函数，解决神经元的“失活”问题；最后，对训练数据集进行扩展，以克服训练中数据量不足和网络模型拟合过度的问题。将本文中提出的CA-ResNet50与当前常用的分类网络模型在相同的数据集上进行对比，实验结果证明本文所提网络模型对轮胎激光散斑图的测试精度高于其他网络，识别精度可达到99.7%。     

Vallee-Poussin算子在L_(2π)~p空间中的饱和阶

以一致有界核为工具,得到了一致有界卷积算子列强型逼近的充分必要条件,并利用此条件得到了Vallee-Poussin算子在Lp2π空间中的饱和阶.     

基于神经网络算法的人脸识别

本文基于神经网络算法在人脸识别中的应用进行了研究,结果表明当前神经网络算法人脸识别算法分为:卷积神经网络人脸识别、循环神经网络人脸识别。     

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题，提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络，并引入残差模块，以提升网络的特征提取能力；提取一维时序信号中不同尺度不同深度的故障特征，再通过自适应平均池化层处理后进行特征融合，以丰富智能诊断决策信息；最后在全连接层实现特征降维，使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析，结果表明：FDLCNN故障识别精度更高，鲁棒性更强，收敛速度更快。     

基于改进Informer的蒸汽管网流量预测

提出了一种基于改进Informer的蒸汽管网流量预测模型Informer_BEST。该模型通过引入扩展的因果卷积、相对位置和季节特征编码以及梯度中心化技术等3种算法，对Informer模型进行了改进和优化。对5种预测模型进行实验，结果表明，所提出的Informer_BEST预测模型展现了令人满意的测试结果，预测曲线与实际数据的变化趋势相吻合，对供热调度决策具有良好的指导作用。     

基于卷积神经网络的梵高作品风格转换

本文运用深度学习算法将图像内容和风格进行分离,选择原有图像内容与艺术作品的图像风格,采用VGG19模型和计算机数据第三方库,计算得到初始内容与风格总损失;通过不断优化迭代,尽可能降低总损失数值,进而实现图像风格转换。     

用解卷积同态滤波识别桩身单缺陷界面反射

利用解卷积同态滤波，从桩顶反射波曲线的功率谱中分解得到频响函数│Ｈ（ｆ）│，在单缺陷界面反射条件下，根据│Ｈ（ｆ）│函数的基本特性可以确定反射系数及反射波往返时，进而确定桩身缺陷位置及缺陷严重程度，以实现桩身质量定量诊断的目的。给出了两根桩的桩身缺陷识别实例。     

基于卷积神经网络的多模态过程故障检测

传统多元统计分析方法在多模态过程故障检测应用中存在控制阈值难以选择、误报率和漏报率高等问题，受到计算机智能视觉处理技术的启发，提出数据驱动的基于平铺卷积神经网络（TCNN）的故障检测方法，该方法创新地将多传感器数据编码成二维图像，将故障检测变成模式识别问题。离线阶段，将历史数据进行差值图像编码以保留特征，构建模型训练数据集。进一步建立故障检测TCNN模型，使用Adam算法进行梯度下降模型寻优，引入灰狼优化算法进行超参数寻优获得较优的检测模型。在线阶段，将在线传感器信号输入模型进行模态识别和故障检测。从数据出发，无需特征工程和人工干预，通过TCNN模型学习数据深层的模式特征。TEP数据集实验表明，对传统方法难以检测的多模态过程故障，提出的方法取得了较好的检测效果，有效地降低了误报率和漏报率，在工业智能制造的发展趋势下具有一定的应用价值。