深度学习的MPCANet火灾图像识别模型设计

针对火灾发生时,火灾图像背景复杂、人工特征提取过程繁琐、对火灾图像的识别泛化能力不强、容易出现精度不高、误报和漏报等问题,提出了张量对象特征提取的多线性主成分分析（Multilinear Principal Component Analysis,MPCA）深度学习算法的火灾图像识别新方法。利用MPCANet建立火灾图像识别模型,通过MPCA算法学习滤波器作为深度学习网络卷积层卷积核,对张量对象的高维图像进行特征提取,并把蜡烛图像和烟花图像作为干扰。通过仿真实验并与其他火灾图像识别方法对比得到提出的图像识别方法识别精度达到了97.5%、误报率1.5%、漏报率1%。实验表明:该方法可以有效解决火灾图像识别存在的问题。     

基于CGA-SNPOM优化RBF-ARX模型的板形缺陷识别

针对传统优化算法(SNPOM)在辨识RBF-ARX模型参数时易陷入局部最优解的问题, 将云遗传算法(CGA)和SNPOM算法结合, 提出一种混合优化算法CGA-SNPOM。并以某公司900HC可逆冷轧机板形识别为应用背景, 设计了基于CGA-SNPOM优化RBF-ARX的板形缺陷识别模型。分别用SNPOM算法和CGA-SNPOM算法对RBF-ARX模型参数进行优化,仿真验证表明, 基于CGA-SNPOM优化的板形识别系统克服了SNPOM容易陷入局部极值的缺点, 识别精度大幅提高, 是一种有效的板形识别方案。