引入改进鸽群搜索算子的粒子群优化算法

随着迭代计算过程的推进,标准粒子群算法后期容易出现收敛速度较慢、精度较低、早熟及开发探索能力较弱等问题.针对上述不足,文中提出引入改进鸽群搜索算子的粒子群优化算法,采用Beta反向学习策略进行种群的初始化,实现种群粒子分布的多样性.首先采用线性和非线性变异策略改进鸽群算法中的地图罗盘算子,提高鸽群算法的开发和探索能力.然后采用改进后的组合优化鸽群算子更新粒子群中粒子位置和速度,提高收敛速度和计算精度,避免算法陷入局部最优.实验表明,文中算法提高收敛计算速度,精度达到函数设定的理想值.     

基于人工鱼群神经网络进化的露天矿卡车优化调度研究

为提高露天矿生产运输效率,实现生产资源的有效回收和低成本运营,提出基于神经网络代理辅助的多目标露天矿卡车优化调度方法。依据露天矿卡车生产运输的特点,综合考虑卡车运输的各项成本,构建以卡车运输成本最小、卡车总等待时间最短,以及卸矿站品位偏差率最小为目标的多目标组合优化模型。在基本人工鱼群算法基础上,通过引入神经网络代理辅助模型训练历史调度数据,对雄安新区某露天矿的生产调度情况进行了仿真研究。结果表明,基于神经网络代理辅助的人工鱼群算法可有效提高算法计算速度约47.8%,降低露天矿卡车运输成本8.16%,减少等待时间12.12%,并减小品位偏差8.69%,在加快计算速度的同时,实现了平衡算法收敛性与多样性的目标。     

基于红外图像的矿石传送带托辊异常检测

为了解决传统的传送带托辊异常检测方法效率低、实时性差等问题,提出一种基于红外图像识别的托辊异常检测模型。通过现场采集并使用标签平滑和Mosaic数据增强处理对托辊红外图像数据集进行扩充,降低模型的训练成本。在特征提取模块提出使用GhostNet骨干特征提取网络,能够有效地降低特征提取所需成本。在特征融合模块,提出使用SPP-Net模块优化PaNet特征融合网络,增加模型的感受野。通过深度可分离卷积块简化模型结构,降低模型的计算量和参数量,并通过LeakyReLU激活函数提高模型的学习能力。试验结果表明：该检测模型能够有效识别托辊异常。在实际检测中,该方法在托辊检测中平均准确率达到94.9%,检测速度达到39.2 FPS,为矿山传送带托辊的准确高效巡检提供了保障。     

基于点渲染的多分支融合露天矿爆堆块体精细分割方法

现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法（Point+S Deeplabv3+）。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度。实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于Point+S Deeplabv3+的模型MPA和M...     

虚拟化数据中心全局能耗优化调度方法

虚拟化数据中心的制冷和供电设备能耗比重大且浪费严重,但当前虚拟化能耗优化的研究仅考虑IT设备能耗,针对该问题,通过对数据中心能耗逻辑的研究,提出一种虚拟化数据中心全局能耗优化调度方法。该方法通过感知数据中心负载和热分布状况,依据虚拟化调度规则生成动态调度策略,并对虚拟设备组的制冷供电设备进行同步调度,减少数据中心冗余制冷和设备空载损耗,以此最小化数据中心能耗。实验结果表明,该调度方法可节省制冷设备近26％的冗余制冷,并提升供电设备8％左右的供电效率,提高数据中心的能耗有效性,降低整体能耗。     

求解高维复杂函数的遗传-灰狼混合算法

高维函数优化一般是指维数超过100维的函数优化问题,由于"维数灾难"的存在,求解起来十分困难.针对灰狼算法迭代后期收敛速度慢,求解高维函数易陷入局部最优的缺点,在基本灰狼算法中引入3种遗传算子,提出一种遗传-灰狼混合算法(hybrid genetic grey wolf algorithm,HGGWA).混合算法能够充分发挥两种算法各自的优势,提高算法的全局收敛性,针对精英个体的变异操作有效防止算法陷入局部最优值.通过13个标准测试函数和10个高维测试函数验证算法的性能,并将优化结果与PSO、GSA、GWO三种基本算法以及9种改进算法进行比较.仿真结果表明,所提算法在收敛精度方面得到了极大改进,验证了HGGWA算法求解高维函数的有效性.     

基于改进DeepLabv3+网络的露天矿路网提取方法

针对无人机获取的露天矿影像道路提取过程中道路边界信息丢失和路网提取不准确问题,提出一种基于改进DeepLabv3+网络的露天矿路网提取方法.利用Retinex算法对原始图像进行降噪预处理,得到色彩和光照均衡的数据集;并针对道路区域与背景所占像素比例相差较大的特点,使用占比加权的方法解决了网络训练中正负样本严重不平衡的问题;最后在原始DeepLabv3+模型的基础上构建具有不同空洞速率的密集连接ASPP模块来优化所提取的露天矿道路网络,扩大道路特征点的感受野,提高多尺度特征的覆盖范围.实验结果表明,该语义分割方法的效果优于原DeepLabv3+算法,平均交并比达到79.27％,能够在大范围内准确地提取道路目标,可应用于露天矿区主干路网的提取.     

融合目标检测与距离阈值模型的露天矿行车障碍预警

针对当前行车预警方法无法适应露天矿非结构化道路问题,本文提出一种融合目标检测和障碍距离阈值的预警方法。首先根据露天矿障碍特点改进原有的Mask R-CNN检测框架,在骨架网络中引入扩张卷积,在不缩小特征图的情况下扩大感受野范围保证较大目标的检测精度。然后,根据目标检测结果构建线性距离因子,表征障碍物在输入图像中的深度信息,并建立SVM预警模型。最后为了保证预警模型的泛化能力采用迁移学习的方法,在COCO数据集中对网络进行预训练,在文中实地采集的数据集中训练C5阶段和检测层。实验结果表明,本文方法在实地数据检测中精确率达到98.47%,召回率为97.56%,人工设计的线性距离因子对SVM预警模型有良好的适应性。     

基于度量的嵌入式软件缺陷风险分析研究

通过对COSMIC-FFP模型的扩展优化提出了嵌入式软件系统度量的方法,从而解决了COSMIC-FFP模型不支持对含有复杂数学算法的嵌入式实时系统度量的问题,基于软件规模度量提出了软件缺陷度量的方法。通过对软件规模的准确度量和对软件缺陷风险的分析,发现软件项目过程风险管理的不足,达到降低软件项目过程风险的目的。     

基于深度卷积特征的露天矿卡车装载状况识别技术研究

针对露天矿车辆运输过程中运载量管控受人为及环境等因素干扰较大,存在轻车跑票和人为套票等不利于生产管理的问题,提出了一种基于深度卷积特征的车辆装载状况识别方法。该方法通过构建试验数据集和对卷积神经网络AlexNet模型迁移学习,完成对露天矿卡车装载状况图像深度卷积特征的提取,并基于支持向量机多分类模型,实现对卡车装载状况的自动识别,在此基础上统计露天矿车队运载工作量。试验过程中,基于同一组试验数据集分别对GoogLeNet、ResNet、SqueezeNet、DenseNet模型进行迁移学习,提取卡车装载状况图像深度卷积特征,并使用同一支持向量机多分类模型对卡车装载状况进行自动识别。结果表明,在空间资源和时间资源约束下,迁移学习后的AlexNet模型在5种卷积神经网络中总体性能表现最佳,用其提取的图像深度卷积特征在卡车装载状态识别中准确率最高。相比于传统的人工设计图像特征,该方法能够更好地完成露天矿卡车装载状况自动识别任务,试验数据集的识别准确率达到97%以上,在此基础上对露天矿车队运载工作量进行统计,可有效鉴别露天矿卡车的实际装载状况,提高露天矿卡车运载的吨公里生产效率,有效解决露天矿...