《神经网络正弦信号发生器》
针对正弦信号发生器设计中,直接数字频率合成技术存在相位截断误差的问题,以神经网络为技术基础,以FPGA为硬件核心,提出了一种新型的高频正弦信号发生器设计方案,有效克服了上述问题。阐述了这种方案的工作原理、电路结构以及设计思路和方法。经过设计和仿真测试,系统的主时钟频率可以达到95 MHz且不占用ROM存储空间,输出的正弦信号为2.5 MHz时,输出信号的杂散抑制为80 dB,可见该方案资源占用率低,无相位截断,输出信号杂散小且输出频率较高。
《城市物流竞争力分析DAE-WMA优化算法》
深入分析了城市物流竞争力的研究现状,结合深度学习相关理论,以深层自编码器(Deep Auto Encoder,DAE)标准模型与标准算法为基础,提出了基于Widrow函数的深层自编码器动量更新算法(DAE-WMA)。依据城市物流竞争力分析数据量特点,选取三种UCI数据集,对基于误差函数的标准算法(DAE-ESA)、基于交叉熵的标准算法(DAE-CSA)以及DAE-WMA的模式分类能力进行仿真,仿真结果表明后者的性能优于前两者。依据物流竞争实力与竞争潜力,基于层次分析法(Analytic Hierarchy Process,AHP)通过选取7个评估维度与19个评价指标构建城市物流竞争力指标体系,利用DAE-WMA方法与社会网络分析(Social Network Analysis,SNA)方法,对我国西北五省区13个主要城市的物流竞争力进行聚类分析与实证研究,仿真结果表明DAE-WMA方法相对于SNA方法,对核心节点城市的分类结果更加合理,更有利于对问题的分析。研究结果为确定新丝绸之路经济带沿线城市物流发展策略,促进国内物流业未来的协作与发展奠定了研究基础。
《基于改进的全卷积神经网络的路面裂缝分割技术》
裂缝是路面表面的重要病害之一。传统的裂缝检测依赖于人工的视觉检查,在实际操作中费时费力。虽然传统的图像处理技术在一定程度上可使裂缝检测与分割更加自动化,但是图像处理技术易受到由光照、模糊等引起的一些噪声的影响。为了完成复杂环境下对路面裂缝的分割及检测,提出了一种基于改进的全卷积神经网络(Fully Convolutional Networks,FCN)的分割方法,根据建立的数据集训练传统FCN和优化后的FCN,测试结果表明其平均交并比(mean_IoU)得到了一定的提高,故该方法能够较准确地分割出路面裂缝。
《犹豫模糊环境下准则具有偏好关系的TODIM方法》
针对智慧制造评估时专家的决策信息具有犹豫模糊不确定性问题,提出了一种关于准则具有犹豫模糊偏好关系的改进交互式多准则决策(TODIM)方法。首先提出了准则间的犹豫模糊偏好关系概念,并证明了其基本性质。在TODIM方法优势度的计算过程中,将准则权重犹豫模糊偏好关系替代原有的精确值权重,使信息的准确性最大化。将该方法用于智能制造的评估上,实例分析结果表明所提方法是可行和有效的。
《卷积神经网络用于关节角度识别与姿势评估》
为了快速准确地输出各种工作姿势风险评估结果,提出采用Kinect v2与卷积神经网络识别人体各关节角度,并输出标准姿势风险的评估得分。首先使用亚像素角点提取的棋盘标定算法标定Kinect两个摄像头,其次使用改进后的双边滤波对深度图像去噪,使用卷积神经网络识别人体关节二维位置,结合深度信息获取实际三维坐标并计算人体关节角度,最后输出姿势风险评估得分。通过两种实验分别验证了提出的Kinect角度识别与姿势评估的准确性,表明该方法关节角度识别与姿势风险评估的准确率均较高,是一种低成本、高可靠性的姿势评价方法,具有一定的科学意义和工程应用价值。
《基于健康度的虚拟火灾逃生行为控制研究》
虚拟角色的行为控制是虚拟火灾逃生系统的重要组成部分。在逃生过程中,火灾环境中的各种危害因素会对逃生人员的身体健康产生严重影响,而健康状况又会对逃生人员的逃生行为和速度产生重要影响。为了使虚拟角色的行为控制更加符合这一实际情况,引入了健康度的概念,分析了火灾环境中热辐射、温度、有毒烟气、“贫氧”状况等主要因素对健康状况的影响,以及健康状况对逃生行为的影响,建立了基于健康度的虚拟火灾逃生行为控制模型。实验结果表明,该模型能较真实地模拟火灾逃生行为,有效地提高了虚拟火灾逃生训练的真实感。
《结合改进CNN和双线性模型的CBIR方法》
针对现有基于内容的图像检索(Content-Based Image Retrieval,CBIR)方法中图像特征维度较大等问题,提出一种结合改进卷积神经网络(Convolutional Neural Network,CNN)和双线性模型的CBIR方法。采用一种低维度池化方法代替传统CNN中的池化过程,以此降低图像特征映射的维度。基于双线性模型的思想,使用两个特征提取器进行特征提取,并在每个图像位置上对两个特征进行内积,以形成最终的图像描述符。通过计算图像间的曼哈顿距离度量来评估相似性,获得相关图像及其排序。实验结果表明,该方法能够准确检索出相关图像,并具有较低的检索时间和内存消耗。
《联合结构相似性与类信息的图像分类》
针对卷积神经网络训练收敛速度慢的问题,提出了一种加权的联合结构相似性和类信息监督训练的方法。首先,针对小图像,设计一个能有效提取图像高级别信息的卷积神经网络。其次,建立加权的联合结构相似性和类信息损失函数训练卷积神经网络。最后,通过mnist手写数字和cifar10图像分类实验验证所设计网络的有效性。实验结果表明,所设计的网络在mnist手写数字和cifar10数据集上的图像分类错误率分别为0.33%和11%。在未进行扩增mnist数据集的前提下,所设计的网络的性能超过了该数据集上所有单网络的性能;在cifar10数据集上,所设计的网络能以较少的计算量获得较高的图像分类准确率。同时,联合结构相似性和类信息损失的监督训练能加快网络的训练速度。
《用于大数据分类的快速隐层优化分布式极限学习机》
针对大数据分类问题应用设计了一种快速隐层优化方法来解决分布式超限学习机(Extreme Learning Machine,ELM)在训练过程中存在的突出问题——需要独立重复运行多次才能优化隐层结点个数或模型泛化性能。在不增加算法时间复杂度的前提下,新算法能同时训练多个ELM隐层网络,全面兼顾模型泛化能力和隐层结点个数的优化,并通过分布式计算避免大量重复计算。同时,在算法求解过程中通过这种方式能更精确、更直观地学习隐含层结点个数变化带来的影响。比较多种类型标准测试函数的实验结果,相对于分布式ELM,新算法在求解精度、泛化能力、稳定性上大大提高。
《基于Lévy分布的不平衡数据过采样方法》
针对不平衡数据集上的分类问题,提出了基于Lévy分布的过采样方法,其核心思想是根据初始数据集的分布,利用Lévy分布构造新样本的密度分布。基于Lévy分布的特性,使得从边界样本合成的新样本密度最大,靠近多数类的样本合成的新样本密度次之,靠近少数类的样本合成的新样本密度最小。因此,该算法可以增强分类边界,同时可以减小噪声生成。通过在多个数据集上的实验,表明所提算法可以有效改善不平衡数据的分类效果。