一种基于深度神经网络的腕臂底座开口销缺失检测算法

在接触网装置故障中,腕臂底座(包含平腕臂底座和斜腕臂底座)开口销缺失较常见,包括横向和垂直销钉开口销缺失两种.为对腕臂底座开口销缺失缺陷进行自动识别,本文提出一种基于深度神经网络的腕臂底座开口销缺失检测算法:首先采用YOLO算法对原始大图进行一级定位得到腕臂底座区域,然后对腕臂底座区域进行二级定位得到开口销区域小图,最后采用CNN(卷积神经网络)分类算法对横向和垂直开口销小图进行分类识别.实验测试证明该检测算法识别准确率高、漏检率低,可对腕臂底座开口销缺失进行有效检测.     

基于文本挖掘的道路运输安全风险源辨识模型

为了解决当前道路运输安全风险源辨识工作中数据短缺和人员工作量较大的问题，从文本挖掘的角度出发，提出一种能够自动辨识道路运输过程中安全风险源的模型. 该模型首先对道路运输文本进行因果句提取，并对因果句进行分词操作，实现安全风险源特征的增强；其次，进行适应卷积神经网络（convolutional neural networks，CNN）输入的、包含词信息和位置信息的特征构造；然后，将特征构造的结果输入到CNN实现安全风险源的辨识；最后，利用道路交通事故报告进行实验. 实验结果表明:提出的辨识模型能辨识大部分的道路运输安全风险源因素，准确率约为77.321%.      

基于BP网络的球鼻首参数化优化

本文以某集装箱船为研究对象,对降速航行后的球鼻首进行优化。采用Catia建立船体三维模型,为了产生不同形状的球鼻首,选取球鼻特征参数来描述其基本结构;采用拉丁超立方试验抽样方法得到12组不同形状的球鼻首,提出运用非线性拟合能力较强的BP网络构建球鼻首参数和阻力系数之间的关系模型;采用遗传算法对训练后的网络进行极值寻优。结果显示,优化船型的阻力系数显著降低,说明该方法对球鼻首的优化有一定的借鉴意义。     

基于MEC-BP神经网络的基坑水平位移反演分析

随着城市地铁建设快速发展,地铁车站基坑的变形要求越来越严格,基坑土层设计参数的选择面临着极大挑战.利用思维进化算法(MEC)优化BP神经网络的初始权值和阈值,结合有限元数值模拟,提出基于基坑水平位移的土层参数反演分析方法.采用文献算例对该方法进行验证,并与不同反演方法进行对比.研究结果表明:1)MEC-BP神经网络对多工况水平位移的反演分析结果与文献结果基本一致,验证了该方法的有效性和实用性;2)MEC-BP神经网络的收敛速度快于遗传神经网络(GA-BP),其反演结果优于常规BP神经网络、GA-BP方法和修正高斯-牛顿法(G-N);3)采用标量误差函数Ferr进行寻优,可以提高MEC-BP法水平位移反演分析结果的稳定性和准确性.     

基于BP神经网络的齿爬式升船机横导向装置结构损伤识别*

为了准确有效地实现齿爬式升船机横导向装置的损伤识别，提出以固有频率变化率、应力、位移作为输入特征参数，由损伤结构分类器、损伤位置分类器、损伤程度分类器构成的结构损伤识别模型。以向家坝升船机横导向装置为例，对18种损伤状态下的横导向装置进行模态分析和静力学分析，得到1 646组训练样本和100组测试样本，分别采用BP神经网络、支持向量机和贝叶斯算法进行结构损伤识别模型的训练与识别准确率测试。结果表明：基于BP神经网络算法的横导向装置结构损伤识别模型对损伤结构、损伤位置、损伤程度的识别准确率分别为93%、90%和91%，比基于支持向量机、贝叶斯算法的识别准确率分别平均提高7%、13%，该模型能够有效准确地对横导向装置进行损伤识别。     

深度残差神经网络在腹部平片检出小肠梗阻中的应用

目的通过深度残差神经网络(ResNet38)对腹部立位平片进行学习,从中检出小肠梗阻。方法本研究使用的训练集和测试集数据来源于西安交通大学第一附属医院及陕西省核工业二一五医院,独立验证集数据来源于陕西省核工业二一五医院。由2名经验丰富的影像科诊断医师依据腹部立位平片小肠梗阻的4种征象分别对来源于2家医院的3 298张腹部立位平片进行分类,意见不一致时讨论达到共识,其中小肠梗阻569例(17.3%),非小肠梗阻2 729例(82.7%)。对2组数据采用完全随机分组的方法组成训练集2 305张和测试集993张(训练集∶测试集=2.3∶1),其中训练集小肠梗阻405例(17.6%),非小肠梗阻1 900例(82.4%);测试集小肠梗阻164例(16.5%),非小肠梗阻829例(83.5%)。训练集和测试集小肠梗阻的诊断均以有丰富经验的影像科医师的评判为标准。验证集共861张腹部立位平片,其中小肠梗阻99例(11.5%),非小肠梗阻762例(88.5%),以手术结果及临床诊断为金标准。本研究使用ImageNet 2012年大规模视觉识别挑战赛数据集(ILSVRC2012)对深度残差神经网络(ResNet38)进行预训练;用训练集数据对深度残差神经网络(ResNet38)再训练建立诊断模型;测试集主要用于学习算法过程中,调整算法的参数来修正网络,从而使得网络模型效能更优。结果本研究开发的小肠梗阻诊断模型在测试集上敏感性为84.1%,特异性为65.0%,受试者工作特征曲线(receiver operating characteristic, ROC)曲线下面积(area under the curve, AUC)为0.83(95%CI为0.82～0.92);在验证集上的敏感性为89.9%,特异性为68.0%,ROC曲线下面积为0.87(95%CI为0.82～0.92),AUC为0.87。结论对深度残差神经网络进行有限的数据训练,可以获得一个有效的用于在腹部立位平片上检出小肠梗阻的诊断模型。     

基于PSO-BP神经网络的船体分段任务包工时定额模型

为解决船体分段任务包工时定额的计算过度依赖线性公式而忽略工时定额与工艺参数之间的非线性关系的问题,提高工时定额计算的效率和精确度,将PSO-BP神经网络技术应用到船体分段任务包工时定额中。通过对影响船体分段中间产品额定工时的工艺参数进行分析,建立多输入单输出的PSO-BP神经网络模型,并应用实际数据对PSO-BP神经网络进行训练,测试仿真结果与实际值之间的误差在允许范围内。验证结果表明,采用PSO-BP神经网络建立船体分段任务包工时定额模型,能对任务包作业工时进行准确预测。     

基于粒子群优化的深度随机神经网络

针对传统多层随机神经网络性能不稳定问题,提出了一类利用粒子群优化算法来优化各层权值的深度随机网络方法.该方法利用粒子群优化算法,结合网络的输入输出灵敏度信息,逐层对自动编码器的输入层权值进行优化,通过改善自动编码器的性能来改善多层随机神经网络的性能.最后利用粒子群优化方法,对整个网络的权值作适当优化,进一步提高深度随机神经网络的性能.相对于传统深度学习算法,该方法在保持收敛精度的基础上降低了时间开销;相对于传统深度随机神经网络,该方法在增加时间开销基础上提高了收敛精度,从而较好地平衡了时间复杂度和收敛精度.     

基于遗传优化的水面无人船艇神经网络智能控制

利用GA智能优化算法和RBF神经网络逼近算法设计了一种USV运动滑模理想跟踪控制方法.首先利用改进的遗传算法对RBF网络参数进行在线寻优以进而提高其逼近性能.其次,将学习速度较快的局部RBF神经网络对滑模控制设计中存在的船舶运动系统函数不确定项进行逼近,使得由于滑模面的不间断切换引起的控制输入抖振问题得到有效地解决.对比实验说明了在同等条件下,上述智能控制系统稳定时间更快,超调量更小,以及输入舵角更平滑.