基于ResNet50的列车常见垃圾自动分类算法

针对现今的智能垃圾桶使用方法大都无法应用在列车的问题,提出了一种基于迁移学习方法的智能垃圾分类方法.首先建立了12种列车常见垃圾数据集,并应用迁移学习ResNet50模型进行模型设计与参数设计,给出了模型的准确率与模型收敛速度曲线,并与Inception-V3模型进行了对比实验,实验结果表明ResNet50模型有更好的...     

基于Double—Bagging决策树的基因微阵列数据研究

Bagging通过组合不稳定的分类器在很大程度上降低了"弱"学习算法的分类误差.基于Torsten等人提出的Double-Bagging算法.本文对其加以修改并应用于基因微阵列数据的处理.在给定的训练数据集和测试集上试验并比较了多种分类器,结果表明Double-Bassing决策树分类精确度优于Bagging决策树和C4.5算法.     

基于卷积神经网络的汽车试验场外物入侵识别

为了对汽车试验场的外物入侵进行识别并预警,结合现有监控系统,利用Tensorflow搭建Faster-RCNN框架,分别使用Inception V2和Res Net101作为核心卷积神经网络,用自建的标注数据集进行最终训练,利用得到的模型进行迁移测试,试验结果表明:Inception V2系统的平均精度值为81.7%,Res Net101系统的平均精度值为84.1%。将两种系统结合Opencv的图像抓取功能及现有摄像监控设备进行联合测试,结果表明两种系统均能在阴天和低像素摄像头搭配下实时对高速或慢速移动的物体进行识别、分类、标注、预警。     

平衡主线和匝道交通运行的强化学习型匝道控制研究

考虑合流区域主线和匝道的交通流运行状态,提出了一种基于深度强化学习的鲁棒自适应匝道控制模型——DRLARM模型。根据交通流运行特征,构造了平衡主线交通效率和匝道排队长度的强化学习奖励函数;为适应动态变化的交通环境,采用多交通流场景混合训练控制模型,在不同拥堵成因、不同拥堵时长、不同需求分布等测试场景下开展仿真实验,对比分析了无控制及DRLARM、ALINEA和PI-ALINEA模型控制的车辆平均行程时间A、车道占有率o、匝道排队长度W和匝道损失时间比P等评价指标。研究表明：DRLARM模型控制的平均行程时间A相比无控工况节省了22%,略好于ALINEA模型,与PI-ALINEA模型控制效果相当;DRLARM模型在不同测试场景下产生的匝道损失时间比P较稳定,匝道排队长度W绝对值相较于ALINEA模型和PI-ALINEA模型均缩短了约16%;深度强化学习方法兼顾了通行效率和路权公平性,训练所得DRLARM模型在动态交通条件下表现出良好的鲁棒性。     

基于随机游走的分类垃圾回收最优路径规划

分类垃圾回收是逆向物流的重要研究内容,物流路径越短意味着回收成本越少。在垃圾分类回收过程中,通过对垃圾的回收路径进行合并可以共享运输资源从而达到节约成本的作用,故本文将垃圾分类回收的路径规划问题假设为多源多目标的路径规划问题,并给出了路径集合中不含重复边的总长度优化模型。当网络规模增长到一定程度时,通过精确计算方法得到模型的最优值几乎是不可能的,为此提出了一种基于随机游走的最优路径集合选取算法。模拟实验验证了该方法的有效性和高效性,与基于Dijkstra算法的最短路径求和算法相比不仅准确性高,而且具有很高的执行效率。     

物流企业分类模型

针对当前物流市场管理比较混乱和急需对物流企业进行分类管理的实际,基于收集的大量物流企业样本,提出了物流企业分类的特征指标体系,应用二维Kohonen自组织神经网络建立了物流企业的分类模型。根据模型的训练结果将物流企业分为运输型、仓储型、配送型、货代型、快递型和综合型6个类别,并对各类型的特点进行了总结描述,最后以5家物流企业为例,对Kohonen自组织神经网络模型进行了测试。结果表明此神经网络模型具有较强的分类能力,能按特征指标对5家物流企业进行归类,分类结果与实际情况相符,该模型可行。     

基于物联网的智能物流回收系统研究

随着城市化进程的高速发展,我国即将陷入“垃圾围城”的困境。本文基于物联网技术,研究并设计了一套智能集成物流回收系统,从城市生活垃圾分类投放、分类收集、分类运输、分类处理四个环节展开,旨在引导城市居民、相关行业企业、垃圾处理中心,高效有序地开展垃圾分类工作,提高垃圾使用价值。     

基于LVQ神经网络的交通拥堵预测研究

面对大量的交通参数数据,如何快速建立高效的分类预测模型以尽快地对拥堵状态进行判别是一个重要的问题。本文利用检测器提供的车速、流量和占有率等相关参数信息,提出了基于学习向量量化（LVQ）神经网络的交通拥堵预测模型．通过使用Matlab7．3数学软件的神经网络工具箱对该神经网络不断地训练,最终可以对道路正常状态和拥堵状态进行分类,通过交通流参数数据的输入预测出路段交通拥堵状况．最后,给出算例进行网络训练和测试,训练结果表明,运用该算法进行交通拥堵预测取得了良好的效果,具有一定的现实意义．     

基于向量空间模型的文本自动分类系统的研究与实现

分析了文本自动分类的关键理论及技术，给出一个已实现的基于向量空间模型(VSM)的文本自动分类系统的框架模型，重点描述此系统的实现算法．此算法在训练阶段通过部分训练集确定向量的特征提取维数，并提出一种“平均值”匹配阈值调整方法，从而在精度和效率方面优于传统的分类算法．实验表明此系统查准率为91．8％，查全率为85％。     

警戒区水上交通冲突数据自动采集系统

基于ECDIS、AIS以及支持向量机,引入交通冲突研究方法,提出船舶定线制警戒区水上交通冲突数据自动采集解决方案.方案利用支持向量机学习训练冲突样本数据,得到判别冲突严重程度SVM分类模型,并将SVM软件包和SVM分类模型嵌入到ECDIS,结合实时AIS数据建立水上交通冲突数据自动采集系统,应用该系统对长江口船舶定线制...     

基于BP神经网络的分销商绩效指标评价及应用

针对当前评价分销商绩效的方法所存在的不足,提出一种基于BP神经网络的分销商绩效评价方法.首先建立分销商绩效评价指标体系,然后根据指标体系,设计BP神经网络模型,并给出了可行的评价程序.在计算方法上,用神经网络工具箱进行计算.通过学习样本的训练和测试,使模型的误差达到预定的范围内.最后,利用该模型对江苏某动力机械厂的分销商绩效指标进行了评价,同时探讨了BP神经网络在分销商绩效指标评价中的特点和适用性.     

无人清洁船水面垃圾视觉识别系统设计

为满足水面垃圾无人清洁船高效精准识别垃圾的需求,设计了一套高效视觉识别系统.在硬件上,利用OV2640摄像头采集图像并通过STM32处理图像;在软件上,利用卷积神经网络的算法训练垃圾数据集得到一个MobileNet模型,利用Canny算法提取图像边缘轮廓,通过一定范围内最大轮廓面积找到目标的最小外接矩形,并将相关识别结果标注在矩形上,标识目标在图像中所在的位置坐标,提供给机械手.实验测试结果表明,开发的垃圾识别系统目标定位精准、效率高,对推动无人清洁船的发展与创新具有重要意义.     

基于Web的英语自助学习系统设计

分析了基于Web的英语自助学习系统的工作原理,选择Microsoft Speech SDK5.1并在其基础之上封装WebVoiceCtl作为构建系统的核心技术。调用Text To Speech Engine完成文本语音转换,实现基于Web的英语听力测试。此外,通过Web-VoiceCtl控件调用Speech Recognition Engine完成语音识别,实现基于Web的英语口语测试。最后,在ASP.NET环境下实现英语自助学习软件系统,该软件可提供基于Web的英语听、说、写等技能训练。     

面向交通工具金属材料的缺损识别算法

金属作为现代交通工具重要设备的主要材料,其缺损情况对交通工具的安全性具有重要意义.为了实现对金属设备的缺损情况进行自动识别,提出一种基于深层卷积神经网络的视觉检测算法,该算法着重于工业缺陷识别.设计了一种沙漏型特征融合模块和金字塔特征细化模块,兼顾准确率和速度,有效提升基于金属图像的缺损部位定位和分类效率,借助计算机平台训练判别模型实现自动检测.算法在公开图像数据集上取得了先进的测试结果,并在移动端设备中实现高效运行.     

基于支持向量回归的图像复原方法研究

针对退化图像复原问题,提出了一种基于支持向量回归的退化图像复原方法.该方法利用支持向量机回归算法非线性映射能力,通过训练样本对的学习训练,在退化图像与原始清晰图像之间建立映射关系,然后对测试样本进行复原.实际图像复原实验表明,得到的复原图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,支持向量机回归算法克服了神经网络的模型选择与过学习问题、局部极小问题等.     

基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

基于案例推理和神经网络的车辆故障诊断研究

将人工神经网络和基于案例的推理技术相结合,应用于车辆故障诊断系统中,建立了应急故障诊断模型;基于此模型,研究了车辆维修案例的表示方法并设计了CB神经网络的学习规则,通过系统的仿真训练和仿真诊断,该模型有效地提高了故障诊断的效能,满足车辆应急故障诊断的需求。     

基于半物理仿真的盾构机临境化虚拟训练系统

针对目前盾构机操作人员在实际施工环境下进行操作训练的不切实际性,而大多数虚拟训练系统又仅体现出演示性系统运动,却不能实现基于系统运动学及动力学进行真实训练的现状,提出基于半物理仿真的盾构机虚拟训练系统构架。建立以盾构机动力学模型为核心的虚拟样机模型,将STM32作为系统的控制器,用信号转换器完成信号的转换。采用半物理仿真的方法,用户可以通过在人机界面上进行盾构机的模拟训练,并可以临境化进入盾构机内部,以不同角度查看虚拟训练的效果,最终借助Unity3d实现盾构机的运动系统的展示。     

基于改进ACGAN的齿轮箱多模式数据增强与故障诊断

针对现有生成对抗网络(GAN)难以高效率生成多模式的故障样本和训练不稳定问题，提出了一种改进辅助分类生成对抗网络(ACGAN),并将其用于齿轮箱多模式数据增强和智能故障诊断，以确保运载工具的安全运行；引入独立的分类器构建新型ACGAN框架，改善了经典ACGAN的分类精度与判别精度之间的兼容性；使用Wasserstein距离定义具有平滑特性的新型对抗损失函数，以此克服GAN易出现模式崩塌和梯度消失的缺点；引入谱归一化方法替代权重裁剪，限制判别器的权重参数，提高对抗训练过程的稳定性；为验证改进ACGAN的有效性和优越性，对齿轮箱的6类健康状态样本进行试验分析。分析结果表明：改进ACGAN生成的故障样本在数据层面和特征层面取得了更好的质量评估结果，其中基于结构相似度的评估指标平均优于对比方法0.249 3,基于最大平均差异的评估指标平均优于对比方法0.696 6;改进ACGAN的训练过程更加稳定，其损失函数具有更优的收敛性，同时在多模式故障诊断情景下具有更高的效率，其训练时间缩减为对比方法的20%;针对故障样本缺失的情况，改进ACGAN的生成样本能有效辅助深度学习智能故障诊断模型的训练，可将...     

基于特征脸和LS-SVM分类器的人脸性别分类

提出使用特征脸和最小二乘支持向量机(LS-SVM)分类器相结合进行人脸性别分类.我们首先从训练图像中求得特征脸空间,然后将训练集和测试集图像投影到特征脸空间得到投影系数.使用训练样本投影系数训练LS-SVM分类器,对训练图像和测试图像进行分类试验,同时计算出分类准确率,实验结果表明LS-SVM分类要比其他分类算法有更好的优越性.在实验中我们也使用交叉验证来确定特征脸数目和核函数参数.