基于特征图可视化的医学图像分析

现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明：分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.     

BP神经网络在公路路面性能预测中的应用

路面性能预测是路面养护管理的重要组成部分,一般较难考虑自然环境对路面性能的影响,对已知信息的利用效率不高,造成预测误差.文中以某高速公路路面性能预测为例,详细说明了BP神经网络技术在路面性能预测中的作用,力求推广计算机辅助的人工神经网络在路面性能预测中的应用.     

基于SVM-BP神经网络组合模型的高速公路出口流量预测

为了给高速公路交通流精准预测提供更准确的方法,本文利用济南西高速公路出口早晚高峰流量数据,采用SVM-BP神经网络组合模型进行短时交通流预测,并对单一的SVM（支持向量机）模型、BP神经网络模型和组合模型的预测精度进行比较和实证分析。当样本数量小于或等于120时,结果表明：(1)误差对比：当样本数量大于22时,由于预测集与训练集数据分布本身存在差异且SVM模型训练完成后过于复杂导致三种模型的误差逐渐变大。(2)预测精度：组合模型>BP神经网络>SVM,组合模型的平均绝对误差（MAE）提高了6.85%,远高于其他单一模型,验证了组合模型的有效性。     

高速公路软基处理方案智能决策模型研究

随着高速公路的大规模修建,软土问题已成为影响工程质量、建设工期和工程造价的关键因素之一。因此,如何选择技术可靠、经济合理、安全适用的软基处理方案具有重大的理论和现实意义。该文以系统工程、人工智能、模糊数学、灰色理论、神经网络等为理论基础,结合岩土工程、土质学和土力学等学科的最新发展,对建立高速公路软基处理智能决策模型进行了研究。     

基于神经网络的感应电动机特性辨识新方法

提出并论证了一种基于神经网络的感应电动机特性辨识新方法,只需测得电机两相电流数值便可以辨识出电动机转矩和转速,用改进的Levenberg-Marquardt算法对神经网络进行学习和训练,构建了适合电动机转矩转速观测的BP神经网络。由于RBF神经网络无论是在逼近能力、函数拟合和学习速度方面都优于BP网络,也利用RBF网络进行了辨识。该方法较已经提出的方法相比,需要的检测量少,辨识方法简单。仿真研究表明,RBF神经网络辨识效果优于BP神经网络。     

基于数据驱动方法的船舶CII预测模型研究

相比通过物理模型和数值计算进行碳强度指数(Carbon Intensity Indicator, CII)预报,采用数据驱动方法构建模型进行CII预报能避免消耗大量计算资源。在分析已有研究的基础上,总结机器学习、时间序列等数据驱动方法在构建此类预测模型中应用的优势和劣势,以及运用这些方法构建的船舶CII预测模型。对比分析各种算法的优势和劣势可知,运用决策树算法和整合自回归移动平均算法构建船舶CII预测模型的研究目前虽然较少,但其颇具研究和创新空间,开展此项研究有助于在未来构建更准确、高效的船舶CII预测模型。     

基于有限元和神经网络的主动加热红外无损测厚技术

提出了通过对平板进行单面主动加热,根据平板的热响应测厚的红外无损测厚技术．使用有限元数值计算,得到了不同厚度、加热热流、加热温度、加热区域形状、加热面积下的碳钢平板热响应．使用BP神经网络(NN)建立了热响应与板厚之间的非线性映射,神经网络的训练和测试表明该方法具有较高的精度和较好的推广性．实际应用中可使用红外热像仪记录平板表面的热响应．提出的红外无损测厚技术具有单向性、不接触等优势,具有良好的应用前景．     

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 network...     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限,导致雾天跟驰模型精度不佳,为此在长短时记忆神经网络（long short-term memory,LSTM）跟驰模型的基础上,采用迁移学习（transfer learning,TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验,获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution,LCSS）的迁移样本选择方法,从源域中选出100个样本迁移至目标域中,通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力,得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用,将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比,LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%,比LSTM-T模型...