行李安检智能检测最难分样本集选取方法研究

研究表明,使业务模型性能变差的难分样本对系统边界决策能力增长有决定性影响。由于行李携带危险品的多样性及实物形态的不确定性,以及现场行李安检系统生成的行李X光图像数据呈现“长尾分布”特征,由有限次样本采集的数据集训练得到的智能检测模型,在应用于现场行李安检系统后,存在检测准确率不高的问题。文章针对行李安检智能检测数据分析闭环流程,提出最难分样本集的离散强化选取方法,可从现场行李安检系统运行过程中产生的危险品实例图像中选取最难分样本集,作为新增样本数据,用于智能检测模型的学习更新,实现安检智能检测软件性能的持续增强。     

基于一维深度卷积生成对抗网络的钢轨波磨识别方法

实际工程中钢轨波磨数据难以大量获取,无法构建庞大数据集进行智能诊断模型训练。针对这一问题,本文提出了一种基于一维深度卷积生成对抗网络的钢轨波磨识别方法。首先使用一维生成对抗网络生成与实际波磨振动信号结构相同的伪样本,对样本信号的数据集进行扩充;然后提取波磨振动信号的时域统计指标作为波磨数据的特征;最后使用分类算法对不同特征的波磨振动数据进行学习与分类。使用实测钢轨波磨振动数据进行试验验证,结果表明：利用本文方法所生成的伪样本数据,在时域、频域以及时域特征指标方面均与真实样本数据基本一致;使用KNN、SVM和DT三种分类模型对波磨数据的特征进行分类和对比,均可较好地进行波磨识别。     

基于多传感器融合的视觉感知困难样本挖掘方法

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取.针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法.该方法利用雷达点云分割出来的障碍物目标对图像检测目标进行交叉复核,基于实际障碍物在多传感器间的映射关系挖掘图像目标检测算法难以识别或者未加入模型训练的样本,并将这些困难样本通过云边协同机制用于图像目标检测模型的重训练和远程部署,实现模型的优化迭代更新.试验表明,该方法可以有效挖掘矿用卡车自动驾驶场景的困难样本,通过增量迁移学习显著提升图像目标检测算法性能.同时,该算法对轨道交通等领域自动驾驶场景也具有重要的指导意义.     

"车书"收藏爱好者

现在喜欢汽车收藏的人很多。有人喜欢收藏车标,有人喜欢收藏汽车模型,但有种鲜为人知的汽车爱好也许很少有人听说,那就是收藏“车书”——汽车样本。     

船舶柴油机NOx排放特性神经网络预测中的试验设计

研究船舶柴油机NOx排放特性神经网络预测中的学习样本选取试验设计方法。根据用于主机的船舶柴油机可能持续运行范围的工况变化特点,提出采用功率因素变边界的均匀设计法进行试验设计选取样本,并验证了其可行性。研究结果表明,变边界均匀设计法选取的样本用于神经网络训练,预测精度明显高于随机样本选取法。4位级变边界均匀设计法选取的样本训练得到的神经网络模型,NOx排放浓度预测误差小于3.8%,NOx比排放预测误差小4.5%。     

高铁沿线大风预测技术研究

风速预测是风致灾害预警的关键技术.针对高铁大风预测中延迟性和误报的问题,提出一种基于完整集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的组合预测模型对高铁沿线风速进行预测.为了减少预测模型的复杂度和提高模型预测精度,原始风速数据用CEEMDAN分解并利用样本熵(SE)理论将分解出的分量按照样本熵近似...