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.     

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。     

基于神经网络的小时间粒度交通流预测模型

为解决传统车队离散模型基于概率分布假设和现有交通流预测时间粒度过大不能应用于自适应信号配时优化等问题.在车队离散模型的建模思路上,先分析了下游交叉口车辆到达与上游交叉口车辆离去之间的关系,基于此构建了基于神经网络的小时间粒度交通流预测模型.该模型以上游交叉口离去流量分布为输入,下游交叉口到达流量分布为输出,时间粒度为5 s.最后,通过实际调查数据标定模型参数并应用模型预测下游交叉口到达流量.结果表明,与Robertson模型相比,本文模型预测结果能够更好地反映交通流的变化特征,平均预测误差减少了8.3%.成果可用于信号配时优化.     

基于灰色—小波神经网络的有效泊位预测

针对停车场有效停车泊位的变化特征,提出了基于灰色—小波神经网络的组合模型.先通过灰色单因素预测模型对有效停车泊位时间序列进行修正处理,再基于分步式小波神经网络模型对修正预测值进行运算,并通过马克科夫链预测模型得到更精确的预测区间,并利用实际案例分析,对模型的预测精度、稳定性、拟合度和训练时间进行了评价.研究表明,灰色—小波神经网络预测模型可降低初始数据波动性的干扰,与传统神经网络相比,预测结果误差波动性降低了10%~19%,稳定性提高了27%~33%,拟合度提高了10%~15%,精确度明显提高.     

人工神经网络在软土地基沉降预测中的应用

人工神经网络这种数学工具可以以任意精度逼近任意非线性曲线,且具有容错性和联想记忆功能,利用基于人工神经网络和反向传播理论的分析方法对软土地基沉降进行的预测体现了很强的优越性。介绍构建网络模型后,用某高速公路软基沉降的实测数据进行网络的训练和学习,再用建立的预测模型预测出了最终的沉降量。所得的结果与实测值达到了较好的一致性,与用其它理论计算方法所得结果相比较具有较高精度。     

基于机器视觉的路面裂缝病害多目标识别研究

为了建立一种基于深度学习卷积神经网络的多目标路面裂缝检测模型,实现对路面裂缝的精确识别、分割与统计,采用卷积神经网络Mask R-CNN为主干框架,融入ResNet模型与特征金字塔网络(FPN)提高对病害特征提取的精度,建立了针对裂缝病害识别的基础网络体系;考虑裂缝病害图像特征,采用随机梯度下降算法与冲量算法优化损失函...     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

Kohonen神经网络的VC实现及测试

Kohonen神经网络能够模仿人脑特征进行自组织学习,并能根据其学习规则,对输入模式自动进行分类。文章通过对Kohonen神经网络模型的研究,运用VC语言实现其算法,并完成对该神经网络分类功能的测试。     

蚁群算法优化的神经网络技术在跑道起飞容量预测中的应用

为了对机场起飞容量及飞机全部出动时间进行预测,构建了基于ACO优化BP神经网络的机场跑道起飞容量预测模型。分析了机场跑道容量的含义及其影响因素,利用飞参提取软件将影响因素的具体数值进行提取;依据BP神经网络的特点将其引入到机场跑道起飞容量预测中,为了弥补BP神经网络的缺点,利用ACO对网络进行优化,最终建立了基于ACO优化BP神经网络的机场跑道起飞容量预测模型,并与标准BP神经网络的预测结果进行对比,结果表明优化后的网络各项误差都不同程度的减小40%～60%,优化后的网络提高了模型的精度。利用优化后的模型分析了飞机质量、气温、气压、风速与起飞跑道占用时间与起飞容量的关系,并对某机场保障飞机起飞容量与出动时间进行了评估,得到飞机质量、气压、纵向风速与起飞容量大致呈线性关系,气温与起飞容量大致呈非线性关系,最后得到该机场的总出动时间与起飞跑道容量,可以更准确的评估机场保障能力。     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图...