基于共享经验模态分解的短期用电量预测研究

针对单特征用电量预测精度较低的问题，提出了一种基于CEEMD-BiLSTM神经网络预测模型，通过CEEMD(共享经验模态分解)算法将原始用电量序列分解为IMFS分量及残差余量，并分别利用BiLSTM(双向长短期记忆网络)模型对CEEMD得到的分量进行预测，通过相加得到预测值。试验结果表明：利用CEEMD-BiLSTM相较于EEMD(集合经验模态分解)-BiLstm、EMD(经验模态分解)-BiLSTM以及BiLSTM模型，预测精度均有了显著提高。     

支持向量机和决策树算法在滚动轴承故障诊断中的应用

滚动轴承作为旋转机械中常见的部件，其发生故障轻则导致设备停工，重则造成经济损失和人员伤亡，因此滚动轴承的故障诊断在机械维护中有着重要意义。使用DC竞赛轴承故障检测数据集对滚动轴承故障诊断中常用模型进行对比分析，按照8:2的比例划分训练集与测试集，采用SMOTE过采样方法对训练集进行处理，从而解决类样本不平衡问题。将处理完后的训练集输入支持向量机(SVM)以及决策树模型，通过比较2个模型的测试集测试结果可以发现，SVM模型在滚动轴承故障诊断中更有效。     

对虾分级机轴承故障VMD方法分析

指出了双辊式对虾分级机的轴承容易受到水侵蚀而发生损伤,影响分级精度和工作可靠性,为有效识别轴承故障,采用变分模态分解(VMD)方法将采集到的振动信号分解为若干分量成分,从中选出峭度最大的故障分量,再经包络解调分析出轴承故障频率,实现了对虾分级机轴承故障的诊断。     

基于改进LeNet-5模型的木材表面典型缺陷识别方法研究

针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。     

基于MEA-BP神经网络对木材内部缺陷诊断的研究

为了提高木材内部缺陷的自动识别率,采用电阻层析成像(ERT)的方法获取电导率波动信号,通过小波包变换对采集的数据进行3层小波包分析,对八维特征向量进行提取,利用思维进化算法(MEA)优化权值和阈值,孔洞、节子、腐朽试样各45组数据,进行BP神经网络训练,每种缺陷20组作为测试集,识别木材内部缺陷。结果表明:MEA-BP神经网络对木材孔洞、节子和腐朽的识别率分别为96.92%、95.38%和92.31%,该模型解决了复杂组合的优化问题,提高了搜索效率,并且达到最佳的预测效果。     

小波分析在铁路货车滚动轴承故障诊断中的应用

铁路车辆滚动轴承故障的不解体诊断,对于提高轴承诊断效率,减轻操作人员的劳动强度和保证铁路运输的安全是至关重要的。采用小波分解和重构的方法,通过对滚动轴承出现外圈剥落情况下振动信号的分析,说明这种方法可以有效地用于滚动轴承的故障诊断。     

基于XGBoost的高分二号影像树种识别

树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。     

基于改进卷积自编码机的油茶果图像识别研究

为进一步提高油茶果识别的速度与精度,提出一种基于改进卷积自编码机神经网络的油茶果图像识别方法。该方法以非对称分解卷积核提高训练速度,以输出端重构输入端的直连训练方式减少信息损失;利用改进的自编码机训练不同颜色通道的图像,随后在共享层中利用金字塔池化算法融合高阶特征,利用softmax算法构建分类器。结合selective-search算法生成候选区域,并对其进行筛选,利用训练好的网络设计油茶果果实图像检测器验证算法的实用性。改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%;改进模型收敛性能较好,学习能力强,经过10次迭代之后即可达到85%的识别准确率,在样本数目为200的小数据集上可达到82%的识别准确率;同时,检测器的搭建验证了算法的有效性,在2 s内即可实现对单张实际图像上目标区域的检测,总体识别精度为87%,使得算法具有一定的实时检测能力。试验结果证明,改进后的算法具有较高的识别准确率与学习能力,以及一定的实用性,可为油茶果图像识别提供参考。     

基于小波神经网络的木材内部缺陷类型识别的研究

利用榆木标准试件,在实验室内用超声波检测仪器对试件进行缺陷分类检测,检测信号作为原始信息.各类试件的原始信号用小波包分解,计算缺陷试件与完好试件在小波包第5层各结点的信号能量变化值.试验发现:木材缺陷引起能量的变化值主要由木材缺陷的大小或严重程度来决定,亦即木材的缺陷程度越严重,能量的变化幅度就越大;对小波包5层分解后各信号结点的能量变化值进行分析,发现在32个结点中,(5,0)结点在各类缺陷试件中能量值变化最大;使用经小波压缩后的信号作为神经网络的输入,形成应用频带能量变化值和应用(5,0)结点小波包系数的2个不同输入特征的人工神经网络.对比分析2个网络识别木材缺陷类型的能力,(5,0)结点小波包系数作为特征训练得到的神经网络检测精度更高.     

基于多角度卫星遥感的胡杨林结构参数获取

【目的】基于多角度卫星遥感(MISR)和无人机(UAV)摄影测量技术,采用简单几何光学模型(SGM)和广义简约梯度(GRG)优化方法,反演获取塔里木河下游胡杨林主要结构参数(树高、冠幅、林分密度和覆盖度)。【方法】以塔里木河下游典型河岸林为研究对象,基于野外调查、UAV倾斜摄影测量和MISR数据,构建训练集,采用SGM对场景反射进行分解模拟,获取Walthall背景反射模型参数,评价参数敏感性,建立参数回归方程,运用GRG优化算法反演得到测试集结构参数,利用无人机测量数据进行精度验证和评价。【结果】从UAV倾斜摄影测量数据中提取的树高、冠幅、林分密度数据与实测数据相比,UAV获取的树高、冠幅、林分密度与实测数据的R²分别为0.90、0.84、0.94,均方根误差(RMSE)分别为0.45 m、0.68 m、4.25株·hm^-2。SGM对训练集样地红光模拟反射值与卫星观测反射值的R²最大值为0.99、最小值为0.72、平均值为0.92;反演获取的训练样地树高和覆盖度与参考值相比,覆盖度R²达0.99,...     

基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法

深度学习是一种有效的特征学习方法,具有很强的自主学习能力。研究了基于深度学习特征与非线性支持向量机(NSVM)分类算法相结合的板材表面缺陷识别方法。首先,针对深度学习模型需要海量训练数据的特性,使用旋转剪切的方法对采集到的原始板材表面缺陷图像进行数据扩增;其次,使用扩增后的板材表面缺陷图像数据集对笔者提出的深度卷积神经网络(CNN)模型进行训练,并使用训练好的网络提取不同种类缺陷图像的深度特征;然后,为了消除深度特征中的冗余数据,并增强数据的表达能力,运用基于1范数的非贪婪主成分分析(Non-greedy PCA-L1)算法对板材的深层语义特征进行特征降维和特征增强;最后,运用增强后的深度特征训练NSVM模型,并使用训练好的NSVM模型对原始板材表面缺陷图像的测试集进行分类。实验结果表明,笔者提出的识别方法具有较好的鲁棒性和实用性,可取得目前较好的分类效果,针对结疤、压痕和无损3种板材表面缺陷识别率可达99%以上。     

基于改进差分进化算法的鳞翅目昆虫图像识别方法

【目的】应用计算机图像处理技术提取昆虫图像特征,提出一种新的特征选择技术筛选昆虫识别相关的特征,以准确、快速地识别出鳞翅目昆虫种类。【方法】基于开源的利兹蝴蝶数据集和拍摄的以森林鳞翅目昆虫为主的数据集,采用改进的纹理特征提取算法(DRLBP)提取鳞翅目昆虫图像纹理特征,应用汉明距离计算的粒子间距离度量种群多样性,提出进化过程中自动调整多样性的方法,给出二进制自适应差分进化算法(BADE)。利用BADE算法筛选合适的较小维数的纹理特征子集,并用基于概率协同表示的分类器(PROCRC)进行图像分类。【结果】PROCRC分类器在所有数据集上均展现出良好分类效果,平均识别率分别为81.73%和88.18%。经特征选择后的昆虫的分类精度显著提升,最高提升率达13.49%。BADE的性能高于其他特征选择算法,且经BADE算法特征选择后纹理数据集的维数和分类所需时间均显著下降,其降维率接近50%,时间减少率最高达50%。【结论】BADE算法可有效进行特征选择,提高识别精度,节约模型的识别时间,利用群体智能优化算法对鳞翅目昆虫图像进行特征选择的方法具有可行性,DRLBP和BADE算法相结合的鳞翅目昆虫识别方法在农林昆虫的快速、准确识别中具有广阔应用前景。     

基于AlexNet优化的板材材种识别方法

【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29 680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%, AlexNet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留...     

基于改进Faster R-CNN的苹果叶部病害识别方法

针对苹果叶片图像中小尺度病斑和复杂背景带来的病斑目标难以精确定位和识别的问题,以苹果的斑点落叶病、黑星病、灰斑病、雪松锈病和花叶病为研究对象,提出一种基于改进Faster R-CNN的苹果叶片病害识别方法.先通过数据增广操作对训练集数据进行扩充以增强模型鲁棒性,再通过对增广训练集图像进行训练来得到一个可靠的病害识别模型...     

基于GAN-DCNN的树叶识别

【目的】利用深度学习进行树叶识别时需要大量训练样本,当样本量不足、图像风格单一会导致识别准确率不稳定。研究利用少量的样本进行树叶图像增殖和风格转换,可极大减轻数据采集的负担,为提升林业调查信息化、智能化提供有效的技术手段和理论支撑。【方法】采集6种树种的树叶图像建立数据集,引入light-weight GAN对图像进行增殖和风格转换,扩充人工拍摄的树叶数据集,通过在该数据集与原数据集上分别应用AlexNet、GoogLeNet、ResNet34和ShuffleNetV2四种深度卷积神经网络进行训练,分析生成对抗网络的图像增殖技术在树叶识别中的作用。综合模型准确率和训练时间等性能指标选择最优模型,同时对模型的学习率进行调整。使用测试样本对参数优化后的模型进行验证,分析该方法在实践中的可行性和意义。【结果】基于生成对抗网络生成的样本具有高清晰度,高保真性,能够有效地辅助神经网络模型的训练工作,同时也丰富了样本类别,使之获得包含更多不同季节、形状、健康状况的树叶图像。与原始数据集相比,AlexNet、 GoogLeNet、 ResNet34和ShuffleNetV2四种网络在新数据集的训练上...     

基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

基于人工神经网络模型的木材干燥应变模拟预测

【目的】研究常规干燥过程中干燥基准、预处理条件、含水率对木材干燥应力的影响,探讨干燥应力沿髓心至树皮方向的分布情况,以实现干燥应变的模拟预测。【方法】整合分析采用图像解析法测算得到的弹性应变和机械吸附蠕变相关数据,基于人工神经网络模型,以干燥温度、含水率、相对湿度、距髓心距离为输入变量对弹性应变进行模拟预测,以预处理温度、干燥温度、含水率、相对湿度、距髓心距离为输入变量对机械吸附蠕变进行模拟预测。通过网络训练和验证,得到合理的人工神经网络预测模型,并对模型进行测试,探讨分析所建立模型的预测能力。【结果】弹性应变预测模型中,各数据集均呈现出较好的相关性,训练集、验证集和测试集的相关系数(R)分别为0.988、0.983和0.978,所有数据集的决定系数(R~2)均高于0.95,验证集达到最优时的均方差(MSE)为1.21×10~(-6)。机械吸附蠕变预测模型中,利用含水率为28%和12%的数据集进行模型训练和验证,训练集和验证集的相关系数(R)分别为0.981、0.977,验证集达到最优时的均方差(MSE)为1.26×10~(-6);利用含水率20%的数据集进行模型测试,测试集的相关系数(R)为0.969,所有数据集的决定系数(R~2)均高于0.94,网络模型能够解释94%以上的试验数据,表现出较好的预测能力。【结论】所建立模型的预测值和试验值吻合较好,预测成功率较高,能够为人工神经网络在干燥应力、应变方面的应用提供可行性依据。     

生态背景下基于人工智能深度学习的竹类害虫识别方法研究

针对生态背景下的竹类害虫识别,作者研究了一种基于人工智能深度学习的识别方法。构建了具有5 663张图片的虫类数据集,其中包含3种竹类害虫和3种其他虫类,利用深度学习模型GoogLeNet特有的Inception模块构成的网中网结构,使其获得更多的图片特征,并开展了4组不同训练集与测试集比例的实验。结果表明：模型的精确度随训练集比重的增大而增大,当训练集和测试集的比例为9∶1时表现最好,F₁值达到了95.48%,模型精确度为97.5%,体现了识别模型具有较好的综合性能和较高的实用性。该方法能较好地实现3种竹类害虫在生态背景下的智能识别,是针对竹类生产经营中的虫害防治问题的一种智能化解决方案,为竹产业精细化管理及高效生产经营提供有效的科技支撑。     

基于POD方法的热风加热沥青路面温度场重构

为了进一步提高热风加热沥青路面温度场的计算效率,采用POD方法对CFD仿真软件计算得到的温度场数据进行模态分解,得到了各阶模态的能量贡献率,利用前14阶模态进行了温度场重构.结果表明:前14阶模态重构温度场保留了原始温度场的主要信息,能够近似替代原始温度场进行分析和计算,满足基本计算精度要求.     

基于深度学习的人造板表面缺陷检测研究

缺陷识别是人造板检测的重要环节,目前大多采用人工检测方法。将一种轻量级的深层神经网络MobileNet与SSD算法结合,使用Inception网络附加到多个特征映射上,构建SSD-MobileNet算法模型用于人造板的缺陷检测,以提高区分不同缺陷的能力。从人造板工厂生产现场获取主要包括粗刨花、水印、砂痕、杂物、胶斑5种缺陷类型的表面缺陷图,制成一个包含3216张人造板表面缺陷图像的数据集。利用该数据集对SSD-MoblieNet模型进行训练、测试,并与其他特征提取网络(ResNet18、VoVNet39、ESPNetV2)的检测精度和检测速度的影响结果进行对比,发现其检测速度最快达到75帧/s,相对其他特征提取网络的平均精度均值提升2.26%~3.52%。该研究为实现人造板表面实时在线检测提供良好的技术支撑。