最新設(shè)計資源

基于DBN-BP深度算法的熱軋板帶橫斷面預(yù)測[其他][其他]

隨著各工業(yè)領(lǐng)域的快速發(fā)展，市場對薄規(guī)格、高強度板帶產(chǎn)品的需求快速增加。而熱軋板帶橫斷面形狀是熱軋板帶產(chǎn)品質(zhì)量的主要評價指標(biāo)?；跀?shù)據(jù)挖掘技術(shù)，對軋機數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行分析與處理，其中數(shù)據(jù)挖掘技術(shù)采用深度置信網(wǎng)絡(luò)(Deep Belief Neural，DBN)和BP(Back Propagation)算法相結(jié)合，構(gòu)建板帶橫向厚度分布的預(yù)測模型。DBN-BP算法由多個限制玻爾茲曼網(wǎng)絡(luò)(Restricted Botlzmann Machine，RBM)逐層堆疊而成，并使用無監(jiān)督的逐層訓(xùn)練的方式得到網(wǎng)絡(luò)的權(quán)值矩陣和偏置供BP算法使用，而BP算法通過誤差反向傳播的方式對整個網(wǎng)絡(luò)進(jìn)行微調(diào)。該方法克服了BP算法因隨機初始化權(quán)值參數(shù)而陷入局部最優(yōu)和訓(xùn)練時間長的缺點。通過與BP算法相比較可知，采用DBN-BP方法預(yù)測終軋道次穩(wěn)定軋制時板帶中點厚度誤差在±5.6 μm范圍內(nèi)的概率可達(dá)95%；而BP算法的預(yù)測誤差范圍為±11 μm。并且通過對板帶橫斷面形狀的預(yù)測結(jié)果分析可知，相比于BP算法，DBN-BP深度學(xué)習(xí)方法對于板帶邊部厚度的預(yù)測更具有優(yōu)勢。

發(fā)表于：11/9/2022

針對遙感影像的MSA-YOLO儲油罐目標(biāo)檢測[其他][其他]

原油作為一種重要的戰(zhàn)略物資，在我國經(jīng)濟(jì)和軍事等多個領(lǐng)域均起到重要作用。提出一種算法MSA-YOLO(MultiScale Adaptive YOLO)，該算法在YOLOv4算法的基礎(chǔ)上進(jìn)行優(yōu)化，并基于以吉林一號光學(xué)遙感衛(wèi)星影像為主的遙感圖像數(shù)據(jù)集進(jìn)行實驗，對特定監(jiān)控區(qū)域內(nèi)的儲油罐進(jìn)行識別與分類。算法優(yōu)化內(nèi)容包括：為簡化儲油罐監(jiān)測模型同時保證模型的效率，對YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)中的多尺度識別模塊進(jìn)行修剪；使用k-means++聚類算法進(jìn)行初始錨框的選取，使模型加速收斂；使用基于CIoU-NMS的優(yōu)化，進(jìn)一步提升推理速度和準(zhǔn)確度。實驗結(jié)果表明，與YOLOv4相比，MSA-YOLO模型參數(shù)數(shù)量減少25.84%；模型尺寸減少62.13%；在Tesla V100的GPU環(huán)境下，模型的訓(xùn)練速度提升6 s/epoch，推理速度提升15.76 F/s；平均精度為95.65%。與此同時，MSA-YOLO算法在多種通用目標(biāo)識別算法進(jìn)行的對比實驗中均體現(xiàn)出了更高效的特點。MSA-YOLO算法對儲油罐進(jìn)行準(zhǔn)確且實時的識別具有通用可行性，可為遙感數(shù)據(jù)在能源期貨領(lǐng)域提供技術(shù)參考。

發(fā)表于：11/9/2022