3D密集全卷积的高光谱地物分类算法研究

针对高光谱遥感图像训练样本较少、光谱维度较高、空间特征与频谱特征存在差异性而导致高光谱地物分类的特征提取不合理、分类精度不稳定和训练时间长等问题,提出了基于3D密集全卷积（3D-DSFCN）的高光谱图像（HSI）分类算法。算法通过密集模块中的3D卷积核分别提取光谱特征和空间特征,采用特征映射模块替换传统网络中的池化层和全连接层,最后通过softmax分类器进行分类。实验结果表明,基于3D-DSFCN的HSI分类方法提高了地物分类的准确率、增强了低频标签的分类稳定性。     

基于特征融合和代价敏感学习的图像标注方法

针对图像标注数据集中存在的标注对象比例不一致和标签分布不平衡问题,提出基于特征融合和代价敏感学习的图像标注方法.在卷积神经网络中加入特征融合层,改进VGG16原有的网络结构,特征融合层结合注意力机制,对网络中不同卷积层提取的多尺度特征进行选择性融合,提升对不同尺度对象的标注精度;将代价敏感学习融入损失函数对网络模型进行训练,提升网络的泛化性能.实验结果表明,该方法能提升图像标注的准确率,增加对低频标签的召回率.     

新的基于多目标优化的推荐算法

针对目前推荐系统效率问题,采用线上、线下分离策略,构建一种新的推荐系统框架.针对推荐系统多目标性和目前众多推荐算法适应性局限等特性,采用混合策略,提出一种新的多目标推荐算法.首先,对多个推荐算法进行加权混合;然后,构建以权重序列为自变量,推荐评价指标F调和率、多样性和新颖度为目标函数的多目标优化模型;其次,采用SPEA2多目标优化算法进行优化求解;最后,基于用户的购物偏好和Pareto解集向用户有针对性地进行购物推荐.实验结果表明:新的推荐算法较子推荐算法在F调和率上持平,在多样性上提高了1%,在新颖度上提高了11.5%;多目标的各个Pareto解在解空间中分布形成了密集邻近的点曲线.该推荐算法能够满足不同购物偏好用户的推荐要求.     

智慧矿山顶层架构设计及其关键技术

智慧矿山建设目标是在工业互联网技术的基础上,能够完成对矿山"人、机、环"数据进行精准化采集、网络化传输、规范化集成,从而实现可视化展现、自动化操作和智能化服务的矿山智慧体。目前,智慧矿山的建设主要以单一的业务逻辑为基础,较少从数据运营、技术服务和业务逻辑等多方面,深入研究智慧矿山的体系架构问题,难以实现通用性和扩展性较强的智慧矿山建设目标。为解决上述问题,基于已有智慧矿山的基本概念及内涵,在对国内外智慧矿山研究现状分析的基础上,提出智慧矿山的基本内涵及其建设原则,并引入数据标准化、网络协同化、系统一体化和技术智能化的建设理念。提出智慧矿山顶层架构体系及其关键技术。该顶层架构体系主要包括智慧矿山总体架构、业务逻辑架构、技术架构和数据架构4个部分,从总体设计、业务分析、技术实现和数据流转的不同角度,可以较为综合和全面地构建智慧矿山。之后,探讨和研究了智慧矿山顶层架构体系建设过程中涉及到的智能控制技术、通信网络技术、三维可视化技术、空间信息技术、大数据分析与挖掘技术、物联网技术、机器学习理论方法、媒体智能技术等关键智能技术。最后,在总结智慧矿山顶层架构设计及关键技术内容的基础上,指出了未来智慧矿山建设过程中需要解决的一些关键理论问题及系统设计、优化问题,为不断完善智慧矿山顶层架构的设计和智慧矿山的深入发展明确了研究方向和实现目标。     

一种基于CAEs-LSTM融合模型的窃电检测方法

为解决现有的智能电网电力盗窃行为检测方法中准确性不足、检测效率低下等问题,提出了一种由卷积自编码器网络(convolutional auto-encoders,?CAEs)和长短期记忆网络(long short term memory,?LSTM)相结合的CAEs-LSTM检测模型。该模型通过分析数据集的特点对电力数据进行二维转换,设计卷积自编码器结构,采用池化、下采样和上采样重构电力数据的二维空间特征,加入高斯噪声提高模型鲁棒性,并构建长短期记忆网络以学习全局时序特征。最后,对提取的时空特征进行融合从而检测能源窃贼,并进行了参数调优。在由国家电网公布的真实数据集上,通过将CAEs-LSTM模型与支持向量机、LSTM以及宽深度卷积神经网络进行对比,CAEs-LSTM模型的平均精度均值和曲线下面积值均最优。仿真实验表明,基于CAEs-LSTM模型的窃电检测方法具有更高的窃电检测效率和精度。     

基于遗传算法的直流伺服系统参数辨识及摩擦补偿控制

针对静态摩擦力对数控机床直流伺服系统的干扰问题,提出了一种先利用遗传算法对静态摩擦模型中的参数进行辨识,然后采用基于摩擦模型补偿的伺服控制方法。该方法首先根据直流伺服系统的摩擦特性建立摩擦模型,再将摩擦补偿引入到直流伺服系统的反馈控制结构中,获取伺服电机的位置误差。采用遗传算法对摩擦补偿模型进行参数辨识,使摩擦补偿量在数值上不断逼近实际的摩擦干扰,并利用摩擦补偿量来抵消摩擦给伺服系统带来的影响。为了验证参数辨识的效果,将普通PD控制与基于摩擦补偿的PD控制进行了仿真比较,实验结果表明,后者能够消除由于静摩擦的存在而造成的位置跟踪中出现的平顶现象,能够达到理想的跟踪效果。因此,本文所提出的方法具有较强的摩擦干扰补偿能力,能够实现对直流伺服系统的精确控制。     

基于改进Camshift算法的钻杆计数方法

针对采用传统的Camshift算法跟踪钻杆机器时相似颜色物体间易产生干扰的问题,提出了一种基于改进Camshift算法的钻杆计数方法:使用改进的Camshift算法实时捕捉钻杆目标,并且通过设置锚点以及判断时间间隔来进行钻杆计数。改进的Camshift算法采用模版匹配的方法定位跟踪目标,智能地选择合适的方法提取颜色直方图,并引入粒子滤波器,通过一定机制与纹理特征相结合,得到跟踪目标在下一帧的准确位置。实验结果表明,改进后的算法解决了相似颜色干扰问题,并且在部分遮挡条件下仍能够准确跟踪目标,从而实现对钻杆的准确计数。     

带式输送机状态监控系统实验平台设计与实现

为了对带式输送机运动学和动力学特性、控制方法以及故障在线监测进行深入研究,建立了集特性测试、监测监控、实时防护、预知维护等于一体的带式输送机实验研究系统,保证带式输送机高效、节能、安全运行.     

基于YOLOv7-SE的煤矿井下场景小目标检测方法

目前的小目标检测方法虽然提高了小目标检测效果,但针对的多为常规场景,而煤矿井下环境恶劣,在井下小目标检测过程中存在小目标特征信息提取困难的问题。针对上述问题,提出了一种基于YOLOv7-SE的煤矿井下场景小目标检测方法。首先,将模拟退火（SA）算法与k-means++聚类算法融合,通过优化YOLOv7模型中初始锚框值的估计,准确捕捉井下小目标;然后,在YOLOv7骨干网络中增加新的检测层得到井下小目标高分辨率特征图,减少大量煤尘对井下小目标特征表示的干扰;最后,在骨干网络中的聚合网络模块后引入双层注意力机制,强化井下小目标的特征表示。实验结果表明：(1) YOLOv7-SE网络模型训练后的损失函数值稳定在0.05附近,说明YOLOv7-SE网络模型参数设置合理。(2)基于YOLOv7-SE网络模型的安全帽检测平均精度（AP）较FasterR-CNN, RetinaNet, CenterNet, FCOS, SSD, YOLOv5, YOLOv7分别提升了13.86%, 25.3%,16.13%,12.71%,15.53%,11.59%,12.20%。基于YOLOv7-SE网络模型的自救...     

带式输送机拉紧装置张力的灰色预测PID控制

针对带式输送机拉紧装置张力控制系统的非线性和时变性,基于灰色预测PID控制理论设计了拉紧装置的张力控制系统。建立的灰色系统模型可以描述被控对象的不确定性和不完全性,灰色预测PID控制以系统的行为数据为采样信息来获取系统的发展规律,并根据系统未来的行为趋势确定系统的超前控制量。仿真分析和实验结果均表明,灰色预测PID控制具有响应速度快、控制精度高、鲁棒性强、抗干扰能力强等优点,其能够很好地满足带式输送机拉紧装置张力控制系统动态性能的要求。