基于IIGA-BP神经网络的钢材销售预测模型

为克服传统BP神经网络(BP Neural Network,BPNN)在销售预测中,预测精度低、收敛速度慢的缺点.提出了一种基于改进免疫遗传算法(Improved Immune Genetic Algorithm,IIGA)优化BP神经网络的销售预测模型.改进的免疫遗传算法提出了新的种群初始化方式、抗体浓度的调节机制及自适应交叉算子、变异算子的设计方法,有效的提高了IIGA的收敛能力和寻优能力.并用IIGA优化BPNN的初始权值和阈值,改善网络参数的随机性导致BPNN输出不稳定和易陷入局部极值的缺点.以某钢铁企业的历史销售数据为例进行实证研究,利用Matlab分别构建BP、IGA-BP和IIGA-BP神经网络预测模型进行仿真对比分析.实验证明,IIGA-BP神经网络预测模型较BP神经网络预测模型预测精度提高了23.82％,较IGA-BP神经网络预测模型预测精度提高了22.02％.IIGA-BP神经网络模型对钢材销售预测的泛化性能更好,预测效果更稳定误差基本保持在[0.25,0.25]之间,预测精度大幅度提高,为企业销售预测提供了一种较为有效的方法.     

斜轴式轴向柱塞泵装配序列规划和评价研究

为提高斜轴式轴向柱塞泵的装配质量,获得最优装配序列,引入层次化割集法规划装配序列.根据装配关系信息提取子装配体和聚族,构造层次关系树及联接关系模型,并通过可行性判断求解可行装配序列.综合考虑装配的复杂性、时间、成本等因素,从4个方面对可行装配序列进行综合评价,得到最优装配序列.层次化割集法解决了装配序列中的“组合爆炸”问题,提高了斜轴式轴向柱塞泵装配序列规划效率,为其装配工艺规划提供了依据.     

混凝土坝面作业场景智能识别ResNet50-SEMSF方法

为提高混凝土坝面作业场景识别工作效率,提出了一种混凝土坝面作业场景智能识别方法（ResNet50-SEMSF）。将采集的坝面施工现场监控视频分割为图像,分析混凝土坝面作业人、机、料、环境等实体要素图像特征,界定坝面作业典型场景;以残差网络（ResNet50）为骨干网络结构,引入挤压激励（SE）注意力机制,关注不同通道间特征关系,提升坝面作业场景图像中多目标实体要素关键特征表达能力;融合下采样多尺度特征,保留坝面作业场景图像低级特征和高级语义信息,增强模型对图像不同层次特征的理解能力,克服尺度变化、目标变形等问题。对比分析其他3种卷积神经网络模型试验结果,使用梯度类激活映射（Grad-CAM）可视化方法,解释ResNet50-SEMSF模型对场景类别中实体要素信息的关注程度。结果表明：ResNet50-SEMSF识别效果明显优于ResNet50、MobileNetV2、VGG16等经典网络模型,表明ResNet50-SEMSF模型用于混凝土坝面作业场景智能识别的可行性,为混凝土坝面施工安全管理工作提供参考。     

混凝土坝面交叉作业安全风险智能识别方法

为快速准确识别混凝土坝面作业风险，针对坝面交叉作业复杂场景特征，基于YOLOv8网络，提出了一种混凝土坝面交叉作业安全风险智能识别方法（YOLO-CDSRI）。首先，采用跨阶段局部网络（CSPNet）和快速空间金字塔池化模块（SPPF）构建主干网络，提高模型对图像中安全风险的态势感知能力。其次，针对小目标安全风险的误识别、漏识别问题，引入双向特征金字塔网络（Bi FPN），经双向跨尺度连接和加权特征融合，增强风险特征间的信息耦合，提升模型对小目标安全风险的关注度。最后，以Wise-IoU为边界框回归损失函数，结合动态非单调聚焦机制，利用“离群度”评估锚框质量，避免标注框几何因素对模型的过度影响。研究表明：经500次迭代训练，YOLO-CDSRI的综合性能优于YOLOv5s、SSD和Faster-RCNN模型，可为智能识别混凝土坝面交叉作业安全风险提供技术支撑。