基于改进MobileFaceNet的人脸识别方法北大核心

针对目前大多数人脸识别算法参数多、计算量大,难以部署到移动端和嵌入式设备中的问题,提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整,将bottleneck模块优化为sandglass模块,改良深度卷积和逐点卷积的相对位置,适当增大sandglass模块的输出通道数,从而减少特征压缩时的信息丢失,增强人脸空间特征的提取。实验结果表明:改进后的方法在LFW测试数据集上准确率达99.15%,模型大小和计算量分别仅为原算法的61%和45%,验证了所提方法的有效性。     

基于超声导波SC-DTW的金属板微损检测方法

针对金属板材的质量控制与服役性能评估问题,在对金属板材微损伤进行超声导波检测的基础上,结合形状上下文(shape context,SC)与动态时间规整方法对其损伤劣化程度进行量化评估.该方法以无损Lamb波信号为基准,采用动态时间规划(dynamic time warping,DWT)算法对损伤信号进行相似匹配分析对比,确定基准信号与损伤信号的最佳匹配路径.引入SC的轮廓识别方法对Lamb波的局部波形信息进行统计分析,以波形形状距离代替传统欧氏距离匹配方法,解决DTW相似匹配中的病态对齐问题.最后,将无损Lamb波与损伤Lamb波信号间SC-DTW匹配距离作为损伤程度的量化指标,采用随机闭合裂纹的有限元仿真模型和铝板弯折实验对所提出方法进行验证,结果表明,基于Lamb波SC-DTW的损伤量化指数对铝板早期裂纹具有较高的敏感性和较好的量化表征能力.该方法无需对波包进行识别,也不必进行复杂的特征提取,具有简单高效和抗噪声能力强等优点,在金属板服役性能评估与质量控制中有较好的实用性和推广价值.     

“半翻转”教学模式下评价指标体系研究与实践

研究基于“半翻转”教学模式的线上教学评价指标体系,包括课前活动开展、课中教学活动设计、课后任务以及基于此过程中的评价指标体系设计。最后通过层次分析法设计评价指标权重,设计评价算法得到动态评价结果。该评价指标体系应用在本专业“数据结构与算法”课程中,并得到良好的应用效果。     

动载作用下铁矿石能量耗散规律及破坏特征试验研究

为研究攀枝花铁矿开采境界内铁矿石的动力学性能,利用动静组合分离式霍普金森杆实验系统,开展 4 种典型铁矿石的动态单轴压缩试验。 以动态强度、能量耗散、碎屑分布为切入点,分析 4 种矿石的动力学响应特征。 试验结果表明:4 种铁矿石的动态强度均具有明显的率效应,随冲击速率的增加而增大;所研究冲击速率范围内,中低 品位铁矿石的动态强度显著大于高品位铁矿石和表外矿的强度;随着冲击速率的增加,单位体积耗散能随之增大,且 单位体积耗散能的增加幅度与铁矿石的品位相关;基于分形理论分析 4 种铁矿石破坏后碎屑块度的分形维数,发现碎 屑块度的分形维数随冲击速率增大而增加;最后,分析了单位体积耗散能与分形维数的关系,发现二者呈现非线性正 相关关系。     

基于小波分析的水质变化及预测研究——以涡河为例

以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。     

能耗优化的神经网络轻量化方法研究进展

近年来，神经网络在语音识别、计算机视觉、自然语言处理等领域都取得了良好的进展.大量的神经网络被部署于诸如手机、摄像头等依赖电池或太阳能供电的小型设备.但神经网络参数量大计算复杂，需占用大量计算资源并消耗电能，从而限制了其在资源受限平台上的应用.学术界和工业界逐渐关注于神经网络的高能耗问题.神经网络轻量化方法可以有效地减少参数数量、降低参数精度或优化计算过程从而降低神经网络能耗.本文从能耗优化的角度梳理了神经网络能耗估算方法和神经网络轻量化方法的基本思路，综述了近年来该领域主要研究成果，并提出了能耗估算和能耗优化的神经网络轻量化方法存在的挑战及进一步研究的方向.其中神经网络能耗估算方法包括测量法、分析法和估算法.能耗优化的神经网络轻量化方法包括剪枝、量化、张量分解和知识蒸馏.对于进一步研究方向我们认为，首先需要建立可自适应网络类型的能耗模型；然后需要考虑平衡精度和能耗的轻量化方法.其次需要实现硬件平台可泛化的轻量化方法；最后开发搜索空间可约束的轻量化方法.     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。