基于深度学习的红外图像人体参数识别研究

根据人体热舒适评价标准,除了热环境参数以外,人体参数(活动状态和着装情况)显著影响人体热舒适度.传统的建筑环境控制系统一般按照设定的热环境参数进行调控,无法根据实时人体参数进行优化设置,如此难以满足人体个性化热舒适的要求.文中提出基于深度学习的红外图像人体参数识别技术,通过建立一个按照人体活动状态和着装情况分类的红外图像数据集,对LeNet和ResNet两种深度学习神经网络进行识别训练,并对比分析两种神经网络的识别性能.结果表明,ResNet神经网络的识别性能明显优于LeNet神经网络,人体活动状态和着装情况的识别率分别能达到80%及90%以上.因此,基于深度学习的红外图像人体参数识别技术具有较大应用潜力,未来通过应用于建筑环境控制系统,可以显著提高个人热舒适度.     

深度学习研究综述

鉴于深度学习在学术界和工业界的重要性,依据数据流向对目前有代表性的深度学习算法进行归纳和总结,综述了不同类型深度网络的结构及特点.首先介绍了深度学习的概念;然后根据深度学习算法的结构特征,概述了前馈深度网络、反馈深度网络和双向深度网络3类主流深度学习算法的网络结构和训练方法;最后介绍了深度学习算法在不同数据处理中的最新应用现状及其发展趋势.可以看到:深度学习在不同应用领域都取得了明显的优势,但仍存在需要进一步探索的问题,如无标记数据的特征学习、网络模型规模与训练速度精度之间的权衡、与其他方法的融合等.     

基于深度学习的手绘草图识别

现有的手绘草图识别方法严重依赖于费时费力的手工特征提取,而经典的深度学习模型主要是为彩色多纹理自然图像设计,用于识别手绘草图时效果不甚理想。本文提出了一种基于深度学习的手绘草图识别方法(Deep-Sketch) ,该算法根据手绘草图缺失颜色、纹理信息的特点,使用大尺寸的首层卷积核取代自然图像识别中常使用的小尺寸首层卷积核,获得更多的空间结构信息。利用训练浅层模型获得的模型参数来初始化深层模型对应层的模型参数,以加快收敛,减少训练时长。加入不改变特征大小的卷积层来加深网络深度等方法以减小错误率。实验结果表明,本文所提出的方法较之其它几种主流的手绘草图识别方法具有良好的正确率,对250类手绘草图识别正确率达到69.2%。     

基于深度学习的棉花品种识别

棉花作为我国最主要的农产品之一,不仅具有不错的观赏价值,更重要的还是工业原料。棉花的花型不 同于其他花卉种类,且不同种类其纤维长度还有所差异。为了解决棉花人工区分效率低的问题,本文基于深度学 习方法,以棉花原始的图像数据作为研究对象,通过多层网络学习棉花的特征信息,更加精确区分不同类型的棉 花种类。试验结果表明：本文所提出的卷积神经网络 CNN-CSC 模型相较于传统机器学习方法识别精度提升大约 15%,平均精度达到 89.17%,为棉花的自动化管理提供了一种有效的手段。     

基于Matlab-GUI数控机床热误差补偿的仿真系统

为了使数控机床加工精度得以提高,对数控机床热误差补偿系统进行研究。在建立基于BP神经网络数控机床热误差补偿模型的同时,运用Matlab-GUI工具设计了具有通用性交互式数控机床热误差补偿的仿真系统,该系统可使热误差补偿更具有实时性、在线高效性和补偿系统操作可视化。     

基于注意力机制的视觉位置识别方法

针对现有的视觉位置识别方法在图像外观变化和视角变化时准确性和鲁棒性表现不佳的问题,提出了一个与注意力机制结合的视觉位置识别方法。首先,采用在大型位置数据集上预训练的卷积神经网络HybridNet提取特征。然后,运用上下文注意力机制对图像不同区域分配权重值,构建基于多层卷积特征的注意力掩码。最后,将掩码与卷积特征结合,构建融合注意力机制的图像特征描述符,从而提高特征的鲁棒性。在两个典型位置识别数据集上做测试实验,结果表明结合注意力机制的方法可以有效区分图像中与位置识别有关的区域和无关的区域,提高在外观变化和视角变化场景中识别的准确性和鲁棒性。     

基于深度学习的钝体断面外形气动性能高效预测方法

对于气动性能,钝体断面的气动外形非常重要,采用传统风洞试验及CFD模拟计算得到钝体断面气动性能需消耗大量时间,大大影响钝体断面气动外形的气动性能评估效率。通过卷积神经网络深度学习技术实现对气动性能的快速预测,深度学习模型训练完成后,输入形状信息和与形状相关的流场信息,即可输出不同几何形状下的阻力系数,进而得到钝体断面的气动性能。为寻找性能最优的深度学习模型,通过综合判定误差和参数量大小对卷积神经网络结构的深度和宽度进行优化。对深度学习模型输出阻力系数与CFD计算结果进行对比发现,误差符合预期要求,并且相较于传统方法,基于深度学习网络的预测所需时间达到数量级的提升,未来可作为钝体断面气动外形优化的关键方法。     

基于深度学习的面部微表情识别

微表情图片具有高度的相似性和密集性的细节信息,传统的微表情识别主要采用手工制作的方法,其识别种类与识别精度均无法满足精确的特征提取训练,因此提出一种深度学习方法,可以有效解决微表情识别在种类数量、准确度和速度上的问题.采用数据增强后合成的图像训练数据集,以处理后的数据集来训练卷积神经网络CNN模型.实验结果证明了所提出...     

基于粗糙集与偏相关分析的机床热误差温度测点约简

为了合理减少温度测点数量并有效提高温度数据采集与分析的效率,提出了一种基于粗糙集与偏相关分析相结合的温度测点约简方法。首先,利用偏相关分析的方法建立了温度变量与主轴热误差之间的偏相关系数,并以此为依据辨识了主要的敏感温度变量。然后,在基于粗糙集理论获取的可行温度测点组合基础上,筛选出包含敏感温度变量最多及偏相关度高的温度测点组合。最后,建立了热误差线性回归模型,并在某型号数控机床上进行验证与分析。结果表明：温度传感器测点可由22个减少到6个,在很大程度上提高了热误差模型的精确性和鲁棒性。     

基于自注意力深度学习的微博实体识别研究

命名实体识别是自然语言处理的重要基础,随着神经网络的快速发展,深度学习的各种方法被应用于文本处理的各个方向。引入自注意力机制,结合深度学习方法,提出一种基于自注意力的双向长短期记忆条件随机场(SelfAtt-BiLSTM-CRF)方法来识别微博中的实体,利用自注意力机制,获取词与词之间的依赖关系,进一步提高模型的识别能力。实验表明,所提出的方法取得了较好的识别效果。     

机床热变形的研究现状

总结并分析了国内外减小机床热变形的一些新方法 ,为研究减小机床热变形提供了新思路。     

数控车床主轴热误差SHO-LSTM预测建模

在高精度加工过程中,数控机床主轴误差对加工精度的影响较为严重。数控机床热误差占总误差比例高达40%~70%,是主要的误差源之一。为了提高热误差预测的精度,提出了一种使用海马优化算法(SHO)优化时序预测网络(LSTM)的精密车床主轴热误差预测建模方法。首先,利用羚羊优化算法(GOA)对模糊C均值聚类(FCM)的模糊矩阵常数、最大迭代次数、迭代终止条件进行优化并结合Person、Spearman和Kendall相关分析方法优化温度测点,使用手肘法确定最优分组规模。根据DB、BWP和Silhouette聚类评估指标评估温度测点聚类效果。其次,以车床主轴五点法获取的热误差数据和优化后的温度数据作为输入,使用SHO对LSTM的隐含层节点、全连接层节点、学习率、L2正则化常数进行优化,并使用S折交叉试验方法确定最优分组规模,建立主轴热误差SHO-LSTM预测模型。再次,在不同转速下对构建的热误差模型进行基于平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE的预测效果进行评估。最后在CKA6163A型车床上进行实例验证,使用五点法进行测量辨识,同时测量主轴附近的温度。实验结果表明：所提出的温度测点优化算法相比未优化的模糊C均值聚类(FCM)的DB指标降低了89%,BWP和Silhouette分别提高了59%和8.17%,对比结果表明优化后的聚类算法可有效降低温度测点间的共线性,提高预测模型的预测效率。所提出的海马优化算法(SHO)优化时序预测网络(LSTM)与未优化的时序预测网络(LSTM)相比,所提出的预测网络的均方根误差RMSE降低了42%,表明海马优化算法(SHO)可以提高时序预测网络(LSTM)的准确性;与天鹰(AO)优化卷积神经网络(CNN)相比,所提出的预测网络的均方根误差RMSE降低了3%;与反向传播神经网络(BP)相比,所提出的预测网络的均方根误差RMSE降低了57%,对比结果表明SHO-LSTM主轴热误差预测模型的鲁棒性和准确性更高。     

数控机床热误差的时序分析法建模及其应用

提出了采用时间序列分析法进行机床热误差建模的基本原理及方法,及其在数控机床热误差补偿建模中的应用。利用实测的热误差序列进行时序分析识模、建模和预报。再通过由微机结合机床控制器构成的补偿系统,利用所建立的时序分析模型,经过微机算出补偿值并送入机床控制器对刀架进行附加进给运动完成实时补偿。实验结果表明,可将工件的尺寸变化从原来的25 μm以上降到10 μm以内,大幅度提高了机床的加工精度,从而论证了时序分析法在数控机床热误差建模应用中的可行性与有效性。     

基于多体系统理论的数控机床加工精度预测系统

研究了基于多体系统理论的数控机床加工工件表面建模和加工精度预测建模的机理,基于虚拟加工技术,开发出了数控机床加工精度软件预测系统.最后,为了验证开发的精度预测系统的有效性,在对包括几何误差、热变形误差和力变形误差在内的机床综合误差进行检测和辨识的基础上,进行了加工精度预测仿真.     

机床热误差补偿建模方法研究

在机床热误差补偿技术研究中,热误差鲁棒建模是机床热误差补偿的成功关键之一。对国内外几种主要的热误差建模方法进行了较为深入的分析研究,比较了不同方法各自的优缺点,并针对缺点介绍了一些改进方法。在此基础上,总结归纳了目前研究存在的问题,并对未来的发展方向进行了探讨。     

基于灰色系统的机床热误差建模研究

针对机床加工过程中的热变形误差受多因素影响,变化趋势复杂,难以用常规预测方法进行有效预测的问题,该文提出了一种新的基于改进灰色系统的智能预测模型。该模型利用函数变换法改善灰色系统数据序列的光滑度,采用等维新陈代谢法克服了传统的灰色预测模型的不足,所建模型具备了输入数据动态更新的能力,预测更趋于合理。将该模型应用于工厂现场的一台数控车削加工中心进行热误差趋势的预测,从而实现热误差的补偿研究。研究表明,该模型的预测性能优于全数据GM(1,1)模型和新信息GM(1,1)模型,是运用灰色系统理论进行机床热误差补偿建模最理想的模型,具有优异的补偿功能,能够有效的提高机床加工精度。     

开放式数控切割机神经网络误差补偿研究

分析了影响数控火焰切割机加工精度的主要因素,利用开放式数控系统的软件开放性,提出了采用IGCAQBP学习算法的神经网络方法来对包括金属热变形、机械传动误差等非线性因素在内的多种因素造成的加工误差进行误差补偿,设计了嵌入开放式数控系统中的神经网络误差补偿器,给出了实用的补偿器使用方法,并对误差补偿功能进行了扩展,仿真结果和实际应用表明该方法稳定有效。     

精密车削中心热误差和切削力误差综合建模

热误差和切削力误差是影响数控机床精度的最重要的两个误差源,误差补偿技术是一种消除机床误差经济有效的方法,而有效的误差补偿依赖于准确的误差模型.在对切削加工过程中的热变形和切削力分析的基础上,选取合理的参量,采用BP神经网络和PSO算法相结合的优化方法建立了热误差和切削力综合模型.BP-PSO建模方法改善了网络模型的收敛速度和预测精度.基于所建误差模型,对一台精密车削中心加工实时补偿后使得径向加工误差从27 μm提高到8 μm,大大提高了车削加工中心的加工精度,验证了模型精度.