基于特征增强与时空信息嵌入的涡扇发动机剩余寿命预测

针对现有的剩余寿命预测方法对原始数据利用率不高以及多维数据特征提取能力不足的问题,提出了一种基于特征增强和时空信息嵌入的卷积神经模型。首先,通过特征增强模块在原始数据基础上进一步提取工况特征与手工特征作为辅助特征;其次,提出了时空嵌入模块,对原始数据进行时空信息编码以嵌入时间序列信息和空间特征信息;最后,拼接上述特征并通过回归预测模块捕获数据内在关系得到回归预测结果。在通用的涡扇发动机模拟数据集(C-MAPSS)上对该模型预测效果进行了测试。实验结果表明,与现有主流深度学习方法相比,该模型在四个子集上的均方根误差平均减少了8.8%,且在多工况的运行条件和故障类型下,其预测精度均优于现有先进算法,充分证明了该模型在涡扇发动机剩余使用寿命预测方面的有效性和准确性。     

基于混沌优化的自适应中值滤波

提出了用混沌优化的方法进行自适应中值滤波。该滤波是在自适应中值滤波的基础上,将混沌优化与E-中值滤波结合起来输出最佳值。仿真结果表明,这种中值滤波不仅去噪效果较好,而且对噪声污染严重的图像也能很好地保护图像的细节。     

浅谈板式家具产业现状

工业设计是目前整个家具行业的薄弱环节，只有彻底认识和掌握工业化系统设计，才能使我国家具产业快速升级，它是产业进步的必由之路，也是从根本上解决我国家具产业落后的唯一出路。     

试论林区剩余物的加工利用

阐述了林区剩余物加工利用的迫切性与重要性，目前剩余物加工利用存在的问题，以及剩余物加工利用的有效途径。     

基于多尺度特征和注意力机制的航空图像分割

利用神经网络能通过进行建筑像素标记实现航空图像分割,但也存在分割边界模糊的问题,导致分割结果不理想.为此,本文以卷积神经网络U–net和FCN–8s基本网络模型,实现端到端训练.在此基础上,结合建立了全卷积神经网络结合多尺度特征和注意力机制的网络模型,提升了分割边界的清晰度.将多尺度特征和注意力机制的模型与基本模型进行对比,分析了真实与预测之间的相关度和相似度,并将预测结果进行对比.实验结果表明,结合多尺度特征和注意力机制的分割模型,分割边界更清晰,相对于相同训练规模的全卷积网络交并比高2%, Dice系数高3%,得到较好的分割结果.     

基于改进Mask R-CNN的生活垃圾检测

近年来,人们对于垃圾的分类与回收越来越重视,但垃圾分类耗费了大量的人力和物力且分拣效率低下。针对基于矩形边界框的垃圾检测方法在多分类环境下效果不够理想等问题,提出了一种基于改进Mask R-CNN算法的生活垃圾检测模型。该模型摒弃了传统的ResNet,采用改进的ResNeXt101 作为主干网络进行特征提取,提高了目标检测的准确率和背景边界线分割的精确度。实验结果表明,与传统的Mask R-CNN算法相比,本文模型的mAP为91.1%,提升了2.35%;与当前流行的目标检测模型进行了对比,本文模型的分类准确率和分割精确度均表现优异,表明了所提模型在垃圾检测任务中的可行性与有效性。     

基于滑动门中心点计算的K均值聚类并行算法研究

随着GPU硬件设备的普及和GPGPU技术的快速发展,越来越多的研究人员投入到GPGPU的研究当中。当前,GPU具有很强大的并行计算能力、浮点运算能力、计算单元集成能力等特点,显示出了GPU在并行计算领域的巨大潜力。CUDA是由NVIDIA公司提出的一种利用GPU进行并行计算的架构,CUDA使得GPU具有友好的可编程性,为研究人员能够在GPU上实现各种领域的科学计算提供了方便的途径。K均值聚类算法由于其概念简单,易于实现等优点成为并行计算研究的一个热门方向。对于K均值并行算法的研究,有基于8核CPU并配备FPGA加速板的方法,但对于一个需要启动数千个线程的复杂模型,基于传统CPU并行计算方法难以实现;也有使用CUDA并行计算平台对K均值聚类算法进行处理,但处理算法时通常忽略对CUDA平台上K均值聚类算法自身的优化。基于以上缺陷,介绍K均值聚类算法的同时对算法在CUDA平台上进行了相应优化,特别针对更新中心点的耗时问题,提出了一种基于滑动门中心点计算的K均值聚类并行计算。实验结果表明,当聚类数较多时,相对于传统的更新中心点算法,基于滑动门中心点并行算法的效率更高。     

表面修饰氧化石墨烯纳米带增强PMMA的研究

以多壁碳纳米管(MWNTs)为原料,使用纵向氧化切割法制备了氧化石墨烯纳米带(GONR),通过物理吸附作用制备了聚醚型苯并咪唑(OPBI)非共价修饰GONR(FGONR)。采用溶液浇注法制得了聚丙烯酸甲酯(PMMA)/FGONR复合材料薄膜,对FGONR及其PMMA复合材料的结构与性能进行了研究,同时对比了以MWNTs,GONR,OPBI改性MWNTs(FCNTs)增强的PMMA复合材料的力学性能。结果表明:OPBI成功地物理吸附到GONR的表面,且FGONR在PMMA中具有良好的分散性能;在PMMA/FGONR复合材料中,当FGONR的质量分数为0.5%时,复合材料的拉伸强度达到49.50 MPa,杨氏模量达到2.27 GPa,其增强效果比MWNTs,GONR,FCNTs的要好,FGONR有望作为制备高性能复合材料的一种良好的纳米填料。