一种基于深度学习算法的隧道裂缝智能检测系统

<正>现阶段,隧道结构作为隐蔽工程,其特点在于所处的外部环境复杂多变,受力情况复杂,隧道的结构安全性和稳定性受到影响。而国内铁路对隧道衬砌病害的检测工作,是通过人工检查完成的。依靠人工进行检测,要求检测人员具有专业性,检测工作是以人员主观判断为主,很难保证检测工作的准确性以及检测效率。同时受复杂的客观条件影响,例如：恶劣天气、照明、目视距离等,加大了人工检测的难度,     

一种基于深度学习的手语词识别算法

手语在聋哑人与外界的沟通中扮演着极为重要的角色,承担着信息传递和情感交流的职能.手语识别研究旨在通过计算机视觉技术,将聋哑人所用的手语转换成文本或语音的形式,降低聋哑人与外界交流沟通的难度.本文对手语词识别算法进行研究,采用深度学习的卷积神经网络CNN模型和YOLOv5模型对数字手势和简单的手语词进行识别.本系统实现了...     

一种基于数据流的异常值检测改进算法

<正>相当长一段时间,人们仅仅关注数值和字符,对于数据的概念并不像现在一样清晰。相比现在来讲,过去从数字中发现统计数值的根本原因非常有限。然而现在的数据流经常是多维度的,这种特点与从前大不相同。有时候我们会对这些持续的、快速产生的数据流进行挖掘分析,从而获取其中有用的信息。在进行数据挖据的过程中,并不是所有的数据流都可以     

一种基于图学习的异常轨迹检测模型

<正>随着人工智能技术和传感器技术（如GPS）的普及,移动轨迹数据（如车辆轨迹数据）以前所未有的规模产生,轨迹数据包括了交通出行的时间和位置信息,反映了各种各样的交通模式和出行特征。对轨迹数据进行分析已经成为一个热门的研究领域,它有着广泛的应用基础,如交通流量预测、地图匹配、轨迹相似性计算和轨迹出行方式识别等应用。     

一种面向数据核特征的复杂网络异常检测算法

针对传统异常检测算法存在复杂小样本情况下训练精度高,预测精度低的过拟合缺陷,出现误报和漏报现象,提出一种面向数据核特征的复杂网络异常检测算法。网络异常数据核特征判别技术是一种针对复杂小样本异常特征的线性判别的非线性扩展。算法根据最大化网络复杂异常类间离散度和最小化类内离散度的准则,寻找原始向量的最优投影方向,使各异常数据类之间最大程度地分离,从而达到正确的检测。仿真实验结果表明,本文的方法相对于传统的支持向量机法和高斯混合模型方法,具有较高的识别率和较快的训练速度。     

基于大数据深度残差学习的特征提取算法

针对当前算法在进行目标数据特征提取时存在提取准确率不高、效率低、特异性和灵敏度较差,以及网络节点能耗较高的问题,提出一种基于大数据深度残差学习的特征提取算法,将深度学习的灰色神经网络与残差学习方法进行有机结合,求得了深度残差学习网络模型的微分方程以及时间响应公式,并计算了网络初始权值和阈值;根据深度学习的灰色神经网络拓扑结构获得深度残差学习网络各层的输出参量,采用误差反向传播方法和附加动量法对深度残差学习网络的阈值和权值进行实时更新和调整,完成深度残差学习的网络模型构建,并采用模型精度和后验差比值对该模型进行精度检验,将经过检验合格的网络模型用于目标数据特征提取。通过多组实验测试,证明所提算法相比于其他对比算法有效减少特征提取错误率、提高了执行效率,具有较高的灵敏度和特异性,大大减小了网络节点总体能量消耗,延长了网络生存寿命。     

基于深度学习的风机叶片裂纹检测算法

风电机组叶片裂纹问题对机组正常安全运行会产生严重影响。为对风电机组叶片损裂状态进行有效检测,基于风场大数据,提出了一种基于深度学习区域卷积神经网络(Cascade R-CNN)的风机叶片裂纹检测方法。并通过对数据集进行图像增强、选取ResNeXt-101作为特征提取网络、在特征提取部分加入特征金字塔网络(Feature Pyramid Networks,FPN)等改进方式进行优化。实验结果表明,所提方法都能有效的提高风机叶片裂纹检测的准确率,精度共提升了10%,本文还与目前主流的目标检测算法如Faster-RCNN等进行对比,实验结果表明,本方法识别精度更高,检测速度与其他方法基本持平。     

一种基于PWM算法的光伏逐日控制系统

<正>随着时代的进步和科学技术的快速发展,全球各国对能源的需求迅速增加。由于各国对不可再生能源尤其是石油产生了过度依赖,使得全球范围内的不可再生资源的存储量急剧减少,各国甚至将一些不可再生资源甚至视为战略资源。由于化石燃料的大量使用导致全球的大气环境每况愈下,其中汽车尾气是最大的污染源之一。乌克兰危机的不断升级扼住了欧洲的能源“咽喉”,同时也引爆了全球的粮食、     

一种基于数据立方体的数据泛化算法

随着计算机网络技术的发展,对在线分类挖掘要求不断提高,因此为提高分类挖掘效率提出一种泛化算法,可将数据立方体技术与面向属性归纳方法的泛化策略进行有机结合,使聚合运算量有效降低,明显提高运算效率。     

一种基于深度学习的道路交叉口车辆排队长度检测方法

<正>随着智能交通系统的逐渐成熟,现在的交通信号控制机可以根据交叉口的实时车流量等交通数据优化信号灯配时,以减少拥堵、降低碳排放。在交通参数中,排队长度表示在交叉口排队的车辆所占道路的长度,不仅可以表征实时交通状态,同时也是评估交叉口拥堵的重要指标。但是排队事件涉及车辆多,车辆运动状态复杂,因此对排队长度的检测一直是该领域的研究热点。利用道路监控视频信息对交叉口排队长度进行检测具有重要的理论意义和实用价值。     

一种新的基于邻居样本分布特征的异常值检测算法研究

在数据挖掘领域中,研究的重点之一为异常检测技术。针对数据挖掘中实际采集到的样本数据受众多因素的影响所出现的异常值,本文提出一种新的基于邻居样本分布特征的异常检测算法,该算法通过引用邻域的概念能够处理混合属性的数据集,并且单纯考虑一个样本的的邻域大小和样本的邻域密度不能合理的反映该样本的异常程度,该算法考虑邻域中的所有样本。仿真实验结果表明,在处理混合数据中本文提出的数据异常检测算法相较其他异常检测算法有明显的优势。     

一种基于深度学习的交通流预测方法

<正>智能交通系统（Intelligent Transportation System,简称ITS）是指将先进的计算机,电子信息,传感器等技术运用于交通运输控制与决策中,以构建更加安全高效的交通运输环境。在ITS的构建中,运用大数据进行短时交通流预测起着重要作用。实现短时交通流的预测,可以帮助交管部门对复杂的交通状况进行监测和预测,以便及时采取措施展开交通管理和疏导;也可帮助出行者了解实时交通运行状态并作出合理安排,对交通拥堵的改善具有积极影响。因此,本文将道路短时交通流的预测作为研究对象,建立多因素复杂交通环境下的车流量预测模型。     

基于改进聚类算法的卫星数据异常检测模型

利用数据挖掘技术对Demeter卫星数据进行分析从而发现异常数据已成为当前研究的重点,为了进一步提高异常数据发现的质量,本文提出了一种改进的聚类算法,对Demeter卫星电场数据进行异常检测,该算法首先将数据随机取样,引入信息熵理论,对PAM算法进行改进,并对卫星数据进行划分,以找到聚类中心,最后对改进算法进行了分析与比较,实验结果证明了算法的有效性。     

一种基于行人检测的口罩佩戴检测算法

<正>当前新冠疫情防控形势依然严峻,佩戴口罩被证明可以有效抑制疫情传播,因此在人员密集的公共场所佩戴口罩十分重要。基于计算机视觉的口罩佩戴检测算法可以自动检测人员是否佩戴口罩,相比人工检测能够大大提高效率。这些算法主要分为两大类：一类是主动场景下,通常是采集单一人脸图像使用图像分类算法判断是否佩戴口罩;另一类是被动场景下,通常采用目标检测算法定位图中所有人脸并分类从而判断每个人脸是否佩戴口罩。     

基于深度学习的雾检测方法

雾是一种对交通运输和物流有着重大影响的气象现象。能见度的降低会导致延误、经济损失甚至生命损失。本文首先综述了雾天条件下能见度距离估计的研究现状。然后,我们提出了一个基于深度卷积神经网络的使用视频图像估计能见度距离的方法。我们使用多组不同雾浓度情况下的视频图像对所提出的解决方案进行评估。实验表明,所提出的解决方案在FROSI数据集上获得了令人满意的性能。     

一种新的基于类内不平衡数据学习支持向量机算法

本文以不平衡支持向量机算法为基础,有效应用以往样本集中类内结构信息数据,重点对不平衡数据集进行研究和分析,并提出新的不平衡支持向量机算法,新的算法以类内离散度为基础,仿真实验数据结果证明,经过改进的算法非常有效,可进一步提升G-means值和SE值。     

一种基于改进的无监督深度学习自编码方法

针对传统的Auto Encoder方法在全局特征提取上的高性能以及在图像识别上的重要性,本文提出了一种基于无监督局部深度特征学习的改进方法。首先对训练图像进行局部分块处理,其次采用Auto Encoder方法设计自编码网络进行深度训练,并使用费舍尔向量结合空间金字塔匹配算法进行特征提取,最后通过线性SVM分类器来提高图像识别的准确率。实验结果表明:在MNIST数据集上,本文改进方法运算速度更快,更节约内存,同时具有更低的错误率。与传统方法相比,本文改进方法具有更好的准确性,鲁棒性。     

一种基于无线传感器网络应用的数据融合算法

数据融合是无线传感器网络(WSN)的一个关键技术,目的是减少传感器节点间的数据传输量,降低整个网络的能量消耗和数据冲突,延长全网的生命期.文章针对WSN中数据融合与传统的多传感器数据融合进行比较,介绍了WSN中数据融合的原理和方法,并基于森林防火和贝叶斯方法相结合提出了一种无线传感器网络数据融合的应用,最后给出了WSN...     

基于改进遗传算法的光纤网络异常数据检测

只有对光纤网络异常数据快速有效的检测,才能保证光纤网络的正常通信。传统方法依据特征相似性进行光纤网络异常数据检测,当特征过于相近时,需添加很多模糊条件,导致实现过程复杂,效率低下,因此,提出一种基于改进遗传算法的光纤网络异常数据检测方法,通过调整交叉概率和变异概率改进遗传算法,避免算法陷入局部最优解。依据对遗传算法的分析,将光纤网络异常数据检测的问题转换成求取最优解的问题,采用改进遗传算法实现了对光纤网络异常数据的检测,并提出详细的遗传操作及实现过程。实验结果表明,该方法检测效果良好,检测效率及检测精度均高于传统算法。     

基于改进的K-means算法的异常检测

聚类算法通常用于数据的聚类。除此,它还可以用于异常数据的检测。首先介绍了基于划分的聚类算法K-means,然后给出改进算法I-K-means的算法描述,最后通过实例进行异常分析。