基于Faster R-CNN的海底管道智能检测方法

为提高海底管道缺陷及组件的检测精度并实现智能化海底管道安全检测,提出一种基于快速区域卷积神经网络(Faster R-CNN)的海底管道智能检测方法。首先,通过基值校正和分段映射-伪彩色化方法,将漏磁检测信号转化为伪彩色图,以增强漏磁信号的关键特征;其次,基于多模态数据增强来提升检测模型的泛化能力;然后,基于多模态数据增强后的样本训练改进的Faster R-CNN网络,建立最优的智能检测模型;最后,以试验场和渤海在役管道为例,验证所提方法的有效性。结果表明：所提方法的平均检测精度可达93.8%,相较原始的Faster R-CNN算法提高8%,且平均交并比达到0.75,能够精准地实现海底油气管道多目标检测,保障海底管道的安全运行。     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多,导致存储和速度问题突出,很大程度上限制了其在一些硬件平台上使用的问题,基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构,构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据,采用数据增强的方法来增加数据量,制作火灾火焰图像数据集,形成学习样本,并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点,且具有良好的抗干扰能力,有效缓解了当前卷积神经网络中存在的存储和速度问题。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题,采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾,并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据,然后用PSO优化LSTM的隐藏层神经元个数和学习率,提高了LSTM的预测精度。通过与其他3种神经网络对比,PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿,可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。     

大坝变形GA-LSTM组合预测模型研究

为监测大坝运行过程中的异常状态,防范化解大坝溃坝等重大风险,基于大坝变形大样本、非线性监测数据,引入长短期记忆(Long Short Term Memory, LSTM)神经网络模型对大坝变形趋势进行预测,以测试样本的均方根误差最小为适应度函数,采用遗传算法(Genetic Algorithm, GA)优化LSTM模型参数,建立大坝变形GA-LSTM组合预测模型。以福建水口水电站大坝为例进行验证分析,并与LSTM模型和门控循环神经网络(Gated Recurrent Unit, GRU)模型预测结果进行对比分析。分析结果表明,GA-LSTM模型的预测效果和性能更佳,且相较于LSTM模型和GRU模型各测点预测误差均有减小,平均绝对误差减小量最高达6.92%。     

基于改进混合遗传-支持向量机的CMF产水预测研究

将模拟退火思想和加速遗传特性相结合,改进选择策略和遗传算子,建立加速遗传模拟退火算法（AGSA）;基于支持向量机（SVM）的非线性回归和改进混合遗传算法的因子筛选,构造了支持向量机模型参数的自适应优化算法,提出连续微滤系统（CMF）产水预测模型;通过实测中试规模连续微滤系统产水量变化对模型进行验证,结果表明：该模型较好...     

应用BP网络研究气候变化对雅砻江和嘉陵江流域水资源环境的影响

气候变化对水资源的影响是一个重要的环境问题,应用人工神经网络方法建立了雅砻江和嘉陵江流域年均气温、年降水量与年径流之间的BP网络模型,利用建立的网络结构模拟了气温和降水变化对流域水资源环境的影响,结果表明气温增高和降水量减少将造成水资源量的大幅度减少,对生态环境构成威胁     

基于人工神经网络模型的舰船防火设计方法

根据舰船实际和火灾理论,建立了舰船舱室火灾危险性的动静二类4个指标:失火危险性指标、舱室相关度指标、设备使用状态指标和人员状态指标,对舰船各种舱室的火灾危险性进行量化。笔者先给出规范中9类舱室的各指标值,应用笔者所开发的神经网络模型,建立舱室火灾危险性指标值与舱室分隔等级的关系模型,求出舱室防火分隔等级值,降低了对设计者经验的要求。运用开发的模型对某大型舱室进行防火设计,获得的结果与其他方法的结果基本一致,可供舰船防火设计时参考。     

基于BP神经网络的贵阳市空气质量指数预报模型

采用贵阳市2013年1月1日—2015年12月31日的空气质量指数(AQI)日均值,常规的地面和高空观测资料,基于不同季节,调整BP神经网络的隐藏层个数和隐藏层节点数,建立不同的BP神经网络预报模型,进行参数检验,最终选取预报效果最好的模型带入实况进行检验。结果表明,夏季的预报效果最好,采用的模型TS评分为81.6%,平均绝对误差为9.1,正确率为97.4%,用该模型检验预报效果,实况和预报的相关系数为0.71,平均误差为9;而冬季的预报效果明显低于其他季节,采用的模型TS评分为65.7%,平均绝对误差为19.5,正确率为72.9%,用该模型检验预报效果,实况和预报的相关系数为0.79,平均误差为19。而且BP神经网络模型的预报效果同隐藏层个数与隐藏层节点数没有显著关系。     

微重力波动与燃烧温度变化的研究

本文通过试验飞机抛物线飞行进行了微重力燃烧实验,采集得到微重力条件下一个采样点微重力波动和燃烧温度变化的数据,在此基础上将时间序列预测和神经网络相结合进行了微重力波动与燃烧温度变化的研究,揭示了试验飞机抛物线飞行中微策略波动和采样点燃烧温度变化的规律。     

基于人工神经网络的燃煤烟气脱汞效率预测

针对燃煤烟气单质汞(Hg0)的脱除效率,采用神经网络遗传算法模拟寻优的方法获得最佳运行参数,并探讨多影响因子同时改变时脱汞效率的变化规律。利用田口试验方法设计试验,在固定床试验台架上考察负载量、煅烧温度、反应温度对脱汞效率的影响;采用64组试验数据对设计的多层神经网络进行训练、验证及测试,关联系数(R)在0.96以上,均方误差(Mean Squared Error,MSE)为0.007;对训练后的神经网络采用遗传算法进行多影响因子极值寻优。结果表明:采用硝酸锰浸渍催化剂的最优脱汞效率为95.1%;负载量为15%时,最佳脱汞效率、反应温度、煅烧温度分别为94.6%、141.8℃、445.2℃,进一步用试验验证了寻优结果的准确性。