卷積神經(jīng)網(wǎng)絡(luò)的空心村高分影像建筑物檢測方法

針對日益嚴峻的停車難問題,提出一種基于改進卷積神經(jīng)網(wǎng)絡(luò)停車場空車位檢測方法。首先,根據(jù)車位只需用兩種狀態(tài)來表示其占空的特點,對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行改進,提出迷你卷積神經(jīng)網(wǎng)絡(luò)(mcnn)的概念;然后,通過減少網(wǎng)絡(luò)參數(shù)來減少訓(xùn)練和識別時間,并在網(wǎng)絡(luò)中加入局部響應(yīng)歸一化層以加強對明度的校正,以及使用小卷積核來獲取更多圖像細節(jié);最后,對視頻幀圖進行手動掩碼設(shè)置,通過邊緣檢測切割成單個車位圖,并使用訓(xùn)練好的mcnn進行車位識別。實驗結(jié)果表明,與傳統(tǒng)機器學(xué)習(xí)方式相比,基于mcnn的檢測方法識別率能提高3~8個百分點,同時網(wǎng)絡(luò)參數(shù)僅為常規(guī)使用卷積模型的1/1000,且在文中所述的幾種不同環(huán)境中,識別率的均保持在92%以上。實驗結(jié)果表明,mcnn可移植到低配置攝像頭,實現(xiàn)停車場空車位自動檢測。

softwareengineeringandapplications軟件工程與應(yīng)用,2018,7(6),273-282 publishedonlinedecember2018inhans.http://www.hanspub.org/journal/sea https://doi.org/10.12677/sea.2018.76031 文章引用:熊輝,梁培鋒,黃俊健,胡敏.基于卷積神經(jīng)網(wǎng)絡(luò)的高樓外墻裂縫檢測系統(tǒng)[j].軟件工程與應(yīng)用,2018,7(6): 273-282.doi:10.12677/sea.2018.76031 convolutionneuralnetwork-basedsystem fordetectingcracksonexteriorwall huixiong1,2*,peife

考慮到常規(guī)bp神經(jīng)網(wǎng)絡(luò)算法容易陷入局部最優(yōu)解,所建立的網(wǎng)絡(luò)遺傳流量檢測模型檢測效率低,準確率不高等問題,提出一種改進型ga優(yōu)化bp神經(jīng)網(wǎng)絡(luò)算法,并使用其建立網(wǎng)絡(luò)遺傳流量檢測模型。常規(guī)遺傳算法在搜索過程中,往往會由于出現(xiàn)影響生產(chǎn)適應(yīng)度高的個體而對遺傳算法搜索過程產(chǎn)生影響的現(xiàn)象發(fā)生,因此需要對常規(guī)遺傳算法進行改進。使用的方法是通過混合編碼方式進行改進,同時對交叉算子、變異算子、交叉概率以及變異概率等參數(shù)進行優(yōu)化修正。使用kddcup99數(shù)據(jù)庫中的網(wǎng)絡(luò)異常流量數(shù)據(jù)進行實驗研究,研究結(jié)果表明,所提出方法的檢測性能要明顯優(yōu)于常規(guī)算法,其對bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值以及閾值進行同步優(yōu)化,避免了盲目選擇bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)帶來的問題,避免了常規(guī)bp神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的問題。

與傳統(tǒng)的信息提取方法相比；將機器學(xué)習(xí)算法應(yīng)用到遙感影像信息提取中；可以提高結(jié)果的精度；文章以worldview-2遙感影像為例；首先利用多尺度分割選取最優(yōu)分割尺度；獲得影像對象；在基于對象的基礎(chǔ)上利用特征空間優(yōu)選工具獲得最優(yōu)特征子集；最后利用j48算法、隨機森林算法對建筑物提取的效果進行分析；實驗結(jié)果表明:j48算法在高分辨率影像建筑物提取中有更好地效果；

采用催化傳感器和電化學(xué)式氣體傳感器配合使用的傳感器陣列.為了解決2種傳感器對礦井co和ch4氣體的交叉敏感問題,提出了一種基于改進bp神經(jīng)網(wǎng)絡(luò)的礦井co檢測方法.通過matlab仿真可以看出,基于神經(jīng)網(wǎng)絡(luò)的傳感器陣列方法可以明顯提高co檢測精度.實際輸出值和期望輸出的絕對誤差平均值為3.43ppm,相對誤差平均值為1.43％.

采用催化傳感器和電化學(xué)式氣體傳感器配合使用的傳感器陣列。為了解決2種傳感器對礦井co和ch4氣體的交叉敏感問題,提出了一種基于改進bp神經(jīng)網(wǎng)絡(luò)的礦井co檢測方法。通過matlab仿真可以看出,基于神經(jīng)網(wǎng)絡(luò)的傳感器陣列方法可以明顯提高co檢測精度。實際輸出值和期望輸出的絕對誤差平均值為3.43ppm,相對誤差平均值為1.43%。

建筑節(jié)能是當今城市建設(shè)和社會發(fā)展的前沿和研究熱點,對建筑的能耗現(xiàn)狀進行綜合分析與評估是進行節(jié)能改造或節(jié)能設(shè)計的前提和基礎(chǔ),而建立反映能耗變化的預(yù)測模型是從宏觀尺度上分析認識建筑能耗變化與發(fā)展特性、為公共建筑節(jié)能工作提供決策依據(jù)的有效途徑和重要手段。研究針對常規(guī)bp網(wǎng)絡(luò)算法收斂速度慢、易陷入局部最小點的缺點,采用了具有較快收斂速度及穩(wěn)定性的lm算法進行預(yù)測,構(gòu)造了基于bp神經(jīng)網(wǎng)絡(luò)的建筑物用電量預(yù)測模型。以某市公共建筑原始用電能耗統(tǒng)計數(shù)據(jù)作為樣本,并采用matlab對預(yù)測模型進行了仿真預(yù)測。結(jié)果顯示:誤差在允許范圍內(nèi)。

根據(jù)建筑物實測沉降利用人工神經(jīng)網(wǎng)絡(luò)理論,建立了前饋網(wǎng)絡(luò)預(yù)測模型并提出新的學(xué)習(xí)算法,結(jié)合某建筑物糾偏工程實例對建筑物沉降進行了預(yù)測.預(yù)測結(jié)果表明神經(jīng)網(wǎng)絡(luò)方法是可行且有效的.

在我們應(yīng)用回歸方法對建筑物沉降原因分析及沉降趨勢的預(yù)測中,由于實際情況的復(fù)雜性及主觀認識的局限性,這樣所得的結(jié)果含有較多的人為因素,可能會與實際情況有所差異。針對這種情況,討論了應(yīng)用神經(jīng)網(wǎng)絡(luò)方法來發(fā)現(xiàn)和驗證引起建筑物沉降的因素及對沉降趨勢的預(yù)測。實例表明,該方法能取得較好的效果。

提出基于人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)最終沉降的預(yù)測新方法,通過工程實例應(yīng)用,在較短的實測資料情況下,可獲得較小誤差的最終沉降量,所建立的模型預(yù)測精度高。

提出了根據(jù)實測數(shù)據(jù)構(gòu)造神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型的基本思路,構(gòu)造出基于bp算法的神經(jīng)網(wǎng)絡(luò)變形預(yù)測模型,并給出應(yīng)用實例分析。結(jié)果表明,神經(jīng)網(wǎng)絡(luò)應(yīng)用于變形預(yù)測效果良好,具有一定參考價值和指導(dǎo)意義。

傳統(tǒng)的遙感影像目標檢測方法大多利用人工提取特征,難以用于背景復(fù)雜的高分辨率遙感影像。以高分辨率遙感影像建筑物圖像為研究對象,設(shè)計了一種基于lvq神經(jīng)網(wǎng)絡(luò)的建筑物提取方法。對圖像提取其顏色、紋理與形狀特征,構(gòu)成圖像特征矢量并將其特征歸一化,利用lvq神經(jīng)網(wǎng)絡(luò)識別并提取出建筑物。通過與其它典型神經(jīng)網(wǎng)絡(luò)識別方法進行實驗比較,結(jié)果表明該算法相對于單層感知器識別率提高了10.0%,比bp神經(jīng)網(wǎng)絡(luò)識別率提高了22.5%,能取得更理想的提取效果。

建筑物沉降的誘因與沉降量之間有一個復(fù)雜的非線性相關(guān)性,應(yīng)用回歸法對這種復(fù)雜的相關(guān)性進行分析有較大的局限性。人工神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)元組成的大規(guī)模非線性系統(tǒng),具有較強的動態(tài)處理能力,能對簡單的非線性函數(shù)進行多次復(fù)合,來實現(xiàn)一個復(fù)雜的非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)這些特性滿足建筑物沉降分析的需求。實例表明,應(yīng)用神經(jīng)網(wǎng)絡(luò)bp算法可以對建筑物沉降原因進行更客觀的分析,對沉降趨勢預(yù)測效果也較好。

為解決建筑物基礎(chǔ)沉降量的安全監(jiān)測問題,對其進行有效的預(yù)測、校核與分析,運用matlab軟件建立徑向基神經(jīng)網(wǎng)絡(luò)模型對某市建筑物的基礎(chǔ)沉降量進行預(yù)測.結(jié)果表明:徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式簡易,適應(yīng)能力更強,預(yù)測誤差比bp網(wǎng)絡(luò)小,平均約為66.83%,達到預(yù)測精準度所需的耗時短、收斂速度更快.徑向基神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與實測結(jié)果較為吻合,表明徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型適用于建筑工程沉降預(yù)測領(lǐng)域之中.

將粗糙粗集理論和神經(jīng)網(wǎng)絡(luò)原理結(jié)合起來,建立了基于粗集-神經(jīng)網(wǎng)絡(luò)的建筑物震害預(yù)測模型。首先運用粗糙集理論,根據(jù)原始樣本建立決策表進行屬性離散化、屬性重要性排序、屬性約簡和分類規(guī)則的提取;然后將所提取的關(guān)鍵成分作為神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練模型。實例研究表明,基于粗集-神經(jīng)網(wǎng)絡(luò)的多層磚房震害預(yù)測結(jié)果與實際震害基本吻合。該模型簡化了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),提高了訓(xùn)練速度和分類精度,還能對各因素對房屋震害的影響度進行分析。

介紹了基于matlab的徑向基函數(shù)rbf神經(jīng)網(wǎng)絡(luò)對于建筑物沉降預(yù)測的方法,討論了rbf神經(jīng)網(wǎng)絡(luò)的構(gòu)造思路、參數(shù)和分布密度spread的選擇。為建筑物變形監(jiān)測人員的數(shù)據(jù)分析、變形預(yù)測提供了一個可行的概念。

基于人工神經(jīng)網(wǎng)絡(luò)強大的動態(tài)數(shù)據(jù)處理能力和學(xué)習(xí)能力，本文對應(yīng)用bp神經(jīng)網(wǎng)進行建筑物沉降預(yù)測的方法進行了初步探討，并通過實例分析了該方法的可行性和實用性。

針對卷積神經(jīng)網(wǎng)絡(luò)fpga加速器的資源分配與頻率設(shè)置欠佳導(dǎo)致吞吐量受限的問題,提出一種面向吞吐量優(yōu)化的自動化設(shè)計方法.首先將加速器的設(shè)計分為并行策略和頻率設(shè)計,提出總體設(shè)計流程；然后將設(shè)計空間探索建模為線段分割問題,采用遺傳算法及貪心算法求解；最后根據(jù)求解出的并行策略完成加速器的結(jié)構(gòu)設(shè)計,根據(jù)求解出的預(yù)期運行頻率對加速器的布局布線優(yōu)化,使實際頻率可以達到預(yù)期.對alexnet及vgg-16模型在目標器件alterade5a-net的設(shè)計實驗結(jié)果表明,文中方法能有效地提升資源使用效率并給出合理頻率設(shè)置；相比于其他卷積神經(jīng)網(wǎng)絡(luò)fpga加速器設(shè)計方法,該方法可提升alexnet和vgg-16的吞吐量82.95%和66.19%.

隨著我國經(jīng)濟建設(shè)的不斷發(fā)展,多層建筑物已經(jīng)被高層和超高層建筑所替代。高層建筑物對單元地面所產(chǎn)生的壓力驟然增加,建筑物自身所存在的荷載相應(yīng)增加。本文主要利用數(shù)字水準儀對高層建筑h樓進行沉降觀測,設(shè)置15個周期,主體施工階段每2層觀測一期數(shù)據(jù),封頂之后觀測了5期數(shù)據(jù)。取3個點作為實驗分析數(shù)據(jù),得出了沉降變化曲線。利用bp神經(jīng)網(wǎng)絡(luò)、改進bp神經(jīng)網(wǎng)絡(luò),對沉降數(shù)據(jù)進行預(yù)測,取期間的沉降數(shù)據(jù)和期間累計沉降數(shù)據(jù)作為訓(xùn)練樣本,根據(jù)兩個沉降數(shù)據(jù)預(yù)測值的大小,選擇合適的訓(xùn)練樣本,提高預(yù)測精度。

用vb編制了人工神經(jīng)網(wǎng)絡(luò)的通用bp算法程序。根據(jù)西安參考年氣象參數(shù),采用動態(tài)模擬程序計算了某辦公樓4月至9月逐時冷負荷,結(jié)果顯示利用神經(jīng)網(wǎng)絡(luò)的預(yù)測值與計算值吻合。

為了有效的實現(xiàn)用于混合式電力電子斷路器的故障電流檢測,設(shè)計了一種基于神經(jīng)網(wǎng)絡(luò)理論的短路電流檢測方法,其主旨是將動態(tài)神經(jīng)網(wǎng)絡(luò)應(yīng)用于故障電流的檢測,利用反饋神經(jīng)網(wǎng)絡(luò)的歷史記憶效應(yīng),對信號進行預(yù)測比較,可實現(xiàn)一種有效的短路電流故障檢測。使用matlab神經(jīng)網(wǎng)絡(luò)工具箱進行仿真,通過仿真產(chǎn)生模擬訓(xùn)練樣本,以單相工頻基波疊加多次諧波分量,簡化時可用類正弦函數(shù)代替,仿真結(jié)果表明了該方法的有效性和快速性。

為了有效利用多種檢測數(shù)據(jù)來綜合評價軌道的狀態(tài),本文應(yīng)用bp神經(jīng)網(wǎng)絡(luò)技術(shù)建立了軌道狀態(tài)評定方法,并采用matlab軟件編制了具有自學(xué)習(xí)功能的評價軟件。bp神經(jīng)網(wǎng)絡(luò)應(yīng)用于軌道狀態(tài)的評價中,其學(xué)習(xí)樣本、規(guī)模及代表起關(guān)鍵作用,通過大量的樣本訓(xùn)練,對\"未知\"樣本神經(jīng)網(wǎng)絡(luò)模型的評價具有較高的準確性。理論分析與算例的結(jié)果表明,該評價方法是可行的、有效的,為解決軌道狀態(tài)評定提供了一條新的途徑。