卷积神经网络的空心村高分影像建筑物检测方法

针对日益严峻的停车难问题,提出一种基于改进卷积神经网络停车场空车位检测方法。首先,根据车位只需用两种状态来表示其占空的特点,对传统卷积神经网络结构进行改进,提出迷你卷积神经网络(mcnn)的概念;然后,通过减少网络参数来减少训练和识别时间,并在网络中加入局部响应归一化层以加强对明度的校正,以及使用小卷积核来获取更多图像细节;最后,对视频帧图进行手动掩码设置,通过边缘检测切割成单个车位图,并使用训练好的mcnn进行车位识别。实验结果表明,与传统机器学习方式相比,基于mcnn的检测方法识别率能提高3~8个百分点,同时网络参数仅为常规使用卷积模型的1/1000,且在文中所述的几种不同环境中,识别率的均保持在92%以上。实验结果表明,mcnn可移植到低配置摄像头,实现停车场空车位自动检测。

softwareengineeringandapplications软件工程与应用,2018,7(6),273-282 publishedonlinedecember2018inhans.http://www.hanspub.org/journal/sea https://doi.org/10.12677/sea.2018.76031 文章引用:熊辉,梁培锋,黄俊健,胡敏.基于卷积神经网络的高楼外墙裂缝检测系统[j].软件工程与应用,2018,7(6): 273-282.doi:10.12677/sea.2018.76031 convolutionneuralnetwork-basedsystem fordetectingcracksonexteriorwall huixiong1,2*,peife

考虑到常规bp神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型ga优化bp神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用kddcup99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对bp神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择bp神经网络结构参数带来的问题,避免了常规bp神经网络容易陷入局部最优解的问题。

与传统的信息提取方法相比；将机器学习算法应用到遥感影像信息提取中；可以提高结果的精度；文章以worldview-2遥感影像为例；首先利用多尺度分割选取最优分割尺度；获得影像对象；在基于对象的基础上利用特征空间优选工具获得最优特征子集；最后利用j48算法、随机森林算法对建筑物提取的效果进行分析；实验结果表明:j48算法在高分辨率影像建筑物提取中有更好地效果；

采用催化传感器和电化学式气体传感器配合使用的传感器阵列.为了解决2种传感器对矿井co和ch4气体的交叉敏感问题,提出了一种基于改进bp神经网络的矿井co检测方法.通过matlab仿真可以看出,基于神经网络的传感器阵列方法可以明显提高co检测精度.实际输出值和期望输出的绝对误差平均值为3.43ppm,相对误差平均值为1.43％.

采用催化传感器和电化学式气体传感器配合使用的传感器阵列。为了解决2种传感器对矿井co和ch4气体的交叉敏感问题,提出了一种基于改进bp神经网络的矿井co检测方法。通过matlab仿真可以看出,基于神经网络的传感器阵列方法可以明显提高co检测精度。实际输出值和期望输出的绝对误差平均值为3.43ppm,相对误差平均值为1.43%。

建筑节能是当今城市建设和社会发展的前沿和研究热点,对建筑的能耗现状进行综合分析与评估是进行节能改造或节能设计的前提和基础,而建立反映能耗变化的预测模型是从宏观尺度上分析认识建筑能耗变化与发展特性、为公共建筑节能工作提供决策依据的有效途径和重要手段。研究针对常规bp网络算法收敛速度慢、易陷入局部最小点的缺点,采用了具有较快收敛速度及稳定性的lm算法进行预测,构造了基于bp神经网络的建筑物用电量预测模型。以某市公共建筑原始用电能耗统计数据作为样本,并采用matlab对预测模型进行了仿真预测。结果显示:误差在允许范围内。

根据建筑物实测沉降利用人工神经网络理论,建立了前馈网络预测模型并提出新的学习算法,结合某建筑物纠偏工程实例对建筑物沉降进行了预测.预测结果表明神经网络方法是可行且有效的.

在我们应用回归方法对建筑物沉降原因分析及沉降趋势的预测中,由于实际情况的复杂性及主观认识的局限性,这样所得的结果含有较多的人为因素,可能会与实际情况有所差异。针对这种情况,讨论了应用神经网络方法来发现和验证引起建筑物沉降的因素及对沉降趋势的预测。实例表明,该方法能取得较好的效果。

提出基于人工神经网络的基础最终沉降的预测新方法,通过工程实例应用,在较短的实测资料情况下,可获得较小误差的最终沉降量,所建立的模型预测精度高。

提出了根据实测数据构造神经网络变形预测模型的基本思路,构造出基于bp算法的神经网络变形预测模型,并给出应用实例分析。结果表明,神经网络应用于变形预测效果良好,具有一定参考价值和指导意义。

传统的遥感影像目标检测方法大多利用人工提取特征,难以用于背景复杂的高分辨率遥感影像。以高分辨率遥感影像建筑物图像为研究对象,设计了一种基于lvq神经网络的建筑物提取方法。对图像提取其颜色、纹理与形状特征,构成图像特征矢量并将其特征归一化,利用lvq神经网络识别并提取出建筑物。通过与其它典型神经网络识别方法进行实验比较,结果表明该算法相对于单层感知器识别率提高了10.0%,比bp神经网络识别率提高了22.5%,能取得更理想的提取效果。

建筑物沉降的诱因与沉降量之间有一个复杂的非线性相关性,应用回归法对这种复杂的相关性进行分析有较大的局限性。人工神经网络是由许多神经元组成的大规模非线性系统,具有较强的动态处理能力,能对简单的非线性函数进行多次复合,来实现一个复杂的非线性函数。神经网络这些特性满足建筑物沉降分析的需求。实例表明,应用神经网络bp算法可以对建筑物沉降原因进行更客观的分析,对沉降趋势预测效果也较好。

为解决建筑物基础沉降量的安全监测问题,对其进行有效的预测、校核与分析,运用matlab软件建立径向基神经网络模型对某市建筑物的基础沉降量进行预测.结果表明:径向基神经网络的结构形式简易,适应能力更强,预测误差比bp网络小,平均约为66.83%,达到预测精准度所需的耗时短、收敛速度更快.径向基神经网络的预测结果与实测结果较为吻合,表明径向基神经网络预测模型适用于建筑工程沉降预测领域之中.

将粗糙粗集理论和神经网络原理结合起来,建立了基于粗集-神经网络的建筑物震害预测模型。首先运用粗糙集理论,根据原始样本建立决策表进行属性离散化、属性重要性排序、属性约简和分类规则的提取;然后将所提取的关键成分作为神经网络的输入训练模型。实例研究表明,基于粗集-神经网络的多层砖房震害预测结果与实际震害基本吻合。该模型简化了神经网络结构,提高了训练速度和分类精度,还能对各因素对房屋震害的影响度进行分析。

介绍了基于matlab的径向基函数rbf神经网络对于建筑物沉降预测的方法,讨论了rbf神经网络的构造思路、参数和分布密度spread的选择。为建筑物变形监测人员的数据分析、变形预测提供了一个可行的概念。

基于人工神经网络强大的动态数据处理能力和学习能力，本文对应用bp神经网进行建筑物沉降预测的方法进行了初步探讨，并通过实例分析了该方法的可行性和实用性。

针对卷积神经网络fpga加速器的资源分配与频率设置欠佳导致吞吐量受限的问题,提出一种面向吞吐量优化的自动化设计方法.首先将加速器的设计分为并行策略和频率设计,提出总体设计流程；然后将设计空间探索建模为线段分割问题,采用遗传算法及贪心算法求解；最后根据求解出的并行策略完成加速器的结构设计,根据求解出的预期运行频率对加速器的布局布线优化,使实际频率可以达到预期.对alexnet及vgg-16模型在目标器件alterade5a-net的设计实验结果表明,文中方法能有效地提升资源使用效率并给出合理频率设置；相比于其他卷积神经网络fpga加速器设计方法,该方法可提升alexnet和vgg-16的吞吐量82.95%和66.19%.

用vb编制了人工神经网络的通用bp算法程序。根据西安参考年气象参数,采用动态模拟程序计算了某办公楼4月至9月逐时冷负荷,结果显示利用神经网络的预测值与计算值吻合。

为了有效的实现用于混合式电力电子断路器的故障电流检测,设计了一种基于神经网络理论的短路电流检测方法,其主旨是将动态神经网络应用于故障电流的检测,利用反馈神经网络的历史记忆效应,对信号进行预测比较,可实现一种有效的短路电流故障检测。使用matlab神经网络工具箱进行仿真,通过仿真产生模拟训练样本,以单相工频基波叠加多次谐波分量,简化时可用类正弦函数代替,仿真结果表明了该方法的有效性和快速性。

为了有效利用多种检测数据来综合评价轨道的状态,本文应用bp神经网络技术建立了轨道状态评定方法,并采用matlab软件编制了具有自学习功能的评价软件。bp神经网络应用于轨道状态的评价中,其学习样本、规模及代表起关键作用,通过大量的样本训练,对\"未知\"样本神经网络模型的评价具有较高的准确性。理论分析与算例的结果表明,该评价方法是可行的、有效的,为解决轨道状态评定提供了一条新的途径。

针对工业控制系统入侵检测模型对各类攻击的检测率和检测效率不高的问题,提出一种adaboost算法优化bp神经网络的入侵检测模型.首先利用主成分分析法对原始数据集进行预处理,消除其相关性；其次利用adaboost算法对训练样本的权重进行不断调整,从而获得bp神经网络最优权重和阈值；最后再通过adaboost算法将bp弱分类器组合成bp强分类器,从而实现工业控制系统的异常检测.实验结果表明该方法在对各攻击类型的检测率和测试时间明显优于其他算法模型.