Gabor-CNN for object detection based on small samples

Object detection models based on convolutional neural networks (CNN) have achieved state-of-the-art performance by heavily rely on large-scale training samples. They are insufficient when used in specific applications, such as the detection of military objects, as in these instances, a large number of samples is hard to obtain. In order to solve this problem, this paper proposes the use of Gabor-CNN for object detection based on a small number of samples. First of all, a feature extraction convolution kernel library composed of multi-shape Gabor and color Gabor is constructed, and the optimal Gabor convolution kernel group is obtained by means of training and screening, which is convolved with the input image to obtain feature information of objects with strong auxiliary function. Then, the k-means clustering algorithm is adopted to construct several different sizes of anchor boxes, which improves the quality of the regional proposals. We call this regional proposal process the Gabor-assisted Region Proposal Network (Gabor-assisted RPN). Finally, the Deeply-Utilized Feature Pyramid Network (DU-FPN) method is proposed to strengthen the feature expression of objects in the image. A bottom-up and a top-down feature pyramid is constructed in ResNet-50 and feature information of objects is deeply utilized through the transverse connection and integration of features at various scales. Experimental results show that the method proposed in this paper achieves better results than the state-of-art contrast models on data sets with small samples in terms of accuracy and recall rate, and thus has a strong application prospect.     

基于多信息的柴油机缸套磨损故障诊断研究

采用了模糊神经网络模型,对柴油机缸套磨损故障以及缸套破坏性磨损故障进行了诊断研究.通过缸套磨损故障的模拟实验,获取柴油机机身振动和铁谱分析等多源多维故障信息,并对融合故障信息进行预处理,解决了模糊神经网络输入矢量的模糊特性化、输出矢量的隶属函数及网络的学习训练问题,对缸套不同磨损故障进行了诊断.研究表明,这种基于多信息的诊断方法减小了故障诊断的不确定性,提高了诊断精度.     

基于神经网络的离散变结构控制系统

系统研究了基于神经网络的离散变结构控制系统设计方法,提出了几种具体设计方案.神经网络的引入可以使滑模(变结构)控制具备学习与自适应能力,使控制信号得以柔化,从而能够减轻或避免困扰常规滑模控制器的抖振现象,改善控制效果.     

基于小波包变换和BP网络的齿轮箱故障诊断

利用小波包分析提取出齿轮箱在各种工况下振动信号的有效成分,根据时频域特点提取比较典型的特征参量,利用改进的BP网络进行训练,根据训练结果判别齿轮箱的故障状态。     

一种基于模糊竞争网络的主动声纳目标分类器

提出了一种基于模糊竞争网络的主动声纳目标分类器。该分类器结构简单,学习速度快,仅用少量样本进行训练便可获得良好的推广性能．便于实时学习和应用。通过对模式属于各类别的隶属度的分析,可以知道判决的可靠性,具有较好的应用价值。     

INTELLIGENT DECISION ALGORITHM FOR FAULT DETECTION AND ITS APPLICATION

ＩＮＴＥＬＬＩＧＥＮＴＤＥＣＩＳＩＯＮＡＬＧＯＲＩＴＨＭＦＯＲＦＡＵＬＴＤＥＴＥＣＴＩＯＮＡＮＤＩＴＳＡＰＰＬＩＣＡＴＩＯＮＷｕＪｉａｎｊｕｎ;ＺｈａｎｇＹｕｌｉｎ;ＣｈｅｎＱｉｚｈｉ（ＤｅｐａｒｔｍｅｎｔｏｆＡｅｒｏｓｐａｃｅＴｅｃｈｎｏｌｏｇｙ,...     

基于改进LMS算法的复合材料超声检测缺陷识别

在径向基函数（RBF）神经网络实现无人机复合材料超声检测脱粘缺陷识别时,针对最小均方（LMS）算法在确定网络输出权值时存在稳态失调误差和收敛速度相矛盾的问题,提出一种改进的自适应的变步长LMS算法．该算法根据反馈误差自适应确定步长,通过引进动量项加快收敛速度．将改进LMS算法应用到RBF网络缺陷识别中,结果表明该方法在稳态失调误差较小的情况下,能快速确定RBF网络的权值．改进的RBF网络能够较好地识别超声检测脱粘缺陷．     

遗传神经网络在保障资源需求预测中的应用

针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年～2010年实际保障资源需求数据对模型进行了验证.验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测.     

基于弱多径覆盖的虚电路恢复策略研究

虚电路技术可以为Ad Hoc网络中的节点提供面向连接的服务。然而,由于拓扑动态性等特征,Ad Hoc网络中的虚电路容易断开,从而导致业务时延、时延抖动增大甚至通信中断等问题。为此文章提出了一种基于弱多径覆盖的虚电路恢复策略,通过将虚电路机制与弱多径覆盖多径策略相结合,可以有效地减少虚电路恢复时间和需要重新预约资源的节点的数量。理论分析和仿真结果表明了该方法的有效性。     

一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计

研究一类不确定时滞混沌系统的全局鲁棒自适应神经网络同步控制器设计,其系统中的不确定时滞项不是简单的线性有界条件,而是允许其存在高阶项,因此具有全局特性．在控制器的设计上;首先通过选取合适的径向基函数（RBF）神经网络的权向量去逼近时滞系统中的未知连续有界部分;然后在RBF神经网络输出的基础上,选用一个鲁棒自适应控制器来趋近时滞系统的不确定部分;同时,利用Lyapunov稳定性理论对混沌同步的条件给出了论证;最后,数据仿真的结果表明该方法的有效性．