检索结果-内蒙古大学图书馆

作者：邱大洋国立台湾大学

学位级别：硕士

在这篇硕士论文中，我提出了一个新的量子电路架构，而这个量子电路并非纯量子电路，而是混合量子电路，因为在这个量子电脑尚未健全的年代（Noisy Intermediate-Scale Quantum Era）要使用深度非常深而且量子位元非常多的状况短期内是... 详细信息

在这篇硕士论文中，我提出了一个新的量子电路架构，而这个量子电路并非纯量子电路，而是混合量子电路，因为在这个量子电脑尚未健全的年代（Noisy Intermediate-Scale Quantum Era）要使用深度非常深而且量子位元非常多的状况短期内是不会实现的，而我所提出的‘残差网路启发的混合量子神经网路（ResNet-Inspired Hybrid Quantum Neural Network ）’的特性是深度浅所需的量子位元又少，而且精准度又比原来的纯量子电路要高，再我看到‘残差网路（Residual Network）’后，深深的启发了我，透过不一样的编码传递方式，让我得到了新的量子电路，而我为了要展现出这个电路的架构的优点，我选了一个简单的机器学习问题也就是‘函数拟合（Function Fitting），用这个问题去展现这个量子电路的优点，而在这个问题下我比较了五个不一样的模型对函数拟合的收敛状况，发现在新的架构下‘代价函式（Cost Function）’可以比原来的电路好至少两个数量级，未来这个研究将可能可以成为各种量子机器学习的基石。

关键词：量子神经网路量子机器学习混合量子神经网路残差网路

来源：评论

学校读者我要写书评

暂无评论

范例选择与适应性对比损失函数的利用基於孪生网路之离线混合签名辨识系统

范例选择与适应性对比损失函数的利用基於孪生网路之离线混合签名...

引用

作者：吕宗佑国立清华大学

学位级别：硕士

本篇论文展示一个基於孪生网路、利用混合架构的离线签名辨识系统。我们采用残差网路的结构担当特徵撷取的模型，使WI模式下的特徵能更有效率的学习。另外，我们使用单层的孪生网路结构担任WD模式下的分类器，藉此节省储存空间。为了减... 详细信息

本篇论文展示一个基於孪生网路、利用混合架构的离线签名辨识系统。我们采用残差网路的结构担当特徵撷取的模型，使WI模式下的特徵能更有效率的学习。另外，我们使用单层的孪生网路结构担任WD模式下的分类器，藉此节省储存空间。为了减少签名的内在变异度与确保网络能够更有效的学习，我们提出选择范例的方式作为孪生网络的其中一个输入，并利用选择范例过程中得到的资讯，引入范例选择项来提升模型的准确度。透过使用提出的范例选择与适应性对比损失函数的系统，比起未使用的系统提高了5.9%。基於GPDS签名资料库，此系统能够得到比当前最新技术还要好的94.61%正确率。

关键词：签名辨识孪生网路残差网路范例选择适应性对比损失函数

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网路之大气边界层高度预测

基于卷积神经网路之大气边界层高度预测

引用

作者：张惟尧中原大学

学位级别：硕士

近年来随着工业的迅速发展，以及交通工具之盛行，排放出的工业、交通废气已经快速地影响了全世界环境。人类长期暴露于空气污染、高浓度PM2.5之中，都会引发人类的呼吸道疾病。为了能及早地对空气品质进行预报，大气边界层高度的预测... 详细信息

近年来随着工业的迅速发展，以及交通工具之盛行，排放出的工业、交通废气已经快速地影响了全世界环境。人类长期暴露于空气污染、高浓度PM2.5之中，都会引发人类的呼吸道疾病。为了能及早地对空气品质进行预报，大气边界层高度的预测成为不可缺少的关键。这是由于大气边界层的高度，往往决定了地表的空气污染物或PM2.5，经垂直对流往外扩散的范围大小。本论文选择了深度学习里的卷积神经网络来进行大气边界层的预测。先将光学雷达中所测得的资料经过数值前处理之后，将其转换为RGB的彩色影像，再透过卷积神经网路中的经典网路─残差网路(Residual Network, ResNet)，对大气边界层的高度加以进行分类。经过多种实验测试，判断不同条件下的预测效果，最终获得了高准确率的大气边界层高度，明显优于传统数学统计与机器学习方法的估测结果。

关键词：大气边界层高度深度学习卷积神经网路光学雷达残差网路

来源：评论

学校读者我要写书评

暂无评论

以人工智慧侦测钢筋混凝土结构中之裂缝

以人工智慧侦测钢筋混凝土结构中之裂缝

引用

作者：潘俊霖国立台湾大学

学位级别：硕士

目前国内大部分的建筑物都是由钢筋混凝土构成。混凝土经历了多年的地震与天灾，表面时常产生裂缝，若裂缝过深，使得钢筋曝露于空气中，则会造成严重的安全性问题。因此，如何对于结构物进行安全性的检测，成为当前重要的课题之一。而... 详细信息

目前国内大部分的建筑物都是由钢筋混凝土构成。混凝土经历了多年的地震与天灾，表面时常产生裂缝，若裂缝过深，使得钢筋曝露于空气中，则会造成严重的安全性问题。因此，如何对于结构物进行安全性的检测，成为当前重要的课题之一。而其中，非破坏检测是常用于检测混凝土结构物安全的技术，该技术中的时间域暂态弹性波法则有易于现地直接量测的优点。然而，使用此技术测量后，仍需要经由专业人员针对讯号进行处理及分析。除此之外，在量测时难精确地抓取到纵波到达时间，加上敲击时间原点无法完全准确地被记录，误差难以避免。深度学习是人工智慧中的一个分支，被广泛地应用于电脑视觉领域。其以卷积类神经网路为基础，可从大量的资料中提取重要的特征，并学习解决问题的规则。为解决暂态弹性波法侦测裂缝时使用上的限制，本研究依循上述人工智慧在图像辨识上的成功经验，结合暂态弹性波法与深度学习技术，以进行混凝土结构之波速、钢筋与裂缝的侦测。本研究以有限差分法模拟波传行为，建立大量资料库，再借由切取式窗、正规化、加入随机直线等前处理，来预训练卷积类神经网路与残差网路。接着，将实验量测所得之讯号加入模型训练、微调其参数，并逐一探讨各项结构与设定对类神经网路的影响，进而设计出最佳化的两个模型。最后将所得两个模型进行加总，以减少偏差。以论文中所设计的最佳类神经网路架构进行之实验来预测混凝土结构，以裂缝深度4 cm、角度90度与钢筋直径13 mm、保护层厚度2 cm之试体进行测试，在量测讯号的裂缝角度误差为5.9度、裂缝深度误差为0.38 cm、钢筋保护层厚度误差为0.35 cm、钢筋半径误差为0.47 mm、纵波误差为291 m/s、横波误差为194/s。同时，因为前处理中切取视窗的手法，可确保当视窗起点落在10 μs的范围内时，系统必定能得出稳定、正确的答案，成功克服了传统量测时的限制。而本文也尝试以数据可视化的方式，呈现出资料特征的分布以及模型的可解释性，使人工智慧理论与波动理论可互相应和。本研究以暂态弹性波理论为基础，建立一套使用人工智慧来精准地探测钢筋混凝土中各项安全相关结构资讯的方法，不仅使操作者能够更简便地、即时地对建筑品质进行评估与监控，其建立人工智慧模型的方法及最佳化流程也可作为其他领域对于讯号分析之参考。

关键词：非破坏检测暂态弹性波法人工智慧卷积类神经网路残差网路

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的驾驶人疲劳及分心智能检测研究

基于深度学习的驾驶人疲劳及分心智能检测研究

引用

作者：杨振华北京建筑大学

学位级别：硕士

在全球范围内,道路安全持续成为公共健康的重要议题,其中驾驶人疲劳及分心状态是导致交通事故的主要因素之一。鉴于此,本研究深入探讨了基于深度学习的驾驶人疲劳与分心智能检测技术,旨在提升交通安全管理的科学性与实效性。本论文首先... 详细信息

在全球范围内,道路安全持续成为公共健康的重要议题,其中驾驶人疲劳及分心状态是导致交通事故的主要因素之一。鉴于此,本研究深入探讨了基于深度学习的驾驶人疲劳与分心智能检测技术,旨在提升交通安全管理的科学性与实效性。本论文首先探讨了驾驶员疲劳与分心状态对驾驶安全的深远影响,并详细分析了当前在单模态与多模态智能检测技术方面的研究进展。通过对各种检测方法的优势与局限性的评估,以及基于这些检测结果实施的安全预警与响应策略的探讨。在研究方法论方面,本研究搭建了两个深度学习模型。首先,针对驾驶人疲劳检测,本文设计了一个基于改进的单次多框检测器(SSD)网络的检测方法。该方法通过融入残差网络(Res Net)并优化损失函数,有效提取驾驶人的疲劳特征,包含闭眼及打哈欠状态。改进后的模型不仅提升了检测精确度,平均检测精度(m AP)可达到95.25%,同时,也提升了检测实时性,检测帧率可达到57.89,满足了对驾驶人状态监测系统的实时性要求。其次,本文提出了一种基于对比学习的驾驶人分心检测框架。利用无监督学习技术的优势,通过自我对比增强模型对驾驶人行为特征的识别能力,从而有效区分正常与异常驾驶行为。以Res Net50作为主干网络进行训练,在验证集测试中实现93.78%的高准确率,同时又基于轻量级卷积神经网络Mobile Net V2提出另一种方案,在基本保证准确性的同时极大的减少了参数量,提高了模型的轻量化水平,显著降低了模型的运算需求,适于在资源受限的车载系统中部署。通过在实际数据集上的广泛实验验证,这两种方法均展现出优越的性能,显著超越传统检测技术。本研究不仅在理论上深化了对驾驶人疲劳及分心状态检测技术的理解,而且在技术上为交通安全管理提供了有力的支撑。展望未来,希望领域内学者专家将进一步探索这些技术在不同驾驶环境下的适应性及其与其他智能交通系统的集成潜力。

关键词：驾驶人疲劳检测驾驶人分心检测深度学习残差网路对比学习交通安全

来源：评论

学校读者我要写书评

暂无评论

基于三维表面积法向量及不变矩利用深度神经网路之3D物件辨识

基于三维表面积法向量及不变矩利用深度神经网路之3D物件辨识

引用

作者：卓修民国立暨南国际大学

学位级别：硕士

这项研究将神经网路应用于3D物件辨识，在已知可以用于3D辨识的网路中，包含了有名的卷积神经网路以及递回神经网路，透过不同的表示法，可以让这些网路以不同的输入大小进行训练，同时也会影响训练的复杂度及准确度，在研究中，分别使... 详细信息

这项研究将神经网路应用于3D物件辨识，在已知可以用于3D辨识的网路中，包含了有名的卷积神经网路以及递回神经网路，透过不同的表示法，可以让这些网路以不同的输入大小进行训练，同时也会影响训练的复杂度及准确度，在研究中，分别使用了张量表示法来表示卷积神经网路的输入资料形式，以及不变矩表示法来表示递回神经网路的输入资料形式，并且分别对同一笔数据的四种型态进行训练及实验结果的比较，这笔数据是从知名的3D资料库ObjectNet3D取得并将这些数据以不同的方式表示，将这些处理完的数据分别以卷积神经网路及递回神经网路训练后，会发现以法向量张量输入形式的卷积神经网路有着很好的辨识效果但是鲁邦性相对不足，如果使用过少的资料进行训练易于过拟合，而以不变矩输入形式的递回神经网路则是相反，对于同一物件的旋转，缩放及位移都有良好的鲁邦性，但是当分类物件较多时，准确率会有明显的下降，因此，这项研究提出了一种新的网路架构，这个网路架构结合了本研究中张量和不变矩的两种表示法，并加入了残差网路的设计想法来解决过拟合的问题，这里将这个网路称为残差序连卷积神经网路，并在最后与PointNet进行比较。

关键词： 3D物件辨识卷积神经网路递回神经网路张量表示法不变矩表示法残差网路 ObjectNet3D 残差序连卷积神经网路 PointNet

来源：评论

学校读者我要写书评

暂无评论

運用深度學習建構高效率的行為辨識模型

引用

先进工程学刊 2022年第1期17卷 1-8页

作者：高毅桓李維平林煦堯

在影像中识别人类行为是一项具有挑战性与重要性的任务，可广泛的应用於各种情境；如自动监控系统中的异常事件检测、体育运动分析与影片分类等。本研究以3D ResNet-18模型为基础进行优化改造，提出一个更简单且较少超参数的模组化架构... 详细信息

在影像中识别人类行为是一项具有挑战性与重要性的任务，可广泛的应用於各种情境；如自动监控系统中的异常事件检测、体育运动分析与影片分类等。本研究以3D ResNet-18模型为基础进行优化改造，提出一个更简单且较少超参数的模组化架构。在KTH和UCF-101资料集上的结果表明本文所提出的演算法准确率（Top-1）分别为的96.3%和60.01%，与3D ResNet-18模型相比，本研究能对人类行为进行更准确的辨识。

关键词：深度學習三維卷積殘差網路行為辨識影像分類

来源：评论

学校读者我要写书评

暂无评论

一种基于深度学习的电影票房预测模型

引用

中国传媒大学学报（自然科学版） 2019年第1期26卷 27-32页

作者：茹玉年李波柴剑平刘剑波中国传媒大学信息与通信工程学院北京100024

电影产业是一项高投资高风险的行业,电影票房的预测对电影项目的制作、发行、放映以及相关产品的开发等商业智能决策过程提供了重要的支撑。本文提出了一种基于深度学习的映前电影票房预测模型,主要包括了特征交叉组合网络和稠密跳接网... 详细信息

电影产业是一项高投资高风险的行业,电影票房的预测对电影项目的制作、发行、放映以及相关产品的开发等商业智能决策过程提供了重要的支撑。本文提出了一种基于深度学习的映前电影票房预测模型,主要包括了特征交叉组合网络和稠密跳接网络。本文用451部电影训练模型,最后再在194部影片上测试,模型的绝对精度为55%,相对精度为92%。该模型在使用相同的特征的情况下好于SVM、随机森林等算法。

关键词：电影票房预测深度学习残差网路

来源：评论

学校读者我要写书评

暂无评论

改进的残差网络对红外图像热斑状态分类研究

引用

工业控制计算机 2021年第2期34卷 79-82页

作者：贾帅康孙海蓉苏子凡华北电力大学控制与计算机工程学院河北保定071003 华北电力大学河北省发电过程仿真与优化控制技术创新中心河北保定071003

为提高光伏组件红外热斑图像识别准确率,提出一种基于多尺度残差和注意力机制相结合的新型卷积神经网络AMSRnet。在残差模块引入多卷积核,充分提取图像的深层特征信息,采用多层注意力模块,减少不必要的特征学习,增强特征的判别性,同时... 详细信息

为提高光伏组件红外热斑图像识别准确率,提出一种基于多尺度残差和注意力机制相结合的新型卷积神经网络AMSRnet。在残差模块引入多卷积核,充分提取图像的深层特征信息,采用多层注意力模块,减少不必要的特征学习,增强特征的判别性,同时采用数据扩充方法防止模型过拟合。实验结果表明,AMSRnet模型训练识别自制的光伏组件红外图像热斑状态数据集,准确率高达95%,与VGG16等现有模型进行对比,AMSRnet模型的识别准确率比其他模型提高了4.41%~13.82%,且训练过程中准确率未出现明显的抖动现象,具有较高稳定性。

关键词：光伏热斑红外图像残差网路注意力机制图像分类

来源：评论

学校读者我要写书评

暂无评论

旋转机械滚动轴承智慧故障诊断模型

旋转机械滚动轴承智慧故障诊断模型

引用

作者：黎长安中原大学

学位级别：博士

根据测量信号的旋转机械轴承故障的准确诊断仍然是一个引起广泛关注的主要问题。目前，越来越多基于机器学习或深度学习理论的智慧故障诊断模型已被开发。这些模型预期能减少对人工的依赖，并增强诊断模型的自动故障检测。构建智慧故障... 详细信息

根据测量信号的旋转机械轴承故障的准确诊断仍然是一个引起广泛关注的主要问题。目前，越来越多基于机器学习或深度学习理论的智慧故障诊断模型已被开发。这些模型预期能减少对人工的依赖，并增强诊断模型的自动故障检测。构建智慧故障诊断模型有两种方法：基于机器学习方法和基于深度学习方法。然而，这两种方法的有效性仍是一个需要考虑的问题。因此，本研究提出了基于这两种方法的模型应用于检测旋转机械的轴承故障。第一种方法是基于机器学习的智慧轴承故障诊断模型（intelligent bearing fault diagnosis model based on machine learning, IBFDM based on ML）。此模型包括三个主要部分：特征提取、特征选取和特征分类。旋转机械的测量信号通过包络线分析和希尔伯特-黄转换技术处理以提取潜在特征。通过基于特征权重的群体初始化策略、新的群体更新机制以及群体筛选和替换过程对二进制粒子群最佳化进行了增强，创建了一种新的有效特征选取方法，可提高分类精度并减少数据大小。最优特征子集分别提供给人工神经网路以及支撑向量机作为最终识别任务。第二种方法是基于深度学习的智慧轴承故障诊断模型（intelligent bearing fault diagnosis model based on deep learning, IBFDM based on DL）。此模型有两个主要部分：第一部分是根据每个信号帧的持久性光谱构建图像数据集。具有残差网路（residual network, ResNet）结构的卷积类神经网路（convolutional neural network, CNN）被设计用于基于输入数据的分类是第二部分。持久性光谱是从原始信号的包络线中提取的。然后，基于短时傅立叶变换构建持久性光谱图像，呈现出传统频谱分析方法未曾给出的每个信号的频率、振幅和能量随时间变化的新关系。具有 ResNet 结构的改进 CNN 允许从较低层到较高层直接连接特征图，以从包络信号的持久性光谱图像中探索判别特征。这有助于利用低级层中的粒度特征，这些特征在传统 CNN 中前馈通过相邻层时可能会遗失。因此，所提出的轴承故障诊断模型的性能在电流信号和振动信号的不同测试平台上得到验证。模型的效率在轴承电流数据集上实现超过96%的辨识率，在轴承振动数据集上实现超过99%的辨识率。此外，IBFDM based on ML中的新特征选取方法根据七个基准数据集进行评估，显示出与其他同级竞争者相当的性能。此外，与其他类型的二维图像（频谱图和尺度图）和其他最先进的诊断模型相比，IBFDM based on DL的性能更佳。综上所述，所提出的两种模型在自动识别旋转机械健康状态领域具有很高的可行性。

关键词：轴承故障诊断特征提取特征选取二进制粒子群最佳化卷积类神经网路持久性光谱残差网路

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：