西安工程大学电子信息学院, 陕西 西安 710048
基于卷积神经网络,提出了短切毡缺陷分类的方法。通过旋转、平移和翻转对数据集进行扩充,解决了小数据样本在深度卷积神经网络中的过拟合问题;利用迁移学习的思想加速网络收敛,提高了网络的泛化能力;对比了不同网络结构并选择较好的网络进行数据集验证。结果表明,所提方法能够实现短切毡缺陷的有效分类,准确率为93%。
图像处理 卷积神经网络 缺陷分类 泛化能力 短切毡 激光与光电子学进展
2019, 56(10): 101009
1 中国科学院光电技术研究所, 成都 610209
2 电子科技大学, 成都 610054
3 中国科学院大学, 北京 100039
4 中国华阴兵器试验中心, 陕西 华阴 714200
支持向量机(SVM)由于其出色的泛化能力, 已成为目标检测领域应用最为广泛的分类器之一。然而在检测过程中, 过多的支持向量会产生很大的时间开销, 从而降低目标检测系统的实时性。针对此问题, 提出一种约简支持向量的方法, 以降低分类器的决策开销, 加快检测速度。此方法采用迭代的方式来估计特征空间中向量的原像, 通过构建精简原像集来简化支持向量机, 从而达到了提升分类速度的效果。利用精简的SVM结合Selective Search+BoW模型构建了一款快速检测器, 测试结果表明: 该检测器能够在保证检测率的前提下, 通过约简支持向量, 提高目标检测的实时性。
目标检测 支持向量机 泛化能力 原像 向量约简 object detection support vector machine generalization ability pre-image vector reduction
湖南大学 汽车车身先进设计制造国家重点实验室, 湖南 长沙 410082
针对现有的热误差建模方法建模效率低, 模型预测精度不理想等问题, 提出了广义径向基函数神经网络(RBF)建模方法并将其应用于数控机床热误差建模中。讨论了采用广义RBF神经网络进行热误差建模的原理及步骤。以数控导轨磨床主轴箱系统为例, 布置了12个主轴热误差的关键温度测点, 测得了2组独立的主轴箱系统热误差数据。将测得的数据分别用于建立主轴箱系统热误差广义RBF神经网络预报模型和验证模型的准确性。研究结果表明, 热误差广义RBF神经网络模型具有预测精度高及泛化能力强的优点; 与传统的RBF神经网络建模方法相比, 提出的广义RBF神经网络建模方法建模效率更高, 模型鲁棒性及预测性能更好, 是一种可以用于数控机床热误差实时补偿的有效建模方法。
广义径向基函数 神经网络 热误差建模 聚类算法 泛化能力 鲁棒性 数控导轨磨床 generalized radial basis function neural network thermal error modeling clustering algorithm generalization ability robustness Numerical Control(NC) guide rail grinder
1 成都信息工程学院,四川,成都,610041
2 厦门大学环境科学研究中心,福建,厦门,361005
类比信息传递过程中的一般测不准关系式,引进表征问题复杂性的函数复相关系数R和代表网络结构特性的隐节点数h,揭示了BP网络过拟合现象出现时的网络学习能力与推广能力之间满足的不确定关系式;通过模拟了12种不同类型复杂程度函数的过拟合数值试验,确定出关系式中的过拟合参数p的取值范围已缩小为1×10-5～5×10-4;给出应用BP网络对给定样本集的训练过程中,判断出现过拟合现象的方法.
BP网络 过拟合 学习能力 推广能力 不确定关系. BP network overfitting learning ability generalization ability uncertainty relation.
