大气与环境光学学报
2023, 18(5): 434
1 广东金融学院 实验教学中心，广东 广州 510091
2 广东金融学院 互联网金融与信息工程学院，广东 广州 510091
锂离子电池健康状态（State of Health，SOH）描述了电池当前老化程度，对于提前对电池的故障及失控做出预警避免电池的不安全行为具有重要意义。其估计难点在于难以确定数量合适、相关性高的估计输入以及设计合适的估计算法。通过对现有电池老化数据集的研究发现，电池充电过程中电压曲线数据相对稳定，且随着电池的老化出现规律性变化。因此，文中直接采用充电过程中电压数据作为估计SOH的输入，并在数据驱动的框架下，提出了一种基于门控循环神经网络（Recurrent Neural Networks with Gated Recurrent Unit, GRU-RNN）的锂电池SOH估计方法。该方法能够挖掘出一维电压数据中的时序特征和SOH之间的映射规律。在两个公开的电池老化数据集上的实验结果表明，提出的方法达到了1.25%的均方绝对误差和低于5.62%的最大误差，在估计精度上达到现有技术发展水平。
锂离子电池 健康状态 门控循环单元 循环神经网络 深度学习 lithium-ion battery state of health gated recurrent unit recurrent neural networks deep learning 红外与激光工程
2021, 50(2): 20200339
江南大学物联网工程学院, 江苏 无锡 214122
针对现有方法在脑肿瘤图像分割上的不足,提出一种基于改进的卷积神经网络的脑肿瘤图像分割算法。将DenseNet和U-net网络结构相融合,以提高对图像特征的提取能力。为了扩大卷积核的感受野,采用了空洞卷积。将分割结果通过完全连接的条件随机场循环神经网络进行精细分割输出,从而得到精确的脑肿瘤分割区域。实验结果表明,与传统的深度学习方法相比,平均Dice可以达到91.64%,算法在准确率上有较好的提升。
图像处理 图像分割 脑肿瘤分割 卷积神经网络 空洞卷积 完全连接的条件随机场循环神经网络 激光与光电子学进展
2020, 57(14): 141020
1 中国科学院沈阳自动化研究所, 辽宁 沈阳 110016
2 中国科学院大学, 北京 100049
卷积神经网络(Convolution Neural Networks, CNN)和循环神经网络(Recurrent Neural Networks, RNN)在图像分类、计算机视觉、自然语言处理、语音识别、机器翻译、语义分析等领域取得了迅速的发展, 引起了研究者对计算机自动生成图像描述的广泛关注。目前图像描述存在的主要问题有输入文本数据稀疏、模型存在过拟合、模型损失函数震荡难以收敛等问题。文中使用NIC作为基线模型, 针对数据稀疏问题, 改变了基线模型中的文本one-hot表示, 使用word2vec对文本进行映射, 为了防止过拟合, 在模型中加入了正则项和使用Dropout技术, 并在词序记忆方面取得创新, 引入联想记忆单元GRU, 用于文本生成。在试验中使用AdamOptimizer优化器进行参数迭代更新。实验结果表明: 改进后的模型参数减少且收敛速度大幅加快, 损失函数曲线更加平滑, 损失最大降至2.91, 模型的准确率比NIC提高了接近15%。实验有效地验证了在模型当中使用word2vec对文本进行映射可明显缓解数据稀疏问题, 加入正则项和使用Dropout技术可有效防止模型过拟合, 引入联想记忆单元GRU能够大幅减少模型训练参数, 加快算法收敛速度, 进而提高整个模型的准确率。
卷积神经网络 循环神经网络 门控循环单元 自然语言处理 图像描述 convolution neural networks recurrent neural networks gated recurrent unit natural language processing image description 红外与激光工程
2018, 47(2): 0203002
