期刊导航
期刊开放获取
vip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于RAdam算法优化ResNet50模型膏体图像识别方法研究
被引量：
15
1
作者
杨莹
吴爱祥
+1 位作者
王先成
王国立
《中国矿业》
2023年第7期79-86,共8页
膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化ResNet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移...
膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化ResNet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移学习的方法,对卷积神经网络的AlexNet模型、VGG16模型、VGG19模型和ResNet50模型进行预训练,对比4种模型的识别准确率和损失值,确定最佳模型;采用Adam算法和RAdam算法对模型进行优化,对比两种优化器的识别结果;利用优化模型对矿山现场图像进行识别,验证模型精度。研究结果表明:4种经典卷积神经网络模型在膏体图像识别中均有较好表现,ResNet50模型性能最佳。基于RAdam算法优化ResNet50模型收敛速度更快,识别精度更高。基于RAdam算法优化ResNet50模型膏体图像识别精度可达99.24%,可实现膏体图像的高精度识别。
展开更多
关键词
卷积神经网络
图像识别
radam
算法
ResNet50模型
膏体
在线阅读
下载PDF
职称材料
基于RAdam优化的DLSTM-AE交通流预测模型
被引量：
5
2
作者
黄艳国
周陈聪
左可飞
《公路交通科技》
CAS
CSCD
北大核心
2023年第1期185-191,199,共8页
交通流预测在智能交通系统中起着关键的作用。然而,由于交通数据有着复杂的时间依赖性和本身的不确定性,导致预测交通流变得具有挑战性。为了进一步充分提取交通流时空性、周期性等特征,采用了一种自编码器(AE)与深度长短时记忆网络(DLS...
交通流预测在智能交通系统中起着关键的作用。然而,由于交通数据有着复杂的时间依赖性和本身的不确定性,导致预测交通流变得具有挑战性。为了进一步充分提取交通流时空性、周期性等特征,采用了一种自编码器(AE)与深度长短时记忆网络(DLSTM)相结合的组合模型(DLSTM-AE),并引入改进的适应矩估计算法(RAdam)进行模型训练。首先利用深度长短时记忆网络模型对交通流序列信息特征进行采集,并借助自动编码器结构将采集的信息压缩为一个固定维度的表示向量。然后通过解码器对该向量进行重构,实现信息的进一步挖掘。最后在模型的训练过程中,利用RAdam算法进行优化,分批次更新动量参数,缩短寻找最优解的时间,提高模型预测的时效性和精度。在高速公路交通流真实数据集上进行了仿真并与其他模型方法进行了对比。结果表明:DLSTM-AE组合模型不仅在预测结果上具有明显的优势,而且在交通流周期性方面拥有较好的曲线拟合能力,其中测试集的均方根误差值下降了约0.445~1.826,平均绝对误差值下降了约0.282~0.984,相关系数值R^(2)提高了约0.005~0.023;在周期性上,相邻周对应工作日的预测精度远高于对照组。该模型可以捕捉交通流序列中更潜在的时空性和周期性信息,可以更好地满足高速公路交通流预测的需要。
展开更多
关键词
智能交通
交通流预测
深度神经网络
高速公路
radam
算法
原文传递
题名
基于RAdam算法优化ResNet50模型膏体图像识别方法研究
被引量：
15
1
作者
杨莹
吴爱祥
王先成
王国立
机构
金诚信矿业管理股份有限公司
北京科技大学土木与资源工程学院
出处
《中国矿业》
2023年第7期79-86,共8页
基金
中国博士后科学基金项目资助(编号:2021M701516)。
文摘
膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化ResNet50模型膏体图像识别方法,可实现膏体状态的高精度识别。通过收集尾砂悬液在浆体、膏体、滤饼等3种状态下的图像,经过图像预处理和数据集划分,结合迁移学习的方法,对卷积神经网络的AlexNet模型、VGG16模型、VGG19模型和ResNet50模型进行预训练,对比4种模型的识别准确率和损失值,确定最佳模型;采用Adam算法和RAdam算法对模型进行优化,对比两种优化器的识别结果;利用优化模型对矿山现场图像进行识别,验证模型精度。研究结果表明:4种经典卷积神经网络模型在膏体图像识别中均有较好表现,ResNet50模型性能最佳。基于RAdam算法优化ResNet50模型收敛速度更快,识别精度更高。基于RAdam算法优化ResNet50模型膏体图像识别精度可达99.24%,可实现膏体图像的高精度识别。
关键词
卷积神经网络
图像识别
radam
算法
ResNet50模型
膏体
Keywords
convolutional neural network
image recognition
radam algorithm
ResNet50 model
paste
分类号
TD853.34 [矿业工程—金属矿开采]
在线阅读
下载PDF
职称材料
题名
基于RAdam优化的DLSTM-AE交通流预测模型
被引量：
5
2
作者
黄艳国
周陈聪
左可飞
机构
江西理工大学电气工程与自动化学院
出处
《公路交通科技》
CAS
CSCD
北大核心
2023年第1期185-191,199,共8页
基金
国家自然科学基金项目(72061016)。
文摘
交通流预测在智能交通系统中起着关键的作用。然而,由于交通数据有着复杂的时间依赖性和本身的不确定性,导致预测交通流变得具有挑战性。为了进一步充分提取交通流时空性、周期性等特征,采用了一种自编码器(AE)与深度长短时记忆网络(DLSTM)相结合的组合模型(DLSTM-AE),并引入改进的适应矩估计算法(RAdam)进行模型训练。首先利用深度长短时记忆网络模型对交通流序列信息特征进行采集,并借助自动编码器结构将采集的信息压缩为一个固定维度的表示向量。然后通过解码器对该向量进行重构,实现信息的进一步挖掘。最后在模型的训练过程中,利用RAdam算法进行优化,分批次更新动量参数,缩短寻找最优解的时间,提高模型预测的时效性和精度。在高速公路交通流真实数据集上进行了仿真并与其他模型方法进行了对比。结果表明:DLSTM-AE组合模型不仅在预测结果上具有明显的优势,而且在交通流周期性方面拥有较好的曲线拟合能力,其中测试集的均方根误差值下降了约0.445~1.826,平均绝对误差值下降了约0.282~0.984,相关系数值R^(2)提高了约0.005~0.023;在周期性上,相邻周对应工作日的预测精度远高于对照组。该模型可以捕捉交通流序列中更潜在的时空性和周期性信息,可以更好地满足高速公路交通流预测的需要。
关键词
智能交通
交通流预测
深度神经网络
高速公路
radam
算法
Keywords
ITS
traffic flow prediction
deep neural network
expressway
radam algorithm
分类号
U491.1+12 [交通运输工程—交通运输规划与管理]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于RAdam算法优化ResNet50模型膏体图像识别方法研究
杨莹
吴爱祥
王先成
王国立
《中国矿业》
2023
15
在线阅读
下载PDF
职称材料
2
基于RAdam优化的DLSTM-AE交通流预测模型
黄艳国
周陈聪
左可飞
《公路交通科技》
CAS
CSCD
北大核心
2023
5
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
