D2L-5:再看网络处理序列
RNN
RNN组织架构的精髓在于:在输入输出之外,引入了隐状态来表达当前输入输出所额外包含的序列信息。RNN的Hidden_size是超参数,这种自由度为隐状态的物理含义披上了一层神秘面纱(当然本来ML就是一个难以解释的迷hh)。给出RNN的基本计算公式。由这个公式可以拓展出,RNN包括下面的所有东西都可以是双向的bi-direction、多层的multi_layer。
Ht=tanh(Xt∗Wxh+Ht−1∗Whh+bh)Ot=O(Ht∗Whq+bq)H_t = \tanh(X_t*W_{xh}+H_{t-1}*W_{hh}+b_h)\\
O_t = O(H_t*W_{hq}+b_q)
Ht=tanh(Xt∗Wxh+Ht−1∗Whh+bh)Ot=O(Ht∗Whq+bq)
GRU和LSTM
每次RNN对输入进来的东西进行处理后,会不由分说/平等/一视同仁地更新隐状态。仿佛对上一隐状态只留存极其短期的记忆,但有时候可能特别在意序列特别早期输入进来的内容,或者此次的输入根本不重要等,希望希望对这个短期记忆能够长一点。因此就叫做长的短期记忆神经网络(Long Short ...
D2L-4:Yolo v1-v5对比
什么是YOLO?
YOLO(You Only Look Once)是一种一阶段的(one-stage)目标检测模型,它通过一次前向传递就可以同时完成目标的位置和类别预测。YOLO的设计理念是直接在图像上运行一次卷积操作,通过将图像分成网格(grid),每个网格负责检测其中心范围内的对象,从而输出边界框(bounding box)和类别概率。
基本概念
单阶段/两阶段
二阶段检测算法:如Faster R-CNN,首先利用区域提议网络(Region Proposal Network, RPN)生成一系列候选区域,然后对这些区域进行分类和边界框回归。这种方法分为两个明显的阶段:第一阶段提取感兴趣的区域,第二阶段进行分类和定位。
一阶段检测算法:如YOLO和SSD,直接在网络中同时预测类别和边界框的位置,无需单独生成候选区域。这种一体化的设计简化了处理流程,提高了检测速度。
准确率:二阶段检测算法通常具有更高的精度。其原因在于第一阶段的区域提议网络能够精细地提取感兴趣的区域,从而减少了误识别率和漏识别率。相比之下,一阶段检测算法由于省略了候选区域的生成过程,可能在定位和分类上稍逊一筹。
处理速 ...
D2L-3:经典网络对比
参考文献
李沐《动手学深度学习》(pytorch版)
CSDN博主【连理o】的博文
精髓
LeNet和AlexNet:模式都是卷积层+全连接层,前者通过不断提高通道数降低高宽用来提取特征,后者用于具体的分类。区别在于后者处理的图片高宽更大,因此网络更深、卷积核更大,同时后者使用了ReLU来替代sigmoid来缓解梯度消失。
VGG:模式都是重复使用简单的基础块+全连接层来构建深度模型,每个块内先用多个卷积层保持图片形状不变,后用最大池化使通道数翻倍宽高各减半。
NiN:抛弃多个卷积+多个全连接的模式,仅重复堆叠多个由卷积层和“全连接”层构成的NiN小块来构建一个深层网络。请关注这里两个1×11\times11×1卷积层的作用。
GoogLeNet:模式是卷积+Inception+平均池化+全连接,其中Inception块的核心贡献是开创了并行路线后在通道维上粘接的模式。
ResNet:模式是卷积+残差块+平均池化+全连接,其中残差块就是用网络去注重拟合f(x)−xf(x)-xf(x)−x的部分,输入跨层向前传播后和残差部分相加,这种方式能提高收敛性,缓解梯度消失/爆炸,防止过拟合。
...
基于深度学习的智能停车场监测调控系统
背景简述
随着国民经济的发展和人民生活消费水平的不断提高,城市汽车的保有量逐年递增,这对城市市容市貌等公共管理问题提出了巨大的挑战。城市停车场的数量和位置有限,采用更准确高效的技术对停车场车位或者车辆位置进行检测,能够有力地帮助我们更好地配置停车场资源。
具体来说,车辆检测就是通过一定的技术手段明确车位与车辆之间的位置关系,即车辆是否完整地停泊在某一车位里或车位在某一时刻下位置是否空缺。在这一问题的研究和解决上,当前主要的思路是在各个车位附近安装各种类型的传感器,通过车辆进出车位时引起的某种信号变化来确定车位的情况。基于传感器的车辆检测主要有以下两种:(1)磁传感器检测。汽车结构中的黑色金属具有很高的磁导率,因此可以产生较为明显的磁场变化。当把磁传感器埋在车尾下方或者放置在车位中央的时候,它能够很敏感地感受到磁场的变化从而判断当前车位的状态。文献[1]中E. Sifuentes等人应用了这种技术,同时配合其他低能耗传感器来唤醒和沉睡传感器,能达到一种能耗相对低廉的车位检测模式。(2)压电传感器检测。压电传感器利用车辆的较大质量,在车辆抵达车位后将压力信号转化为电信号传入控制系统。文献[ ...
基于人工智能图像处理的飞行器表面摩擦力场测量技术
背景简述
流体与固体壁面之间的摩擦阻力是流体动力学领域的一个重要参数。在空气动力学领域,许多重要信息可以通过显示或者测量壁面摩擦阻力信息而获取。流过飞行器表面的气流产生的摩擦阻力会显著影响飞行器的性能。内部流动产生的摩擦阻力(如喷气发动机压缩空气产生的摩擦阻力)同样会对发动机的推阻性能产生重要影响。准确测量摩擦阻力无论是在理论研究中还是工程实际中都具有重要意义。然而,壁面摩擦阻力的测量一直是一个难题,一直没有很好的测量方法和技术。传统的摩擦力测量方法主要采用机械或者电子的方法,如机械式天平、侵入式探针和传感器等。这些方法属于局部方法,只能测量单点摩擦力信息,并且会给流动带来干扰,甚至会给壁面带来破坏。如果能够高分辨率测量出壁面摩擦力的矢量分布,显然具有重要的科学意义和工程价值。
剪切敏感液晶(Shear-Sensitive Liquid Crystal, SSLC)涂层技术是一种非接触式壁面摩擦力矢量分布的全局测量方法。SSLC是一种固醇类液晶,其分子在物面上会形成一种螺旋轴垂直于壁面的螺旋结构,螺旋轴的长度与可见光的波长量级相同。这种螺旋结构在视觉上非常活跃,对白光(光谱连续分布的光 ...
断裂力学
教材:
[1] 郦正能,关志东,张纪奎,王军,贺小帆. 应用断裂力学[M]. 北京: 北京航空航天大学出版社, 2012.
[2] 张慧梅. 断裂力学[M]. 中国矿业大学出版社,2018.
div.row embed{
height: 1100px;
}
塑性力学
教材:尚福林.塑性力学基础 第2版[M].西安交通大学出版社.2015.pdf
div.row embed{
height: 900px;
}
疲劳力学
教材:杨新华,陈传尧.疲劳与断裂(第二版)[M].华中科技大学出版社.2018.
div.row embed{
height: 900px;
}
流热固耦合强度及疲劳寿命
10.30某型火箭发动机涡轮转子流热固耦合强度及疲劳寿命分析
黄朝晖,袁奇,张弘斌,李浦,王振,黄道琼.某型火箭发动机涡轮转子流热固耦合强度及疲劳寿命分析[J].西安交通大学学报,2022,56(08):73-84.
原文链接:https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDLAST2022&filename=XAJT202208008&uniplatform=NZKPT&v=my1nMiUpy50JP8KVPkqv03DhXwcPTBBtda_4NV-W-2djM6lqU-wUc-xF6ZaoHOrz
针对某国产型号液体火箭发动机涡轮泵在试车时转子叶片产生裂纹的问题,采用ANSYS流热固耦合方法,对叶片进行三维有限元仿真计算,提出了叶片顶部加围带的改型设计方案。
计算确定产生裂纹的原因是启动过程中部分进气的气流冲击应力过高,且叶片型底前缘应力集中区域的高周疲劳安全系数过低。针对这个点进行改型优化设计,可以有效降低最大等效应力,提高使用寿命。
双向耦合分析比单向耦 ...
蒙特卡洛方法/灵敏度分析/正态性检验
🖊️蒙特卡洛方法10.26
[1] Laumakis P J, Harlow G. Structural reliability and Monte Carlo simulation[J]. International Journal of Mathematical Education, 2010, May 01(3): 377-387
[2] 王哲君, 强洪夫, 常新龙, 等. 结构可靠性仿真方法研究[J]. 力学与实践, 2014, 36(1):9-22
原文链接:
[1] http://dx.doi.org/10.1080/00207390210125729
[2] DOI: 10.6052/1000-0879-13-117: http://lxsj.cstam.org.cn/CN/Y2014/V36/I1/9
蒙特卡洛 (Monte-Carlo, MC) 法亦称为概率模拟法,有时也称为随机抽样技术或统计试验方法。 它是一种通过随机变量的统计试验、随机模拟来求解数学物理、工程技术问题近似解的数值方法。 也是最直观、精确、对高度非线性问题最有效的结构可靠性分析方法。
基本MC ...