基于深度神经网络的粒子图像测速算法

粒子图像测速(PIV)作为一种流体力学实验技术,能够从流体图像中获取全局、定量的速度场信息。随着人工智能技术的发展,设计用于粒子图像测速的深度学习技术具有广泛的应用前景和研究价值。借鉴在计算机视觉领域用于运动估计的光流神经网络,采用人工合成的粒子图像数据集进行监督学习训练,从而获得适用于流体运动估计的深度神经网络模型,并且能够高效地提供单像素级别分辨率的速度场。文中采用人工合成的湍流流场粒子图像进行初步实验评估,并讨论PIV神经网络的隐藏层输出和内在原理,同时将训练而成的深度神经网络模型与传统的相关分析法、光流法对比;随后进行射流流场测速实验,验证深度神经网络PIV的实用性。实验结果表明,文中提出的基于深度神经网络的粒子图像测速在精度、分辨率、计算效率上具有优势。     

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

基于3D-Winograd的快速卷积算法设计及FPGA实现

近年来，卷积神经网络（CNN）已被计算机视觉任务广泛采用。由于FPGA的高性能、能效和可重新配置性，已被认为是最有前途的CNN硬件加速器，但是受FPGA计算能力、存储资源的限制，基于传统Winograd算法计算三维卷积的FPGA解决方案性能还有提升的空间。首先，研究了适用于三维运算的Winograd算法一维展开过程；然后，通过增加一次性输入特征图和卷积块的维度大小、低比特量化权重和输入数据等方法改善CNN在FPGA上的运行性能。优化思路包括使用移位代替部分除法的方法、分tile方案、二维到三维扩展及低比特量化等4个部分。相对传统的二维Winograd算法，优化算法每个卷积层的时钟周期数减少了7倍左右，相较传统滑窗卷积算法平均每个卷积层减少7倍左右。通过研究，证明了基于一维展开的3D-Winograd算法可以大大减少运算复杂度，并改善在FPGA运行CNN的性能。      

多斜率自适应卷积神经网络激活函数

针对卷积神经网络中激活函数无法有效为处于不同激活程度的像素点提供特定梯度响应的问题，设计了一种由多个分段线性函数组成的自适应激活函数.首先依据像素激活值的取值范围，自适应地生成多个独立的激活域，各个激活域的并集包含激活图中全体像素点的激活值；随后在每个激活域中学习一个特定的线性函数，为处于该激活域中的像素点提供特定的梯度响应；最后以NIN网络和ResNet18网络为例，在CIFAR 10和CIFAR 100数据集上，验证所提激活函数的性能.实验结果表明，与现有激活函数相比，本文提出的激活函数，由于能够更好地为处于不同激活程度的像素点提供适当的梯度响应，使分类准确率在NIN网络上分别达到87.96%和69.01%，在ResNet18网络上分别达到88.56%和73.54%.     

一类拟线性椭圆型方程分歧点的存在性

本文讨论了下面问题的分歧点的存在性：－ｐｘｉ〔（１＋｜ｕ｜２）ｐ２－１ｕｘｉ〕＝μｕ＋ｆ（ｘ，ｕ），ｘ∈ＲＮｕ（ｘ）→０，当｜ｘ｜→＋∞时，ｕ０，μ∈Ｒ１，Ｎ＞ｐ≥２｛证明了μ＝０是上述问题的分歧点。     

含有任意多个椭圆孔弹性板的应力场计算

本文应用弹性力学的复变函数理论,用多保角变换的方法,导出了含有任意多个椭圆孔的无限大弹性板多复变量应力函数的表达式。每个孔的大小、位置和孔边作用的载荷均为任意指定。板的无限远处作用有和坐标轴方向一致的均匀拉压载荷P_x,P_y和均匀剪切载荷P_(xy)。并在孔边进行复Fourier级数展开,用待定系数法确定应力函数的未知系数,从而计算弹性板的应力场。编制了相应的FORTRAN77标准化程序,进行了考题和算例分析,给出了级数的收敛状况和孔边周向应力的分布图。     

非线性四阶微分方程两点边值问题解的存在唯一性

讨论了非线性四阶微分方程y(4)=f(x,y,y',y',y')的两点边值问题解的存在唯一性。其中,函数f在[a,b]×R4上连续,且满足Lipschitz条件。     

一类非线性边值问题的激波解

研究了一类非线性奇摄动方程。首先得到了外层解，利用特异极限阶定了激波层的几种可能位置，对激波层的几种不同位置利用伸长变量构造出内层解。最后利用匹配原则求出了原方程在整个区间上的渐进解。