卷積神經(jīng)網(wǎng)絡(luò)的缺陷

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經(jīng)網(wǎng)絡(luò)的缺陷范文，相信會為您的寫作帶來幫助，發(fā)現(xiàn)更多的寫作思路和靈感。

卷積神經(jīng)網(wǎng)絡(luò)的缺陷范文第1篇

關(guān)鍵詞：無人機(jī)；STM32；道路檢測；神經(jīng)網(wǎng)絡(luò)；模型訓(xùn)練

傳統(tǒng)的道路巡檢和保養(yǎng)主要由人工來完成，需要投入大量的人力物力來保證道路的相對安全，這種方式存在著低效率、高成本且難以保證道路的決定安全[1]。固定式交通檢測設(shè)備大量設(shè)置在道路的主干路上，也存在著一些缺陷：（1）監(jiān)控?cái)z像頭不能做到全覆蓋且具有一定的探測盲區(qū)。（2）監(jiān)控系統(tǒng)采用多屏幕方式，工作人員進(jìn)行道路故障判斷時(shí)受限。（3）不能靈活的通知有關(guān)部門對事故的快速應(yīng)急處理。為了克服上述的缺點(diǎn)，本文設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的無人機(jī)道路巡檢系統(tǒng)，對發(fā)生故障和需要保養(yǎng)的道路能快速響應(yīng)，及時(shí)的通知有關(guān)部門，避免事故的發(fā)生。

1系統(tǒng)的總體設(shè)計(jì)

在無人機(jī)道路巡檢系統(tǒng)中，我們主要考慮了以下幾個(gè)要求[3]：（1）無人機(jī)系統(tǒng)能滿足正常的工作；（2）無人機(jī)系統(tǒng)能適應(yīng)各種天氣和氣候變化等；（3）無人機(jī)系統(tǒng)應(yīng)充分考慮控制的安全性；（4）視頻流的傳輸應(yīng)避免較長的延時(shí)。無人機(jī)道路巡檢系統(tǒng)主要由無人機(jī)系統(tǒng)設(shè)計(jì)、遠(yuǎn)程控制系統(tǒng)、PC端系統(tǒng)三大部分組成，系統(tǒng)的總體結(jié)構(gòu)框圖如圖1所示。系統(tǒng)的具體工作原理為：無人機(jī)將道路環(huán)境檢測的結(jié)果，將處理后的視頻流通過遠(yuǎn)程傳輸?shù)姆绞?，發(fā)送到PC端進(jìn)行實(shí)時(shí)監(jiān)控道路狀況。遠(yuǎn)程控制系統(tǒng)以STM32作為主控芯片，主要包括在無人機(jī)端和遙控端兩個(gè)部分，遙控端將控制指令通過2.4G通信發(fā)送到無人機(jī)端，此時(shí)無人機(jī)的做出相應(yīng)的位姿變化，完成遙控端對無人機(jī)位姿的控制。無人機(jī)系統(tǒng)的圖像采集模塊芯片為樹莓派，完成圖像的采集并采用TCP通信實(shí)現(xiàn)遠(yuǎn)程視頻的傳輸，將獲取的視頻流傳輸?shù)絇C端。PC端上使用OpenCV對圖像進(jìn)行處理[4]，利用深度學(xué)習(xí)模塊對設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)訓(xùn)練，從而得到檢測模型，最后在PC上接收處理過的數(shù)據(jù)并實(shí)時(shí)監(jiān)測道路狀況。上述工作原理可實(shí)現(xiàn)無人機(jī)道路巡檢系統(tǒng)，下文將對其包括的三大模塊進(jìn)行說明介紹。

2無人機(jī)系統(tǒng)設(shè)計(jì)

本次使用的是RaspberryPi3(modelB+)作為無人機(jī)的主控制板[7]，無人機(jī)的飛行控制算法和圖像采集模塊集成在樹莓派中。遠(yuǎn)程控制系統(tǒng)通過2.4G無線通信模塊連接，通過控制器實(shí)現(xiàn)對無人機(jī)飛行和圖像采集的控制。無人機(jī)系統(tǒng)總體結(jié)構(gòu)如圖2所示。

3PC端系統(tǒng)設(shè)計(jì)

在PC端系統(tǒng)設(shè)計(jì)主要分為圖像預(yù)處理、模型訓(xùn)練和視頻監(jiān)控三大部分，通過TCP通信協(xié)議進(jìn)行通信，TCP通信是一種面向連接的通信，可完成客戶端（樹莓派）和服務(wù)端（PC）的信息傳遞[9]。下面主要對前兩部分詳細(xì)介紹。

3.1圖像預(yù)處理

本系統(tǒng)對地面裂縫檢測的圖像預(yù)處理流程如圖3所示具體工作原理為：（1）采用加權(quán)平均灰度化對獲取的無人機(jī)影像進(jìn)行灰度化處理；（2）對灰度化處理后的影像進(jìn)行直方圖均衡化，使得影像具有高對比度和多元的灰度色調(diào)變化，為后續(xù)的濾波降噪奠定基礎(chǔ)；（3）對處理后的影像進(jìn)行濾波降噪，消除孤立的噪聲點(diǎn)，采用方法的是中值濾波降噪；（4）使用迭代二值化處理將影像的灰度值設(shè)置合適的閾值，使得圖像更簡單，目標(biāo)更突出，然后對圖像進(jìn)行分割，計(jì)算迭代的閾值，判斷迭代的閾值是否收斂到某一值或者達(dá)到限定的迭代次數(shù)，如果是的話，將完成二值化處理和濾波，否則將初始二值化閾值；（5）最終完成道路故障的識別與標(biāo)記。

3.2模型檢測

3.2.1卷積神經(jīng)網(wǎng)絡(luò)原理使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，首先使用卷積層實(shí)現(xiàn)特征的提取，原理如圖4所示。如圖5所示，卷積操作是模仿神經(jīng)元的機(jī)制。不同的輸入在權(quán)重的影響下會有不同的輸出，根據(jù)損失函數(shù)的計(jì)算來不斷的更新權(quán)重，直到獲得合理的權(quán)重參數(shù)。初始傳遞的信號為x，中間通過權(quán)重w，再經(jīng)過偏置b后連接在末端，最后輸出信號變成wx+b。fun(?)表示激活函數(shù)，最終f(z為輸出的結(jié)果，如式（1）所示。3.2.2卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程通過相機(jī)采集到的缺陷和問題圖像作為訓(xùn)練樣本，這部分是檢測道路安全的關(guān)鍵一步，（1）訓(xùn)練標(biāo)記數(shù)據(jù)：首先使用圖像預(yù)處理中標(biāo)記好的道路故障提取出來，通過卷積神經(jīng)網(wǎng)絡(luò)對標(biāo)記框內(nèi)的目標(biāo)數(shù)據(jù)進(jìn)行訓(xùn)練；（2）提取特征數(shù)據(jù)：將道路故障的類型統(tǒng)計(jì)并歸納；（3）誤差反饋學(xué)習(xí)：對測試樣本進(jìn)行誤差反饋學(xué)習(xí)，并進(jìn)行測試；（4）優(yōu)化訓(xùn)練數(shù)據(jù)：根據(jù)實(shí)際應(yīng)用場景增加圖像的種類和數(shù)量，不斷訓(xùn)練模型。3.2.3故障的基本分類道路故障主要路面缺陷（例如裂縫、殘缺等）和路面增加（例如長時(shí)間靜止的車輛和路人），各自訓(xùn)練集數(shù)量為1000張。如表1所示。3.2.4實(shí)驗(yàn)測試為實(shí)現(xiàn)故障的檢測，測試數(shù)據(jù)集為100張，不同類型故障數(shù)據(jù)50張，均采集自新道路且與訓(xùn)練樣本一致，實(shí)驗(yàn)結(jié)果如表2所示。由表2可知，檢測路面增加（例如長時(shí)間靜止的車輛和路人）的準(zhǔn)確率高達(dá)96%，但是地面缺陷的準(zhǔn)確率相比較而言略低，可能造成的原因是：①硬件原因?qū)е虏杉膱D像清晰度比較低；②地面缺陷太小，無人機(jī)難以識別；③訓(xùn)練的數(shù)據(jù)集較少，特征學(xué)習(xí)誤差大；但是滿足了設(shè)計(jì)需求，還需進(jìn)一步改進(jìn)。

4總結(jié)與展望

卷積神經(jīng)網(wǎng)絡(luò)的缺陷范文第2篇

【關(guān)鍵詞】人工智能 機(jī)器視覺 PCB 機(jī)器人生產(chǎn)線

隨著《“互聯(lián)網(wǎng)+”人工智能三年行動實(shí)施方案》的和國家對制造業(yè)的高度重視，2016年中國人工智能市場規(guī)模達(dá)到239億，其中智能硬件平臺為152.5億，占比達(dá)到63.8%，高于86.5億的軟件集成平臺。未來三年人工智能市場將迎來新興機(jī)遇點(diǎn)，預(yù)計(jì)2017年產(chǎn)業(yè)規(guī)模達(dá)到295.9億，2018年將達(dá)到381億元，復(fù)合增長率達(dá)26.3%。

很顯然，人工智能正處于爆發(fā)式的發(fā)展階段，作為對于先進(jìn)科技最為敏感的工業(yè)界，會有大批量的技術(shù)更新?lián)Q代的需求。人工智能可以從各種方面優(yōu)化制造業(yè)，提高流水線效率，精進(jìn)制造工藝，解放技術(shù)工人生產(chǎn)力等等。人工智能的發(fā)展將會重塑萬億級別的產(chǎn)業(yè)，激發(fā)工業(yè)界的潛在創(chuàng)新能力。

1 基于計(jì)算機(jī)視覺的視覺層智能高速檢測排錯(cuò)設(shè)備設(shè)計(jì)方案

印刷電路板（PCB）是集成各種電子元器件的信息載體，由于貼片元器件體積小，安裝密度大，這就要求PCB板的集成度進(jìn)一步提高。為了保證電子產(chǎn)品的性能，PCB板缺陷檢測技術(shù)已經(jīng)成為電子行業(yè)中非常關(guān)鍵的技術(shù)。電路板缺陷檢測包括兩部分：焊點(diǎn)缺陷檢測和元器件檢測，傳統(tǒng)的檢測采用人工檢測方法，容易漏檢、檢測速度慢、檢測時(shí)間長、成本高，已經(jīng)逐漸不能夠滿足生產(chǎn)需要。因此，設(shè)計(jì)一種高效精準(zhǔn)搭載工業(yè)相機(jī)以取代人眼的機(jī)器視覺電路板檢測系統(tǒng)，具有非常重要的現(xiàn)實(shí)意義。機(jī)器視覺檢測技術(shù)是建立在圖像處理算法的基礎(chǔ)上，通過數(shù)字圖像處理與模式識別的方法來實(shí)現(xiàn)，與傳統(tǒng)的人工檢測技術(shù)相比，提高了缺陷檢測的效率和準(zhǔn)確度。

本系統(tǒng)將視覺設(shè)備設(shè)置于電子設(shè)備（如PCB板，單片機(jī)，電腦主板）安裝的末端，采用高速工業(yè)攝像頭，對裝配好的器材進(jìn)行拍照，并出傳輸?shù)脚佩e(cuò)設(shè)備的主機(jī)進(jìn)行高速的分析，在毫秒級單位的時(shí)間內(nèi)，分析出正在檢測的設(shè)備是否正確安裝及正確排版等一系列視覺層可分析的錯(cuò)誤（電容大小是否正確，排線順序是否正確，電路板虛焊是否存在等問題）。

本系統(tǒng)由計(jì)算機(jī)視覺的分支：深度學(xué)習(xí)的CNN（卷積神經(jīng)網(wǎng)絡(luò)）在主板中實(shí)現(xiàn)，根據(jù)檢測設(shè)備的不同，在前期進(jìn)行大量的圖片訓(xùn)練，調(diào)卷積神經(jīng)網(wǎng)絡(luò)各個(gè)層次之間的參數(shù)權(quán)重，構(gòu)建專屬的卷積神經(jīng)網(wǎng)絡(luò)。將圖片轉(zhuǎn)換成像素級的矩陣，并對其進(jìn)行多層次卷積，得到該像素矩陣的得分函數(shù)，返回該圖片的分類，確定是否為正確的組裝設(shè)備，如圖1所示。

2 基于視覺機(jī)器人智能生產(chǎn)線設(shè)計(jì)方案

建立在3D視覺引導(dǎo)下的，機(jī)器人與機(jī)器人間，機(jī)器人與供料機(jī)構(gòu)間的定位聯(lián)動系統(tǒng)。該系統(tǒng)以機(jī)器人為主體，供料機(jī)構(gòu)與機(jī)器人可任意組合。采用手眼識別的定位原理，首先通過CCD攝像機(jī)、圖像信號接收與A/D轉(zhuǎn)換模塊、圖像處理模塊，實(shí)現(xiàn)對圖像信息的獲取、采集、轉(zhuǎn)化、分析、提取和邊界特征識別，分析出供料機(jī)構(gòu)的空間坐標(biāo)信息，并傳送給總控模塊，總控模塊做出智能判斷并指導(dǎo)控制執(zhí)行模塊，將供料機(jī)構(gòu)的坐標(biāo)系與自己建立的坐標(biāo)系關(guān)聯(lián)。通過供料機(jī)構(gòu)的電路接口與主控機(jī)器人的電路接口。

該生產(chǎn)線包括傳送帶和高精度的搬運(yùn)、注膠、焊接和裝配機(jī)器人等。在機(jī)械臂的末端裝置CCD攝像機(jī)，使得機(jī)器人能夠精準(zhǔn)快速的查找裝備目標(biāo)，極大地節(jié)約設(shè)備運(yùn)行效率。

使用OPENCV編譯的可執(zhí)行文件，對攝像機(jī)傳輸回處理器的圖像進(jìn)行，線性切分，轉(zhuǎn)換像素矩陣，灰度化圖像。并在毫秒級環(huán)境下，準(zhǔn)確提取圖片特征，對圖片進(jìn)行分析，找到操作點(diǎn)。

各功能機(jī)器人實(shí)現(xiàn)聯(lián)動工作，生產(chǎn)線傳送帶將空殼體傳送至該工位，裝配機(jī)器人通過視覺設(shè)備將殼體固定于裝配工位，并根據(jù)視覺系統(tǒng)的分析，準(zhǔn)確的將零件逐一安裝在殼體上，而后通過傳送帶將其傳送至打螺絲工位，打螺絲機(jī)器人，通過視覺設(shè)備快速定位螺絲口，快速精準(zhǔn)選取所對應(yīng)的的螺絲，從而實(shí)現(xiàn)高度智能化，自動化。然后螺絲振動盤上抓取螺絲安裝于殼體上，并進(jìn)行固定；完成安裝后傳送帶將殼體運(yùn)送到下一個(gè)工位。

3 基于大數(shù)據(jù)深度挖掘的工業(yè)智能腦決策系統(tǒng)

隨著大規(guī)模定制和網(wǎng)絡(luò)協(xié)同的發(fā)展，制造業(yè)企業(yè)還需要實(shí)時(shí)從網(wǎng)上接受眾多消費(fèi)者的個(gè)性化定制數(shù)據(jù)，并通過網(wǎng)絡(luò)協(xié)同配置各方資源，組織生產(chǎn)，管理更多各類有關(guān)數(shù)據(jù)。

本系統(tǒng)構(gòu)建了基于大數(shù)據(jù)深度挖掘及潛在價(jià)值分析的智能決策模型，定義為數(shù)字工廠智能腦模型，系統(tǒng)體系由以下四個(gè)方面組成。

（1）數(shù)據(jù)流收集系統(tǒng)。數(shù)據(jù)從設(shè)備不同的傳感器生成后被通過網(wǎng)絡(luò)傳輸?shù)缴a(chǎn)商的服務(wù)器上。

（2）數(shù)據(jù)豐富系統(tǒng)。利用其他外部數(shù)據(jù)來豐富已有的機(jī)器日志，比如說人口數(shù)據(jù)，地址數(shù)據(jù)。

（3）變量生成系統(tǒng)。在一段時(shí)間內(nèi)，為每個(gè)測量值，每臺設(shè)備生成幾千個(gè)變量特征的范式。

（4）機(jī)器學(xué)習(xí)系統(tǒng)。具有預(yù)測力的變量被自動選擇，分類模型已經(jīng)建立創(chuàng)建完成，并用于后期收集的數(shù)據(jù)。

（5）商業(yè)行動系統(tǒng)。生產(chǎn)商以及銷售網(wǎng)絡(luò)可以執(zhí)行或者建議對高風(fēng)險(xiǎn)機(jī)器進(jìn)行預(yù)防性維修，如圖2所示。

4 結(jié)束語

人工智能在國內(nèi)外處于一個(gè)黃金階段且正在高速發(fā)展，但國內(nèi)的發(fā)展相對滯后，本文旨在電子行業(yè)首創(chuàng)運(yùn)用AI技術(shù)，實(shí)現(xiàn)作業(yè)機(jī)器人與智能視覺的協(xié)同，利用大數(shù)據(jù)分析平臺，指導(dǎo)企業(yè)的生產(chǎn)優(yōu)化，對電子行業(yè)的智能化發(fā)展具有一定的指導(dǎo)作用。

參考文獻(xiàn)

[1]丁林祥.電子制造業(yè)機(jī)器人智能化解決方案[M].北京：機(jī)械工業(yè)出版社，2016（06）.

[2]吳云峰，邱華，胡華強(qiáng).面向設(shè)計(jì)與制造的數(shù)字化工廠平臺[J].中國制造業(yè)信息化，2011（01）.

卷積神經(jīng)網(wǎng)絡(luò)的缺陷范文第3篇

2.輸流管道參數(shù)共振的試驗(yàn)研究梁峰，金基鐸，楊曉東，聞邦椿，LiangFeng，JinJiduo，YangXiaodong，WenBangchun

3.非接觸式超聲馬達(dá)的聲流及聲壓分析鄒楠，魏守水，姜春香，ZouNan，WeiShoushui，JiangChunxiang

4.基于核函數(shù)Fisher鑒別分析的特征提取方法胡金海，謝壽生，駱廣琦，李應(yīng)紅，楊帆，HuJinhai，XieShousheng，LuoGuangqi，LiYinghong，YangFan

5.光纖機(jī)敏結(jié)構(gòu)振動形態(tài)感知及其SMA致動控制朱曉錦，陸美玉，趙曉瑜，張合生，ZhuXiaojin，LuMeiyu，ZhaoXiaoyu，ZhangHesheng

6.虛擬式零件尺寸檢測儀的研制郭明青，秦樹人，王見，GuoMingqing，QinShuren，WangJian

7.一種基于支持向量機(jī)的齒輪箱故障診斷方法會，WuDehui

8.超聲電機(jī)多定子同步驅(qū)動技術(shù)的研究李亭，張鐵民，劉瀟建，LiTing，ZhangTiemin，LiuXiaojian

9.阻尼材料動態(tài)力學(xué)參數(shù)自動測試系統(tǒng)的設(shè)計(jì)胡衛(wèi)強(qiáng)，王敏慶，劉志宏，馬少璞，周赤奇，HuWeiqiang，WangMinqing，LiuZhihong，MaShaopu，ZhouChiqi

10.減振裝置過油孔對阻尼閥水擊的影響研究陳軼杰，顧亮，黃華，張中生，王亞軍，ChenYijie，GuLiang，HuangHua，ZhangZhongsheng，WangYajun

11.點(diǎn)蝕與剝落對齒輪扭轉(zhuǎn)嚙合剛度影響的分析安春雷，韓振南，AnChunlei，HanZhennan

12.基于EKF訓(xùn)練的RBF神經(jīng)網(wǎng)絡(luò)及其故障診斷應(yīng)用王璐，潘紫微，葉金杰，WangLu，PanZiwei，YeJinjie

13.液壓脈振注射機(jī)塑化過程螺桿動態(tài)特性分析王權(quán)，瞿金平，WangQuan，QuJinping

14.最佳小波包基改進(jìn)軟閾值的消噪方法及應(yīng)用侯新國，劉開培，魏建華，HouXinguo，LiuKaipei，WeiJianhua

15.新型多軸旋轉(zhuǎn)超聲電機(jī)原理金家楣，張建輝，趙淳生，JinJiamei，ZhangJianhui，ZhaoChunsheng

16.百萬等級汽輪發(fā)電機(jī)基礎(chǔ)動力特性優(yōu)化研究代澤兵，劉寶泉，吉曄，王樹嶺，朱祝兵，DaiZebing，LiuBaoquan，JiYe，WangShuling，ZhuZhubing

17.CSP軋機(jī)扭振與垂振耦合研究閆曉強(qiáng)，史燦，曹曦，劉麗娜，YanXiaoqiang，ShiCan，CaoXi，LiuLina

18.抖晃對振動脈沖頻響特性估計(jì)的影響黃迪山，HuangDishan

19.剛架拱橋病害與損傷識別的動力學(xué)研究李枝軍，李愛群，繆長青，LiZhijun，LiAiqun，MiaoChangqing

20.大型船閘人字閘門工作模態(tài)試驗(yàn)分析蔣建國，李勤，JiangJianguo，LiQin

21.CSP軋機(jī)振動的振源研究王永濤，臧勇，吳迪平，范小彬，WangYongtao，ZangYong，WuDiping，F(xiàn)anXiaobin

22.基于遺傳編程的發(fā)動機(jī)滑油系統(tǒng)故障診斷侯勝利，王威，胡金海，周根娜，HouShengli，WangWei，HuJinhai，ZhouGenna

23.低功耗頂板離層儀研究閻學(xué)文，吳波，廉自生

1.航空發(fā)動機(jī)轉(zhuǎn)子振動信號的分離測試技術(shù)馬建倉，石慶斌，程存虎，趙述元，MaJiancang，ShiQingbin，ChengCunhu，ZhaoShuyuan

2.刀具磨損監(jiān)測及破損模式的識別康晶，馮長建，胡紅英，KangJing，F(xiàn)engChangjian，HuHongying

3.用最大重疊離散小波包變換的Hilbert譜時(shí)頻分析楊宇，何怡剛，程軍圣，于德介，YangYu，HeYigang，ChenJunsheng，YuDejie

4.柴油發(fā)動機(jī)曲軸軸承振動信號的雙譜分析趙慧敏，夏超英，肖云魁，李會梁，夏天，ZhaoHuimin，XiaChaoying，XiaoYunkui，LiHuiliang，XiaTian

5.動態(tài)·信息

6.基于能量的振動信號經(jīng)驗(yàn)?zāi)B(tài)分解終止條件胡勁松，楊世錫，HuJingsong，YangShixi

7.金屬橡膠材料阻尼性能的影響參數(shù)李宇燕，黃協(xié)清，LiYuyan，HuangXieqing

8.應(yīng)用變精度粗糙集獲取柴油機(jī)故障有效監(jiān)測點(diǎn)劉軍，LiuJun

9.反饋回路系統(tǒng)診斷策略優(yōu)化技術(shù)研究楊鵬，邱靜，劉冠軍，YangPeng，QiuJing，LiuGuanjun

10.獨(dú)立分量分析在機(jī)械振動信號分離中的應(yīng)用劉婷婷，任興民，LiuTingting，RenXingmin

11.基于KPCA-SVM的柴油機(jī)狀態(tài)識別方法的研究振動、測試與診斷 李宏坤，馬孝江，LiHongkun，MaXiaojiang

12.運(yùn)用希爾伯特黃變換的橋梁顫振導(dǎo)數(shù)識別宋斌華，黃方林，王學(xué)敏，SongBinhua，HuangFanglin，WangXuemin

13.小波包時(shí)頻分析及其特性鐘佑明，ZhongYouming

14.基于EI及MAC混合算法的斜拉橋傳感器優(yōu)化布置袁愛民，戴航，孫大松，YuanAimin，DaiHang，SunDasong

15.利用倒階次譜和經(jīng)驗(yàn)?zāi)B(tài)分解的軸承故障診斷康海英，祁彥潔，王虹，欒軍英，鄭海起，KangHaiying，QiYanjie，WangHong，LuanJunying，ZhengHaiqi

16.鋼混簡支梁加載損傷后耗能特征試驗(yàn)研究王卓，閆維明，秦棟濤，劉昌鵬，WangZhuo，YanWeiming，QinDongtao，LiuChangpeng

17.三級同心液壓溢流閥噪聲特性的CFD分析陳青，許惠，權(quán)龍，ChenQing，XuHui，QuanLong

18.基于故障原因-征兆矩陣的故障診斷專家系統(tǒng)姚劍飛，江志農(nóng)，趙慶亮，張雪，YaoJianfei，JiangZhinong，ZhaoQingliang，ZhangXue

19.往復(fù)式壓縮機(jī)氣缸壓力模擬曲線提取趙俊龍，，郭正剛，李宏坤，王奉濤，ZhaoJunlong，ZhangZhixin，GuoZhenggang，LiHongkun，WangFengtao

20.基于類間可分性度量和SVM的多故障分類算法李敏，楊潔明，張曉平，LiMin，YangJieming，ZhangXiaoping

21.磁通量法在預(yù)應(yīng)力懸掛結(jié)構(gòu)拉索施工中的應(yīng)用宋杰，陳魯，張其林，陳國棟，SongJie，ChenLu，ZhangQilin，ChenGuodong

22.框架在脈沖位移作用下的回傳波射矩陣法解范志華，孫國鈞，繆馥星，F(xiàn)anZhihua，SunGuojun，MiuFuxing

23.改進(jìn)的主成分分析方法在磁浮系統(tǒng)中的應(yīng)用鄒東升，佘龍華，ZouDongsheng，YuLonghua

24.高速列車垂向振動的模擬器再現(xiàn)方法研究王小亮，李立，張衛(wèi)華，WangXiaoliang，LiLi，ZhangWeihua

25.裝甲車輛動力傳動系統(tǒng)載荷譜測試方法研究潘宏俠，黃晉英，郭彥青，孫黎明，PanHongxia，HuangJinying，GuoYanqing，SunLiming

26.撓性接頭剛度測量中傳感器的研究王廣林，王慧峰，詹捷，陶崇德，孫國光，盧澤生，WangGuanglin，WangHuifeng，ZhanJie，TaoChongde，SunGuoguang，LuZesheng

1.橡膠V帶式無級變速器性能的測試與試驗(yàn)研究上官文斌，王江濤，王小莉，ShangguanWenbin，WangJiangtao，WangXiaoli

2.一種新型孔式模態(tài)轉(zhuǎn)換型超聲電機(jī)楊淋，金家楣，趙淳生，YangLin，JinJiamei，ZhaoChunsheng

3.基于瞬態(tài)聲與階次倒譜的齒輪箱故障診斷田昊，唐力偉，陳紅，楊通強(qiáng)，張磊，TianHao，TangLiwei，ChenHong，YangTongqiang，ZhangLei

4.軸心軌跡自動識別及其在旋機(jī)診斷中的應(yīng)用許飛云，鐘秉林，黃仁，XuFeiyun，ZhongBinglin，HuangRen

5.多傳感器主元方向和神經(jīng)網(wǎng)絡(luò)的狀態(tài)識別方法張金萍，李允公，劉杰，ZhangJinping，LiYungong，LiuJie

6.多分支扭轉(zhuǎn)振動建模方法與分析軟件的研究袁清珂，曹廣忠，YuanQingke，CaoGuangzhong

7.基于EMD和球結(jié)構(gòu)SVM的滾動軸承故障診斷楊潔明，田英，YangJieming，TianYing

8.新型氣浮聯(lián)合軸承轉(zhuǎn)子系統(tǒng)啟動過程振動特性張占一，應(yīng)懷樵，劉杰，楊金福，李磊，ZhangZhanyi，YingHuaiqiao，LiuJie，YangJinfu，LiLei

9.基于粒子群優(yōu)化的核主元分析特征的提取技術(shù)魏秀業(yè)，潘宏俠，王福杰，WeiXiuye，PanHongxia，WangFujie

10.齒輪箱起動過程故障診斷李輝，鄭海起，楊紹普，LiHui，ZhengHaiqi，YangShaopu

11.采用像素編碼技術(shù)的感應(yīng)電機(jī)定子故障診斷侯新國，劉開培，夏立，胡煊，HouXinguo，LiuKaipei，XiaLi，HuXuanHtTp://

12.高架路交通誘發(fā)的地面振動測試與分析常樂，閆維明，任珉，周福霖，ChangLe，YanWeiming，RenMin，ZhouFulin

13.基于相關(guān)函數(shù)的多振動信號數(shù)據(jù)融合方法李學(xué)軍，李萍，褚福磊，LiXuejun，LiPing，ChuFulei

14.軸承-轉(zhuǎn)子系統(tǒng)在弱控制作用下的動力學(xué)行為孫保蒼，鐘曉波，陳威，駱英，馮耀嶺，SunBaocang，ZhongXiaobo，ChenWei，LuoYing，F(xiàn)engYaoling

15.振動、測試與診斷 海邊山坡場地爆破地震波的衰減測試與分析吳小波，WuXiaobo

16.雙圖同軸光纖束位移傳感器研究楊亮，張小棟，YangLiang，ZhangXiaodong

17.利用小波去噪和HHT的模態(tài)參數(shù)識別湯寶平，何啟源，蔣恒恒，陸冬，TangBaoping，HeQiyuan，JiangHengheng，LuDong

18.應(yīng)用小波包和包絡(luò)分析的滾動軸承故障診斷唐貴基，蔡偉，TangGuiji，CaiWei

19.小波變換的流體壓力信號自適應(yīng)濾波方法研究谷立臣，閆小樂，劉澤華，GuLichen，YanXiaole，LiuZehua

20.CSP軋機(jī)扭振中"偽拍振"的研究王永濤，臧勇，吳迪平，秦勤，范小彬，WangYongtao，ZangYong，WuDiping，QinQin，F(xiàn)anXiaobin

21.動態(tài)·信息

22.直升機(jī)旋翼不平衡故障診斷試驗(yàn)研究高亞東，張?jiān)?，GaoYadong，ZhangZengchang

23.梁橋上移動荷載識別中的測點(diǎn)優(yōu)化陳鋒，李忠獻(xiàn)，ChenFeng，LiZhongXian

24.基于遺傳小波神經(jīng)網(wǎng)絡(luò)的雙余度電機(jī)故障診斷李世超，石秀華，崔海英，許暉，LiShichao，ShiXiuhua，CuiHaiying，XuHui

25.某型工業(yè)叉車護(hù)頂架的振動診斷楊義，李志遠(yuǎn)，馬慶豐，YangYi，LiZhiyuan，MaQingfeng

26.銀基合金摩擦振動與噪聲特性的分析與控制陳傳海，楊世錫，鄭傳榮，ChenChuanhai，YangShixi，ZhengChuanrong

27.橢圓振動修整超聲磨削ZrO2溫度試驗(yàn)研究陳東海，劉春孝，ChenDonghai，LiuChunxiao

1.超聲電機(jī)接觸界面的兩種簡化有限元模型周盛強(qiáng)，趙淳生

2.基于特征參數(shù)的旋轉(zhuǎn)機(jī)械智能故障診斷方法張征凱，薛松，張優(yōu)云

3.《振動、測試與診斷》編委會會議紀(jì)要

4.燃料電池車氫氣輔助系統(tǒng)結(jié)構(gòu)動態(tài)特性分析申秀敏，左曙光，蔡建江，張靜芬，李林，張世煒

5.鐵路貨車側(cè)墻制造過程建模與變形規(guī)律預(yù)測盧碧紅，李亞娜，聶春戈，兆文忠

6.改進(jìn)支持向量機(jī)模型的旋轉(zhuǎn)機(jī)械故障診斷方法曹沖鋒，楊世錫，周曉峰，楊將新

7.基于小波神經(jīng)網(wǎng)絡(luò)的木質(zhì)材料缺陷模式識別孫建平，王逢瑚，曹軍，胡英成

8.旋轉(zhuǎn)機(jī)械故障診斷中的振動信號自適應(yīng)分形壓縮算法唐貴基，張杏娟，杜必強(qiáng)

9.距離函數(shù)分類法在制粉系統(tǒng)故障診斷中的應(yīng)用陳蔚，賈民平

10.基于模態(tài)綜合技術(shù)的結(jié)構(gòu)有限元模型修正劉洋，段忠東，周道成

11.循環(huán)平穩(wěn)度在發(fā)電機(jī)組故障趨勢分析中的應(yīng)用左云波，王西彬，徐小力

12.900t級架橋機(jī)多軟件協(xié)同仿真平臺試驗(yàn)研究凌正陽，曹恒，王瑜，張振雄，商偉軍

13.岸橋前大梁鉸支座支承對其橫向振動的影響邱惠清，盧凱良，李雪，歸正，曾怡

14.車輛發(fā)動機(jī)懸置處的動態(tài)剛度仿真研究蘭鳳崇，謝然，陳吉清

15.拉索平面內(nèi)自由振動影響因素分析姜健，李國強(qiáng)，郝坤超

16.基于小波和自組織網(wǎng)絡(luò)的電纜故障識別汪梅，曲立娜

17.非庫侖摩擦轉(zhuǎn)子試驗(yàn)臺碰摩分叉行為振動、測試與診斷 王正浩，王景愚

18.小波包與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪箱故障識別時(shí)建峰，程珩，許征程，史少輝，時(shí)偉，鈕效鹍

19.基于奇異值分解的頻響函數(shù)降噪方法孫鑫暉，張令彌，王彤

20.球磨機(jī)料位電聲檢測系統(tǒng)的研制楊數(shù)強(qiáng)，余成波，全曉莉，崔焱喆

21.上臥式閘門水彈性振動試驗(yàn)研究顧云，嚴(yán)根華，趙建平

22.抖晃初相在振動頻響估計(jì)誤差中的作用黃迪山

23.大型鋁電解槽針振信號深層特征提取方法研究周孑民，單峰，唐騫，李賀松，蔣科進(jìn)，郭潔

24.非穩(wěn)態(tài)信號計(jì)算階次分析中的重采樣率研究汪偉，楊通強(qiáng)，王紅，王平，鄧士杰

25.基于無傳感器檢測方法的機(jī)械系統(tǒng)扭振試驗(yàn)研究時(shí)獻(xiàn)江，郭華，邵俊鵬

26.運(yùn)用小波變換檢測汽車后橋總成故障余德平，王寶強(qiáng)，史延楓，任德均，姚進(jìn)

27.基于AR模型和神經(jīng)網(wǎng)絡(luò)的柴油機(jī)故障診斷黃泉水，江國和，肖建昆

1.運(yùn)用改進(jìn)殘余力向量法的結(jié)構(gòu)損傷識別研究何偉，陳淮，王博，李靜斌，HeWei，ChenHuai，WangBo，LiJingbin

2.交通荷載作用下橋梁結(jié)構(gòu)參數(shù)識別方法吳子燕，易文迪，趙宇，WuZiyan，YiWendi，ZhaoYu

3.行波超聲電機(jī)定、轉(zhuǎn)子接觸狀態(tài)試驗(yàn)分析姚志遠(yuǎn)，吳辛，趙淳生，YaoZhiyuan，WuXin，ZhaoChunsheng

4.伺服閥滑閥疊合量測量方法潘旭東，王廣林，邵東向，韓俊偉，PanXudong，WangGuanglin，ShaoDongxiang，HanJunwei

5.基于CAN總線遠(yuǎn)程振動監(jiān)測系統(tǒng)研究何青，李紅，何子睿，HeQing，LiHong，HeZirui

6.縱向脈沖作用下壓電層合桿的動力分析彭亮，羅松南，鄧慶田，PengLiang，LuoSongnan，DengQingtian

7.超臨界600MW機(jī)組檢修后振動分析及處理劉石，劉興久，馮永新，劉永生，朱軍，肖小清，王棟，LiuShi，LiuXinjiu，F(xiàn)engYongxin，LiuYongsheng，ZhuJun，XiaoXiaoqing，WangDong

8.虛擬式流體參量集成測試系統(tǒng)及其實(shí)現(xiàn)季忠，陳青，秦樹人，溫海松，JiZhong，ChenQing，QinShuren，WenHaisong

9.彈性支承雙跨碰摩故障轉(zhuǎn)子系統(tǒng)非線性特性李東，袁惠群，吳立明，LiDong，YuanHuiqun，WuLiming

10.盲解卷積的機(jī)械振動信號分離技術(shù)劉婷婷，任興民，楊永鋒，郭峰，LiuTingting，RenXingmin，YangYongfeng，GuoFeng

11.基于壓電元件的懸臂梁半主動振動控制研究趙永春，季宏麗，裘進(jìn)浩，朱孔軍，ZhaoYongchun，JiHongli，QiuJinhao，ZhuKongjun

12.凸輪軸加工的誤差在線測量方法研究周傳德，賀澤龍，吳宏剛，張彩芳，ZhouChuande，HeZelong，WuHonggang，ZhangCaifang

13.振動、測試與診斷 一種仿真數(shù)字人步態(tài)規(guī)劃優(yōu)化算法曹恒，凌正陽，王瑜，龍勇波，朱鈞，CaoHeng，LingZhengyang，WangYu，longYongbo，ZhuJun

卷積神經(jīng)網(wǎng)絡(luò)的缺陷范文第4篇

本文結(jié)合計(jì)算機(jī)行業(yè)的發(fā)展，對計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)進(jìn)行了分析研究，希望能為計(jì)算機(jī)技術(shù)的進(jìn)步提供一定的理論支持。

一、計(jì)算機(jī)網(wǎng)絡(luò)的云計(jì)算技術(shù)概念

美國的網(wǎng)絡(luò)公司最早提出計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的概念，隨著科學(xué)的進(jìn)步與發(fā)展已經(jīng)逐漸成為了一門成熟的技術(shù)，有著豐富的理論基礎(chǔ)與實(shí)踐經(jīng)驗(yàn)?，F(xiàn)在的“云計(jì)算”技術(shù)是指能將網(wǎng)絡(luò)、硬件、設(shè)備相融合，同時(shí)實(shí)現(xiàn)規(guī)模性、安全性、虛擬性的技術(shù)。目前來看，對計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算的定義還沒有統(tǒng)一的趨勢，每一名研究人員都有自己的研究與看法，通過研究與分析，本文對云計(jì)算的觀點(diǎn)是：首先，每一個(gè)“云”都是獨(dú)立的計(jì)算機(jī)分布體系，基于網(wǎng)絡(luò)化、虛擬化的計(jì)算機(jī)服務(wù)層，與計(jì)算機(jī)中的資源保持一定的節(jié)奏，實(shí)現(xiàn)計(jì)算機(jī)資源的同步。其次，計(jì)算機(jī)網(wǎng)絡(luò)云是一個(gè)綜合體，并非是獨(dú)立的，計(jì)算機(jī)軟件的開發(fā)中離不開云計(jì)算的環(huán)節(jié)，其重點(diǎn)就是網(wǎng)絡(luò)云計(jì)算特征的研究。對于計(jì)算機(jī)網(wǎng)絡(luò)的使用者來說，計(jì)算機(jī)集成軟件層面，能被接受與理解的就是云計(jì)算，在本文重點(diǎn)突出的就是云計(jì)算的屬性。最后，計(jì)算機(jī)網(wǎng)絡(luò)的使用者沒有進(jìn)行長期的規(guī)劃后使用，很容易出現(xiàn)浪費(fèi)現(xiàn)象，目前的云計(jì)算技術(shù)可以實(shí)現(xiàn)分或秒內(nèi)的數(shù)據(jù)計(jì)算，可以很好地避免資源過載或資源浪費(fèi)現(xiàn)象。

通過研究可以看出，計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)可以定義成計(jì)算機(jī)網(wǎng)絡(luò)中進(jìn)行的某種服務(wù)形式，其中相關(guān)的硬件設(shè)施與軟件系統(tǒng)統(tǒng)稱為計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算。定義中包括網(wǎng)絡(luò)計(jì)算機(jī)、超級計(jì)算機(jī)、集成技術(shù)等，相關(guān)的技術(shù)既有區(qū)別又有聯(lián)系。計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的原理是：大量的數(shù)據(jù)分布于分布式計(jì)算機(jī)中，同時(shí)保證用戶的數(shù)據(jù)系統(tǒng)與計(jì)算機(jī)同步運(yùn)行，進(jìn)而實(shí)現(xiàn)及時(shí)將需要的資源切換到相應(yīng)的應(yīng)用中，根據(jù)使用者的訪問需求進(jìn)行存儲系統(tǒng)與計(jì)算機(jī)系統(tǒng)的定位。計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)可以基于用戶服務(wù)需求及時(shí)提供所需的網(wǎng)絡(luò)信息資源。計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)適應(yīng)性強(qiáng)，彈性好，專業(yè)技術(shù)性高，發(fā)展前景十分好，應(yīng)用越來越廣泛。

二、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的分類

基于多樣化的標(biāo)準(zhǔn)，計(jì)算機(jī)云計(jì)算的分類也有多種方式。比較常見的是：根據(jù)服務(wù)方式的不同，云計(jì)算可以分為私有云和公有云。私有云是根據(jù)用戶的自身情況進(jìn)行獨(dú)立使用，同時(shí)建立平臺，操作性與實(shí)用性十分好。公有云是ζ淥用戶的資源進(jìn)行開發(fā)利用。在選擇私有云與公有云時(shí)，應(yīng)該考慮的主要因素是：

1.服務(wù)的延續(xù)性

大部分情況下，公有云提供的服務(wù)容易受外界影響，如網(wǎng)絡(luò)故障等情況，而私有云則不會出現(xiàn)這種問題。

2.數(shù)據(jù)安全性

如果對于穩(wěn)定性與安全性不存在過高要求，則比較適合使用公有云。

3.綜合使用成本

通常狀況下，如果對于計(jì)算資源要求不高可以選用公有云，如果對于計(jì)算資源要求較高則比較適合建立自己的私有云平臺。

4.監(jiān)控能力

公有云可以將使用用戶對系統(tǒng)的監(jiān)控能力屏蔽起來，這對于金融保險(xiǎn)投資行業(yè)是十分有必要的。

三、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)的實(shí)現(xiàn)

為了將計(jì)算機(jī)系統(tǒng)的系統(tǒng)處理過程進(jìn)行簡化，通常將該過程劃分為預(yù)處理過程與功能實(shí)現(xiàn)過程兩大部分。對系統(tǒng)的各項(xiàng)功能進(jìn)行分解，得到一些不需要進(jìn)行功能實(shí)現(xiàn)過程與預(yù)處理過程的功能。對于可以進(jìn)行預(yù)先處理過程的功能通常是一次性處理，在執(zhí)行過程中，可以將預(yù)處理過程得到的結(jié)果直接使用，以此完成特點(diǎn)的系統(tǒng)功能。該方法與原則的采用，極大地簡化了系統(tǒng)，大幅度提高了系統(tǒng)運(yùn)行效率。計(jì)算的云化中的系統(tǒng)就是計(jì)算云化系統(tǒng)，它的計(jì)算量十分巨大，系統(tǒng)計(jì)算運(yùn)行效率極高。但因?yàn)橛?jì)算云化系統(tǒng)為一次處理系統(tǒng)，只要計(jì)算云規(guī)則生成，計(jì)算云化系統(tǒng)的使命與任務(wù)也就完成，而不是在對計(jì)算機(jī)加以應(yīng)用時(shí)需要該系統(tǒng)。通常在計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算中形成的系統(tǒng)就是云計(jì)算系統(tǒng)，是一個(gè)十分簡單的系統(tǒng)，對計(jì)算機(jī)的處理能力沒有過高要求，同時(shí)應(yīng)用于各類計(jì)算機(jī)系統(tǒng)計(jì)算中。

四、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算的計(jì)算與優(yōu)勢

建立計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算過程的第一步是服務(wù)器架構(gòu)的建立，其對計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)中的IAAS部分進(jìn)行充當(dāng)。目前來看，仍沒有關(guān)于網(wǎng)絡(luò)云計(jì)算服務(wù)器架構(gòu)的專門、統(tǒng)一的標(biāo)準(zhǔn)出現(xiàn)，這需要一定的相關(guān)技術(shù)進(jìn)行支持，例如計(jì)算區(qū)域網(wǎng)SAN和附網(wǎng)NAS等，這都是應(yīng)用比較多的服務(wù)器架構(gòu)技術(shù)。NAS文件計(jì)算系統(tǒng)是松散結(jié)構(gòu)型的集群，它的架構(gòu)有很明顯的分布式特征。NAS文件系統(tǒng)集群中的各個(gè)節(jié)點(diǎn)具有互補(bǔ)與相互影響的特點(diǎn)，文件是最小的單位，因?yàn)橹灰诩捍鎯ξ募涂梢杂?jì)算出文件的數(shù)據(jù)信息，直接減少了很多計(jì)算的冗余性。它的拓展性很高，同時(shí)成本較低，安全控制系統(tǒng)安全穩(wěn)定。如果客戶發(fā)出過多的請求，NAS系統(tǒng)的限制就表現(xiàn)出來，二級計(jì)算就可以通過NAS的云服務(wù)完成。

SAN是一種緊密結(jié)合類型的集群，在集群中存儲文件之后，可以分解成很多個(gè)數(shù)據(jù)塊。相比于集群之中的節(jié)點(diǎn)，各數(shù)據(jù)塊之間能夠進(jìn)行相互訪問。節(jié)點(diǎn)可以借助于訪問文件間的數(shù)據(jù)塊針對客戶的請求進(jìn)行處理。SAN系統(tǒng)之中可以通過節(jié)點(diǎn)數(shù)量增減來響應(yīng)請求，同時(shí)提升界定本身的性能。為了能夠?qū)⒁許AN為基礎(chǔ)的OBS發(fā)展起來，就需要更好的性能與更低的成本。而SAN計(jì)算建構(gòu)的硬件價(jià)格十分高，同時(shí)依托于SAN的服務(wù)價(jià)格，因此可以適當(dāng)?shù)亟档鸵幌滦阅埽ＷC更好的性能與更低的成本。

五、實(shí)例――基于谷歌云計(jì)算技術(shù)的AlphaGo亮點(diǎn)分析

AlphaGo通過谷歌云計(jì)算技術(shù)，擁有與人類棋手類似的“棋感”，其技術(shù)遠(yuǎn)勝于1997年IBM公司研制的超級電腦“深藍(lán)”?！吧钏{(lán)”面對的是相對圍棋簡單多的國際象棋，設(shè)計(jì)理念為根據(jù)棋局情況不斷演算各種可能的步驟，最終從各種步驟中選定走棋方案。AlphaGo背后的云計(jì)算技術(shù)，可以讓AlphaGo無需“暴力”分析演算所有步驟，只需要把運(yùn)算能力都集中在“棋感策略”網(wǎng)絡(luò)中最有可能的情況上。其背后的深層算法，具備三大亮點(diǎn)：（1）深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技術(shù)：“棋感策略”網(wǎng)絡(luò)的本質(zhì)學(xué)習(xí)人類圍棋大師走法思維。AlphaGo藉此擁有強(qiáng)大的盤面評估能力。（2）增強(qiáng)學(xué)習(xí)算法技術(shù)：此算法可通過自我對弈來持續(xù)提升AlhpaGo的棋感策略和盤面評估能力，并且給出落子選擇。（3）蒙特卡洛搜索技術(shù)：“評價(jià)網(wǎng)絡(luò)”的核心，可以融合棋感策略和盤面評估能力，修正落子選擇而最終給出落子方案。

六、計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)發(fā)展遇到的問題

在目前計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)廣泛地運(yùn)用到各個(gè)領(lǐng)域的過程中，云計(jì)算技術(shù)也存在一些缺陷與不足還需要引起我們的重視，同時(shí)在云計(jì)算的應(yīng)用過程中應(yīng)采用足夠的措施來對數(shù)據(jù)信息的安全性進(jìn)行可靠的保障，這是計(jì)算機(jī)網(wǎng)絡(luò)云計(jì)算技術(shù)發(fā)展過程中十分重要的一項(xiàng)課題?，F(xiàn)在的大部分云端是通過瀏覽器進(jìn)行接入的，瀏覽器是計(jì)算機(jī)系統(tǒng)中非常薄弱的地方，存在著很多的缺陷與漏洞，因此用戶的云端接入瀏覽器時(shí)，用戶證書與認(rèn)證密鑰特別容易因?yàn)闉g覽器漏洞而產(chǎn)生泄密。同時(shí)由于不同的應(yīng)用都需要在云端中進(jìn)行認(rèn)證，這就需要保證認(rèn)證機(jī)制的高效性與安全性。在應(yīng)用服務(wù)層之中，應(yīng)該采取安全有效的措施來保護(hù)用書的隱私安全，在基礎(chǔ)設(shè)施層中要采取安全可靠的方法保C數(shù)據(jù)的安全性。

七、采取措施保障網(wǎng)民數(shù)據(jù)安全

如果數(shù)據(jù)的安全不能得到保障，就會對云計(jì)算的發(fā)展產(chǎn)生不利影響，所以為了能夠保障網(wǎng)民數(shù)據(jù)的安全。就需要采取切實(shí)可行的手段來保證數(shù)據(jù)的安全性。

1.隔離操作系統(tǒng)與數(shù)據(jù)

為了能夠切實(shí)有效地保障網(wǎng)民信息的安全，就需要充分使用Hypervisor，從而將網(wǎng)民的操作系統(tǒng)與數(shù)據(jù)資源隔離起來，從而有效地保證了計(jì)算資源的安全性，避免了網(wǎng)民操作系統(tǒng)所帶來的可能的不利影響。

2.重置API保護(hù)層

服務(wù)商提供給用戶API，用戶根據(jù)需要進(jìn)行應(yīng)用。但同時(shí)第三方也有可能對這些API進(jìn)行使用。為了保證數(shù)據(jù)的安全性，就需要你安裝API保護(hù)層，重疊保護(hù)API。

3.嚴(yán)格身份認(rèn)證

服務(wù)商應(yīng)嚴(yán)格的執(zhí)行身份認(rèn)證，防范冒充網(wǎng)民身份的行為，加強(qiáng)對賬號與密碼的管理控制，確保網(wǎng)民只訪問自己的程序與數(shù)據(jù)，從而保證數(shù)據(jù)資源的安全性。

卷積神經(jīng)網(wǎng)絡(luò)的缺陷范文第5篇

關(guān)鍵詞：醫(yī)學(xué)超聲圖像； 液性病變； 邊緣提?。?Snake模型

中圖分類號：TN91934文獻(xiàn)標(biāo)識碼：A文章編號：1004373X(2012)04009804

Application of edge detection algorithms in medical ultrasonography images of discharge diseases

GAO Haijuan1, PING Ziliang1, ZHOU Suhua1, HOU Yingbin2

(1. Century College, BUPT, Beijing 102613, China; 2. Beijing United Imaging Co., Ltd, Beijing 100193, China)

Abstract： The medical ultrasound image with lesion containing liquid always show several hypoecho zones with unclear edge, like "Honeycomb". In order to extract clear edge of such images and generate further data for clinic diagnosis, several different edge detection algorithms are applied to medical ultrasound images with lesion containing liquid. Experiments shows, classic edge detection algorithms can't achieve desired image edge, whereas edge detection algorithm based on Snake model manually set edge control points, intellectually and dynamically adjusts curve shape, and finally get an excellent result, which shows high clinic application value.

Keywords： medical ultrasound image; lesion containing liquid; edge extraction; Snake model

收稿日期：20110815

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目(610650040引言

鑒于醫(yī)學(xué)圖像可以看到人體組織的局部器官病變，所以醫(yī)學(xué)成像成為疾病檢查的重要手段，但由于設(shè)備、技術(shù)等原因，得到的醫(yī)學(xué)圖片邊緣往往模糊不清，因此醫(yī)學(xué)圖像邊緣檢測是醫(yī)學(xué)圖像處理和分析的一個(gè)非常重要的分支［1］。目前醫(yī)學(xué)成像方法主要有：X光成像、核磁共振成像、超聲成像以及正電子發(fā)射斷層成像，其中，超聲成像從成像成本、成像時(shí)間以及對病人的傷害等方面都顯示出了它的優(yōu)勢，本文就以醫(yī)學(xué)超聲圖像為例，對超聲診斷中常見的液性病變圖像進(jìn)行邊緣提取算法分析。

經(jīng)典的邊緣檢測算子利用邊緣處一階或二階導(dǎo)數(shù)來檢測梯度變化情況，基本的微分檢測算子有Roberts算子、Sobel算子、拉普拉斯算子和Canny算子等。近年來，隨著數(shù)學(xué)理論和人工智能的發(fā)展，又出現(xiàn)了許多新的邊緣檢測方法，比如基于分?jǐn)?shù)階微分法、小波變換法、Snake模型法、模糊檢測法、數(shù)學(xué)形態(tài)學(xué)法、神經(jīng)網(wǎng)絡(luò)法等。這些邊緣檢測方法最終目的都是檢測出圖像的邊緣信息，但在解決特定特征圖像時(shí)也顯現(xiàn)出各自的優(yōu)勢和不足之處。所以，如何采用合適的技術(shù)對醫(yī)學(xué)圖像進(jìn)行邊緣提取，為臨床醫(yī)生提供更準(zhǔn)確的病人數(shù)據(jù)是目前研究的一個(gè)熱點(diǎn)。

本文首先對幾種邊緣檢測方法進(jìn)行分析，然后將其應(yīng)用于超聲液性病變圖像的邊緣提取中，得出不同的提取效果，與采用改進(jìn)的Snake模型邊緣提取算法進(jìn)行比較，實(shí)驗(yàn)表明，基于Snake模型的邊緣提取算法邊緣提取效果較好。

1邊緣檢測算法

邊緣檢測目的是要檢測出圖像中灰度變化的不連續(xù)區(qū)域，確定它們在圖像中的精確位置，為后期的圖像分析和處理提供信息，圖像的邊緣包含了物體形狀的重要信息,主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域(包括不同色彩)之間，是圖像分割、紋理特征和形狀特征等圖像分析的重要基礎(chǔ)［2］。圖像邊緣檢測的實(shí)質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線［3］。

1.1基于一階微分的邊緣檢測算法

圖像中的邊緣通常與圖像強(qiáng)度或圖像強(qiáng)度的一階導(dǎo)數(shù)的不連續(xù)性有關(guān)。圖像強(qiáng)度的不連續(xù)可分為：

(1) 階躍不連續(xù)，即圖像強(qiáng)度在不連續(xù)處的兩邊的像素灰度值有著顯著的差異；

(2) 線條不連續(xù)，即圖像強(qiáng)度突然從一個(gè)值變化到另一個(gè)值，保持一個(gè)較小的行程后又返回到原來的值。

在一維情況下，階躍邊緣同圖像的一階導(dǎo)數(shù)局部峰值有關(guān)。梯度是函數(shù)變化的一種度量，而一幅圖像可以看作是圖像強(qiáng)度連續(xù)函數(shù)的取樣點(diǎn)陣列。因此，圖像灰度值的顯著變化可用梯度的離散逼近函數(shù)來檢測［4］。

梯度是一階導(dǎo)數(shù)的二維等效式，定義為向量：G(x,y)=Gx

Gy=fx

fy(1)有2個(gè)重要的性質(zhì)與梯度有關(guān)：

(1) 向量G(x,y)的方向就是函數(shù)f(x,y)增大時(shí)的最大變化率方向；

(2) 梯度的幅值由下式給出：|G(x,y)|=G2x+G2y(2)在實(shí)際應(yīng)用中，通常用絕對值來近似梯度幅值：|G(x,y)|=|Gx|+|Gy| (3)或：|G(x,y)|≈max(|Gx|,|Gy|)(4)由向量分析可知，梯度的方向定義為：a(x,y)=arctan(Gy/Gx)(5)數(shù)字圖像中，求導(dǎo)數(shù)是利用差分近似微分來完成的。根據(jù)模板的大小以及權(quán)值的不同，人們提出了很多梯度算子，比如Roberts算子、Sobel算子、Prewitt算子都是基于一階微分的梯度經(jīng)典算子。

1.1.1Roberts算子

根據(jù)計(jì)算梯度原理，采用對角線方向相鄰2像素之差得到的就是Roberts算子。Roberts算子是22模板的一階微分算子，是一種斜向偏差分的梯度計(jì)算方法,梯度的大小代表邊緣的強(qiáng)度,梯度的方向與邊緣走向垂直，因此，Roberts梯度算子檢測水平和垂直邊緣的效果好，定位精度高,但容易丟失部分邊緣。因?yàn)镽oberts沒進(jìn)行平滑處理,對噪聲較敏感，經(jīng)常會出現(xiàn)孤立點(diǎn)。用該算子處理邊緣陡峭度高且噪聲小的圖像效果較佳［2］。

1.1.2Sobel算子

Sobel算子是使用3×3模板的一階微分算子，采用帶權(quán)值的方法計(jì)算差分，是在Roberts算子的基礎(chǔ)上將方向差分運(yùn)算與局部平均結(jié)合起來的一種方法。Sobel算子以f(x,y)為中心的33的鄰域上計(jì)算x 和y方向上的偏導(dǎo)數(shù)Gx ,Gy 。利用像素上、下、左、右相鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值進(jìn)行邊緣檢測。Sobel算子很容易在空間上實(shí)現(xiàn)，對噪聲具有較好的平滑作用，能提供比較準(zhǔn)確的邊緣方向信息，但定位精度不高，容易產(chǎn)生偽邊緣，其測得邊緣寬度一般至少為2個(gè)像素。但由于實(shí)際中很多情形下對定位精度的要求都不是很高，因此它是一種較為常用的邊緣檢測算子［2］。

1.1.3Prewitt算子

Prewitt和Sobel算子都是使用3×3模板的一階微分算子［10］，它們是在研究曲面擬合的基礎(chǔ)上提出的。擬合是指已知某連續(xù)函數(shù)的一系列離散函數(shù)值，通過最小二乘法等準(zhǔn)則來確定該函數(shù)中的待定系數(shù)。Prewitt和Sobel算子的2個(gè)差分模板的系數(shù)之間的區(qū)別僅在于求平均的方法不同。隨后出現(xiàn)的Kirsch算子用不等權(quán)的8個(gè)3×3循環(huán)平均梯度算子分別與圖像進(jìn)行卷積,取其中的最大值輸出,它可以檢測各個(gè)方向上的邊緣,減少了由于平均而造成的細(xì)節(jié)丟失,但同時(shí)增加了計(jì)算量。

1.2基于二階微分的邊緣檢測算法

前面討論了基于一階微分的邊緣檢測，如果所求的一階微分高于某一閾值，則確定該點(diǎn)為邊緣點(diǎn)。一階微分組成的梯度是一種矢量，不但有大小還有方向，和標(biāo)量比較，數(shù)據(jù)存儲量比較大。一種更好的方法就是求梯度局部最大值對應(yīng)的點(diǎn)，并認(rèn)定它們是邊緣點(diǎn)，通過去除一階微分中的非局部最大值，可以檢測出更精確的邊緣。一階微分的局部最大值對應(yīng)著二階微分的零交叉點(diǎn)，這意味著在邊緣點(diǎn)處有一階微分的峰值，同樣地，有二階微分的零交叉點(diǎn)。這樣，通過找圖像強(qiáng)度的二階微分的零交叉點(diǎn)就能找到邊緣點(diǎn)。

在二維空間，對應(yīng)二階微分有兩種算子：Laplace算子和Marr算子。Laplace算子也稱拉氏算子，它的特點(diǎn)是具有旋轉(zhuǎn)對稱性而不具備方向性，只需要一個(gè)3×3模板。Laplace算子是對二維函數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子，與方向無關(guān)，對取向不敏感，因而計(jì)算量要小。根據(jù)邊緣的特性，Laplace算子可以作為邊緣提取算子，計(jì)算數(shù)字圖像的Laplace值可以借助模板實(shí)現(xiàn)，但是它對噪聲相當(dāng)敏感，它相當(dāng)于高通濾波，常會出現(xiàn)一些虛假邊緣。由于Laplace算子存在著諸多缺陷，它一般并不直接應(yīng)用于邊緣檢測，而是結(jié)合其它方法以提高邊緣的定位精度。而Marr算子就是在Laplace算子基礎(chǔ)上改進(jìn)，由于它使用的是高斯型的Laplace模板，因此又被稱作LOG算子，先對圖像用Gauss函數(shù)進(jìn)行平滑，然后利用Laplace算子對平滑的圖像求二階導(dǎo)數(shù)后得到的零交叉點(diǎn)作為待選邊緣［5］。LOG算子就是對圖像進(jìn)行濾波和微分的過程，是利用旋轉(zhuǎn)對稱的LOG模板與圖像做卷積，確定濾波器輸出的零交叉位置。

1.3Canny算子

Canny算子［3］是最常用的邊緣檢測方法之一，是一個(gè)具有濾波、增強(qiáng)和檢測的多階段的優(yōu)化算子。

該算法的基本過程如圖1所示。

圖1Canny算法流程Canny算子檢測邊緣的實(shí)質(zhì)是求信號函數(shù)的極大值問題來判定圖像邊緣像素點(diǎn)。基本步驟為：

（1） 用高斯濾波器平滑圖像；

（2） 用一階偏導(dǎo)的有限差分來計(jì)算梯度的幅值和方向；

（3） 對梯度幅值進(jìn)行非極大值抑制；

（4） 用雙閾值算法檢測和連接邊緣。Canny算子能夠得到連續(xù)完整的圖像，但需要注意的問題是：Gauss濾波的尺度，以及雙閾值的選擇。

1.4基于Snake模型的邊緣檢測算法

Snake模型是1987年由Kass［7］提出的，它的基本思想是以構(gòu)成一定形狀的控制曲線為模板（或者稱為輪廓線），通過模板自身的彈性形變與圖像局部特征相匹配達(dá)到調(diào)和，即某種能量函數(shù)極小化，完成對圖像邊緣的提取，通過對模板的進(jìn)一步分析而實(shí)現(xiàn)圖像的理解和識別。能量最小化模型已經(jīng)有了很長的發(fā)展歷史，Kass對其進(jìn)行了改進(jìn)，采用動態(tài)調(diào)整的方法來實(shí)現(xiàn)它，對圖像的高層信息進(jìn)行分析和提取而不至于受到太多低層信息的影響。通過在原始的最小化函數(shù)中加入外力因子，可以引導(dǎo)初始化的輪廓線朝著特定的方向前進(jìn)，最后達(dá)到提取目標(biāo)邊界的目的［6］。

1.4.1基本Snake 模型

Kass等提出的基本Snake模型由一組控制點(diǎn)組成，即v(s)=(x(s),y(s)),s∈［0,1］，其中x(s)和y(s)分別表示每個(gè)控制點(diǎn)在圖像中的坐標(biāo)位置，s是以傅立葉變換形式描述邊界的自變量。其對應(yīng)的能量函數(shù)定義為：ESnake=∫10ESnake(v(s))ds

=∫10Eint(v(s))+Eext(v(s))ds(6)式中：Eint為曲線的內(nèi)部能量；Eext為外部能量。

內(nèi)部能量定義為：Eint=(α(s)|vs(s)|2+β(s)|vss(s)|2)/2(7)式中|vs(s)|為彈性能量，是曲線相對于弧長的一階導(dǎo)數(shù)的模，受彈性系數(shù)的調(diào)節(jié)，控制著曲線的張力。|vss(s)|是彎曲能量，是曲線相對于弧長的二階導(dǎo)數(shù)的模，受剛性系數(shù)的調(diào)節(jié)，控制曲線的變形程度。

對于普通的灰度圖像I(x,y)，典型的外部能量（外部力）表達(dá)有如下2種定義： E1ext (x,y) = -|I(x,y)|2(8)

E2ext (x,y) = -|［Gσ(x,y)*I(x,y)］|2(9)式中為梯度算子，是方差為σ的二維高斯函數(shù)。在圖像邊緣區(qū)域，圖像灰度值的梯度往往較大，取反后計(jì)算以滿足能量最小的要求。

每一次迭代，曲線的變形是為了使如下的能量函數(shù)達(dá)到最小化：ESnake=∫1012［(α(s)|vs(s)|2+β(s)|vss(s)|2)］+

Eext(v(s))ds(10) 此時(shí)，能量ESnake必須滿足如下Euler公式：α(s)xss+β(s)xssss+Eextx=0(11)

α(s)yss+β(s)yssss+Eexty=0(12)彈性能量和彎曲能量合稱內(nèi)部力，內(nèi)部力用于控制輪廓線的彈性形變，選取適當(dāng)?shù)膮?shù)α(s)和β(s)將能量函數(shù)ESnake極小化，所對應(yīng)的v(s)就是對物體的分割。在能量函數(shù)極小化過程中，彈性能量迅速把輪廓線壓縮成一個(gè)光滑的圓，彎曲能量驅(qū)使輪廓線成為光滑曲線或直線，而外部力則使輪廓線向圖像的高梯度位置靠攏，基本Snake模型就是在這3個(gè)力的聯(lián)合作用下工作的。

1.4.2改進(jìn)的Snake模型

基本Snake模型在應(yīng)用的時(shí)候存在一些缺陷：

（1） 要求初始的輪廓線必須與目標(biāo)邊緣非常的接近，這是因?yàn)槟芰亢瘮?shù)往往會收斂到一個(gè)非期望的局部最小值，如果初始的輪廓線離目標(biāo)較遠(yuǎn)，就會使曲線變形到一個(gè)無法預(yù)計(jì)的形狀；

(2) 基本Snake模型對無法捕獲凹陷邊界［11］。這樣就限制了Snake模型應(yīng)用到一些存在凹陷區(qū)域的圖像上。

近年來，針對以上缺陷，許多研究不僅對Snake 模型本身的能量函數(shù)構(gòu)造和求解算法作了很大改進(jìn)，更在其基礎(chǔ)上衍生出了許多新輪廓線模型，它們有些在形式上已經(jīng)與基本Snake 相去甚遠(yuǎn)，而且也要復(fù)雜得多，但其指導(dǎo)思想?yún)s是一脈相承的。比如，Cohen提出了一種氣球力理論［8］，通過使用不同尺度的外力場，增加外力場的捕捉范圍，來驅(qū)動輪廓線向目標(biāo)邊緣逼近。Xu Chenyang提出的GVF Snake［9］將梯度矢量場(GVF)代替?zhèn)鹘y(tǒng)外力場，讓曲線隨著圖像凹陷的部分而發(fā)生變形，圈出凹陷的邊緣，由于GVF對輪廓線的初始位置不是非常的敏感，尤其對于二值圖像，所以它可以很快的收斂到目標(biāo)邊緣，很好地解決了這些問題。

GVF Snake將基本Snake 的外部力用擴(kuò)散方程進(jìn)行處理，得到整個(gè)圖像域的梯度向量場作為外部力，經(jīng)過擴(kuò)散方程處理后的GVF更加有序，更能體現(xiàn)物體邊界的宏觀走勢。由于GVF不是一個(gè)表達(dá)式，無法用能量函數(shù)的形式求解，因此GVF Snake是利用力的平衡條件進(jìn)行優(yōu)化。GVF Snake 具有更大的搜索范圍，對輪廓線初始位置不敏感，可以分割凹陷的邊界，對梯度絕對值的大小乃至噪聲具有更好的魯棒性，而且它還不必預(yù)先知道輪廓線是要膨脹還是收縮。

本文將改進(jìn)的GVF Snake模型應(yīng)用于醫(yī)學(xué)超聲液性病變圖像中，并與其他的邊緣檢測方法進(jìn)行比較分析。

2實(shí)驗(yàn)結(jié)果分析

醫(yī)學(xué)超聲診斷出的液性病變多以囊腫為主，常見的囊腫有甲狀腺囊腫、卵巢囊腫、肝囊腫等，這些超聲液性病變圖像灰度變化梯度不大，多見數(shù)個(gè)無回聲區(qū)，呈“蜂窩狀”，邊界不清晰。

本文選取兩幅具有代表性的肝囊腫、甲狀腺囊腫超聲液態(tài)病變圖像，用不同的邊緣檢測算法對其進(jìn)行處理，實(shí)驗(yàn)結(jié)果如圖2，圖3所示。

圖2基于經(jīng)典邊緣檢測算法的肝囊腫超聲圖像邊緣提取結(jié)果圖3基于Snake模型的肝囊腫超聲圖像邊緣提取結(jié)果通過以上兩組實(shí)驗(yàn)可以看出，由于超聲液態(tài)病變圖像固有特征，經(jīng)典的邊緣檢測算法并不能清晰的勾畫出液性病灶的邊緣來，對包含病灶區(qū)域的擴(kuò)大區(qū)域?qū)嵤┻吘墮z測算法，將得到更多冗余的邊緣信息，不能得到感興趣病灶區(qū)域的輪廓。而Snake模型卻可以較好地選取特定的區(qū)域，利用算法特有的曲線變化方式，最終收攏到雙側(cè)灰度梯度變換平衡點(diǎn)位置，達(dá)到邊緣提取的良好效果，主要原因在于：

(1) Snake模型可以人為的設(shè)定待提取邊緣的主要控制點(diǎn)，縮小了曲線變化的范圍，更加具有針對性的對特定區(qū)域進(jìn)行邊緣提取；

(2) Snake模型對圖像灰度變化較敏感，在曲線內(nèi)力和外力達(dá)到平衡的情況下，曲線可以很好的穩(wěn)定在一個(gè)位置，形成平滑的連續(xù)的曲線。

圖4基于經(jīng)典邊緣檢測算法的甲狀腺囊腫

超聲圖像的邊緣提取結(jié)果圖5基于Snake模型的甲狀腺囊腫超聲圖像邊緣提取結(jié)果3結(jié)語

本文應(yīng)用幾種不同的邊緣檢測算法提取醫(yī)學(xué)超聲液態(tài)病變圖像的邊緣，實(shí)驗(yàn)結(jié)果表明，經(jīng)典邊緣檢測算法的提取效果不明顯，而基于Snake模型的邊緣提取算法由于采用動態(tài)的調(diào)整方法，提取的圖像邊緣完整、平滑、清晰，方便于后續(xù)的診斷性測量，具有一定的臨床應(yīng)用價(jià)值，因此，在臨床使用的醫(yī)學(xué)超聲儀器中，使用類似算法提取液性病變圖像邊緣，將是一個(gè)應(yīng)用趨勢。

參考文獻(xiàn)