检索结果-维普期刊中文期刊服务平台

改进PSO-XGBoost的连铸定重预测: 1; 作者高峰李新杰 +1 位作者符海东彭浩《计算机工程与设计》北大核心 2025年第1期290-297,共8页; 为实现连铸坯有效定重预测,避免在连铸生产中产生质量缺陷和资源浪费,根据真实方坯生产数据,提出一种基于改进粒子群算法优化XGBoost的连铸定重预测模型。针对粒子群算法全局寻优精度较低等缺点进行改进,主要采用反向学习策略优化种群... 展开更多; 关键词连铸定重预测 XGBoost 粒子群优化进化状态自动机器学习超参数优化; 在线阅读下载PDF 职称材料

基于PSO-DE-XGBoost的小方坯缺陷预测模型: 2; 作者田炎霖闫文青 +1 位作者高峰顾进广《冶金能源》北大核心 2025年第2期75-80,共6页; 针对某厂的小方坯缺陷分类数据,文章提出了一种基于粒子群优化(PSO)、差分进化(DE)和极限梯度提升(XGBoost)算法的小方坯缺陷预测模型。首先通过过采样、随机采样和特征工程三种数据增强的方法对不平衡数据集进行预处理,随后采用PSO和D... 展开更多; 关键词小方坯缺陷粒子群优化差分进化 XGBoost 数据增强; 在线阅读下载PDF 职称材料

基于GLNet和HRNet的高分辨率遥感影像语义分割被引量：5: 3; 作者赵紫旋吴谨朱磊《红外技术》 CSCD 北大核心 2021年第5期437-442,共6页; 在GLNet(Global-Local Network)中,全局分支采用ResNet(Residual Network)作为主干网络,其侧边输出的特征图分辨率较低,而且表征能力不足,局部分支融合全局分支中未充分学习的特征图,造成分割准确率欠佳。针对上述问题,提出了一种基于GL... 展开更多; 关键词高分辨率遥感影像语义分割全局分支局部分支独立训练; 在线阅读下载PDF 职称材料

基于高斯差分特征网络的显著目标检测被引量：2: 4; 作者后云龙朱磊 +1 位作者陈琴吕燧栋《计算机应用》 CSCD 北大核心 2021年第3期706-713,共8页; 中心-邻域对比度理论作为具有生理学依据的一种线索,在传统显著性检测模型中获得了广泛应用,然而该理论却很少显式地应用在基于深度卷积神经网络(CNN)的模型中。为了将经典的中心-邻域对比度理论引入深度卷积网络中,提出了一种基于高斯... 展开更多; 关键词显著目标检测高斯差分金字塔中心-邻域对比度特征融合卷积神经网络; 在线阅读下载PDF 职称材料

题名改进PSO-XGBoost的连铸定重预测: 1; 作者高峰李新杰符海东彭浩; 机构武汉科技大学计算机科学与技术学院武汉科技大学大数据科学与工程研究院武汉科技大学湖北省智能信息处理与实时工业系统重点实验室中冶南方连铸技术工程有限责任公司研究院武汉轻工大学土木工程与建筑学院; 出处《计算机工程与设计》北大核心 2025年第1期290-297,共8页; 基金国家自然科学基金项目(U1836118) 武汉市重点研发计划基金项目(2022012202015070) 武汉东湖新技术开发区“揭榜挂帅”基金项目(2022KJB126)。; 文摘为实现连铸坯有效定重预测,避免在连铸生产中产生质量缺陷和资源浪费,根据真实方坯生产数据,提出一种基于改进粒子群算法优化XGBoost的连铸定重预测模型。针对粒子群算法全局寻优精度较低等缺点进行改进,主要采用反向学习策略优化种群初始分布提高算法优化效率,根据进化状态自适应调整惯性权重,匹配粒子当前搜索状态,同时使用突变策略使粒子突破局部收敛。数值实验结果表明,改进算法收敛速度更快,精度更高,验证了良好性能。将其应用到XGBoost中优化模型超参数,连铸坯定重预测精度获得提升。; 关键词连铸定重预测 XGBoost 粒子群优化进化状态自动机器学习超参数优化; Keywords continuous casting fixed weight prediction XGBoost particle swarm optimization evolutionary state automated machine learning hyperparameter optimization; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于PSO-DE-XGBoost的小方坯缺陷预测模型: 2; 作者田炎霖闫文青高峰顾进广; 机构武汉科技大学材料学部武汉科技大学计算机科学与技术学院中冶南方连铸技术工程有限责任公司; 出处《冶金能源》北大核心 2025年第2期75-80,共6页; 基金国家自然科学基金(U1836118) 科技创新“2030”新一代人工智能技术(2020AAA0108500) 富媒体数字出版内容组织和知识服务实验室开发基金(ZD2022-10/05)。; 文摘针对某厂的小方坯缺陷分类数据,文章提出了一种基于粒子群优化(PSO)、差分进化(DE)和极限梯度提升(XGBoost)算法的小方坯缺陷预测模型。首先通过过采样、随机采样和特征工程三种数据增强的方法对不平衡数据集进行预处理,随后采用PSO和DE方法优化XGBoost算法的超参数,并验证模型性能。实验结果表明,经过特征工程增强的数据集训练的模型性能最优,对于中心缩孔等级、内部裂纹等级、表面缺陷等级和形状缺陷等级的预测准确率分别达到79.07%、80.6%、97.5%和72.7%。该研究方法不仅为小方坯缺陷预测提供了一种新的思路,同时也为铸坯的制造过程质量控制提供了参考。; 关键词小方坯缺陷粒子群优化差分进化 XGBoost 数据增强; Keywords small billet defect particle swarm optimization differential evolution XGBoost data augmentation; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] TF777.3 [冶金工程—钢铁冶金]; 在线阅读下载PDF 职称材料

题名基于GLNet和HRNet的高分辨率遥感影像语义分割被引量：5: 3; 作者赵紫旋吴谨朱磊; 机构武汉科技大学信息科学与工程学院冶金自动化与检测技术教育部工程中心中冶南方连铸技术工程有限责任公司; 出处《红外技术》 CSCD 北大核心 2021年第5期437-442,共6页; 基金国家自然科学基金青年基金项目资助(61502358,61702384)。; 文摘在GLNet(Global-Local Network)中,全局分支采用ResNet(Residual Network)作为主干网络,其侧边输出的特征图分辨率较低,而且表征能力不足,局部分支融合全局分支中未充分学习的特征图,造成分割准确率欠佳。针对上述问题,提出了一种基于GLNet和HRNet(High-Resolution Network)的改进网络用于高分辨率遥感影像语义分割。首先,利用HRNet取代全局分支中原有的ResNet主干,获取表征能力更强,分辨率更高的特征图。然后,采用多级损失函数对网络进行优化,使输出结果与人工标记更为相似。最后,独立训练局部分支,以消除全局分支中特征图所带来的混淆。在高分辨率遥感影像数据集上,对所提出的改进网络进行训练和测试,实验结果表明,改进网络在全局分支和局部分支上的平均绝对误差(Mean Absolute Error,MAE)分别为0.0630和0.0479,在分割准确率和平均绝对误差方面均优于GLNet。; 关键词高分辨率遥感影像语义分割全局分支局部分支独立训练; Keywords high-resolution remote sensing image semantic segmentation global branch local branch trained independently; 分类号 TP751.1 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于高斯差分特征网络的显著目标检测被引量：2: 4; 作者后云龙朱磊陈琴吕燧栋; 机构武汉科技大学信息科学与工程学院中冶南方连铸技术工程有限责任公司; 出处《计算机应用》 CSCD 北大核心 2021年第3期706-713,共8页; 基金国家自然科学基金青年项目(61502358)。; 文摘中心-邻域对比度理论作为具有生理学依据的一种线索,在传统显著性检测模型中获得了广泛应用,然而该理论却很少显式地应用在基于深度卷积神经网络(CNN)的模型中。为了将经典的中心-邻域对比度理论引入深度卷积网络中,提出了一种基于高斯差分(Do G)特征网络的显著目标检测模型。首先通过在多个尺度的深度特征上构造高斯差分金字塔(DGP)结构以感知图像中显著目标的局部突出特性,进而用所得到的差分特征对语义信息丰富的深度特征进行加权选择,最终实现对显著目标的准确提取。进一步地,在提出的网络设计中采用标准的一维卷积来实现高斯平滑过程,从而在降低计算复杂度的同时实现了网络端到端的训练。通过把所提模型与六种显著目标检测算法在四个公用数据集上的实验结果进行对比,可知所提模型取得的结果在平均绝对误差(MAE)和最大F度量值的定量评价中均取得了最优表现,尤其是在DUTS-TE数据集上所提模型取得的结果的最大F度量值和平均绝对误差分别达到了0.885和0.039。实验结果表明,所提模型在复杂自然场景中对于显著目标具有良好的检测性能。; 关键词显著目标检测高斯差分金字塔中心-邻域对比度特征融合卷积神经网络; Keywords salient object detection Difference of Gaussian Pyramid(DGP) Center-Surround Contrast(CSC) feature fusion Convolutional Neural Network(CNN); 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	改进PSO-XGBoost的连铸定重预测	高峰李新杰符海东彭浩	《计算机工程与设计》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于PSO-DE-XGBoost的小方坯缺陷预测模型	田炎霖闫文青高峰顾进广	《冶金能源》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于GLNet和HRNet的高分辨率遥感影像语义分割	赵紫旋吴谨朱磊	《红外技术》 CSCD 北大核心	2021	5	在线阅读下载PDF 职称材料
4	基于高斯差分特征网络的显著目标检测	后云龙朱磊陈琴吕燧栋	《计算机应用》 CSCD 北大核心	2021	2	在线阅读下载PDF 职称材料