检索结果-南通市图书馆

作者：何宜伦上海师范大学

学位级别：硕士

房地产行业是中国经济发展的支柱型行业之一。房地产业自住房制度改革之后得到了飞速的发展。2019年房地产业增加值同比增长3%,占GDP总量的6.96%,房地产行业仍有一定的发展潜力和投资机会。不过潜藏的房地产泡沫风险让投资者心有顾虑,... 详细信息

房地产行业是中国经济发展的支柱型行业之一。房地产业自住房制度改革之后得到了飞速的发展。2019年房地产业增加值同比增长3%,占GDP总量的6.96%,房地产行业仍有一定的发展潜力和投资机会。不过潜藏的房地产泡沫风险让投资者心有顾虑,带来了选股和择时上的困难,因此选股需要更加有效的方式。神经网络是目前逐渐热门起来的一种选股策略方式。本文选取了房地产行业A股股票29个指标从2016年1月到2020年6月的月度数据进行实证研究,对下一个月股票的涨跌来进行预测。同时,本文引入了扩展型指数线性单元激活函数(selu)对神经网络进行优化,选取BP、RBF、CNN、RNN、GRU在内的五个神经网络验证selu激活函数的实际效果是否已优化,然后从三个角度对整个模型的优化效果进行分析,评价的角度主要是包括分类能力、泛化能力和算法效率。最后将滚动回测的方式应用到模型上,从收益角度进一步论证selu函数的优化能力。最终从风险和收益两个维度综合得出选股能力最好的模型构建投资策略。实证结果表明,selu激活函数在CNN、RNN、GRU这三个神经网络中有着良好的表现,而在BP和RBF这两个前馈神经网络中并没有优异的表现。综合selu激活函数在不同的神经网络中的表现来看,selu函数在GRU神经网络中的应用效果是最好的,AUC值、F1-score和收益率都超过了其它的神经网络模型。以GRU神经网络建立的选股策略各期平均所获得的收益情况要高于其他模型,能够帮助投资者在房地产板块获得超额收益。

关键词： selu GRU 股票预测房地产投资策略

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的轴承表面缺陷检测算法研究

基于深度学习的轴承表面缺陷检测算法研究

引用

作者：杨涛吉林化工学院

学位级别：硕士

轴承是石化机组、工业机械等设备的核心部件。长期高强度的使用极易造成轴承表面出现划痕、凹槽、擦伤等缺陷,机械设备使用故障轴承会造成严重事故,因此对轴承表面缺陷进行高精度的检测是确保机械设备稳定运行并延长其使用寿命的关键。... 详细信息

轴承是石化机组、工业机械等设备的核心部件。长期高强度的使用极易造成轴承表面出现划痕、凹槽、擦伤等缺陷,机械设备使用故障轴承会造成严重事故,因此对轴承表面缺陷进行高精度的检测是确保机械设备稳定运行并延长其使用寿命的关键。目前,基于深度学习模型框架构建的轴承表面缺陷检测算法性能并不理想,无法在高检测精度、模型轻量化和高鲁棒性之间取得平衡,因此开发具有高检测精度、轻量化和高鲁棒性的轴承表面缺陷检测算法具有重要意义。本文提出基于YOLO算法改进的轴承表面缺陷检测模型以解决现有算法存在的问题,并将改进后的算法部署在嵌入式设备Jetson-Nano中,本研究所做的工作如下:(1)对收集的轴承表面缺陷数据进行缺陷分析,针对不同缺陷类型给出可能的造成原因。通过随机翻转,平移,裁剪、加入噪声等数据增强方法扩充数据集。采用Label Img标注工具对数据逐一标注,制作一定数量的缺陷数据。最后对数据进行比例划分。(2)提出ESC-YOLO。利用selu的自标准化特性来调节输入并保持网络层输出的分布类似,提高模型的鲁棒性。提出CACSP模块增强主干网络感知特征图中重要通道的能力、提高模型鲁棒性并降低参数量。提出SACSP模块,使网络更关注特征图中具有高注意力权重的区域。将SIo U作为边界框损失函数,加快网络训练的收敛速度并提高检测精度。ESC-YOLO对缺陷的检测精度达到95.2%,较YOLOv5s高1.3%。对擦伤、划痕和凹槽的检测精度分别提高了0.7%、2.7%和0.6%。最后基于Qt构建了轴承表面缺陷检测人机交互界面。(3)在边缘计算设备Jetson-Nano上部署ESC-YOLO。改进算法在Jetson-Nano上的检测精度达到95.2%,检测速度为30 fps。改进算法部署在离线设备上保持了和PC端相同的检测精度,其检测速度达到了实时检测的要求。

关键词：轴承表面缺陷 selu CACSP SASCP SIoU

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

Classification of Human Protein in Multiple Cells Microscopy Images Using CNN

引用

Computers, Materials & Continua 2023年第8期76卷 1763-1780页

作者： Lina Al-joudi Muhammad Arif Department of Computer Science AI(CS-AI) Umm Al Qura University(UQU)Makkah24231Saudi Arabia

The subcellular localization of human proteins is vital for understanding the structure of human *** play a significant role within human cells,as many different groups of proteins are located in a specific location to perform a particular *** these functions will help in discoveringmany diseases and developing their *** importance of imaging analysis techniques,specifically in proteomics research,is becoming more *** recent advances in deep learning techniques for analyzing microscopy images,classification models have faced critical challenges in achieving high *** protein subcellular images have a significant class *** use oversampling and under sampling techniques in this research to overcome this *** have used a Convolutional Neural Network(CNN)model called GapNet-PL for the multi-label classification task on the Human Protein Atlas Classification(HPA)*** have found that the ParametricRectified LinearUnit(PreLU)activation function is better than the Scaled Exponential LinearUnit(selu)activation function in the GapNet-PL model in most classification *** results showed that the GapNet-PL model with the PReLU activation function achieved an area under the ROC curve(AUC)equal to 0.896,an F1 score of 0.541,and a recall of 0.473.

关键词： CNN protein PReLU selu microscopy images subcellular localization multi-cells

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

多层Bi-GRU的Seq2seq网络短期电力负荷预测模型

多层Bi-GRU的Seq2seq网络短期电力负荷预测模型

引用

2017智能电网新技术发展与应用研讨会

作者：路宽孟祥荣孙雯雪李广磊陈素红王文宽高嵩李洪海韦峰国网山东省电力公司电力科学研究院

提出了多层Bi-GRU(Bidirectional Gated Recurrent Unit,Bi-GRU)的Seq2seq(Sequence-to-sequence,Seq2seq)网络短期电力负荷预测模型。首先运用FCM(Fuzzy C-Means)提取相似日样本并通过Min-max方法对输入变量进行标准化。其次,以多层Bi-GRU神经元为基本单位构建Seq2seq神经网络结构,选用selu(Scaled Exponential Linear Units,selu)函数作为网络的输出层激活函数。算例结果表明,本方法与简单GRU和基于单层GRU的Seq2seq网络模型相比预测精度得到提高。

关键词： Bi-GRU selu FCM 深度学习短期电力负荷

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：