人工神經(jīng)網(wǎng)絡(luò)是是計(jì)算機(jī)應(yīng)用領(lǐng)域中常使用的一種模型,其靈感來(lái)源于生物神經(jīng)網(wǎng)絡(luò)和大腦的結(jié)構(gòu)及功能,卷積神經(jīng)網(wǎng)絡(luò)屬于其中一種,因其適應(yīng)性強(qiáng)、泛化性能好等優(yōu)點(diǎn)成為了目前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)。隨著國(guó)家“海洋強(qiáng)國(guó)”戰(zhàn)略的快速推進(jìn),對(duì)船舶主體材料B10銅鎳合金在海水環(huán)境服役的過(guò)程中因容易發(fā)生腐蝕從而嚴(yán)重制約了其使用壽命的問(wèn)題關(guān)注程度越來(lái)越高。材料的性能與其微觀結(jié)構(gòu)息息相關(guān),為了更好的設(shè)計(jì)和更精確的控制晶界的結(jié)構(gòu),必不可少的需要對(duì)晶界微觀結(jié)構(gòu)進(jìn)行更加詳細(xì)可靠的分析。本文針對(duì)B10銅鎳合金微觀結(jié)構(gòu)圖像分析模型數(shù)量不足、提取特征單一的缺陷提出了基于圖像分析的晶界連通性模型,并以此模型為指導(dǎo),提出了基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的B10銅鎳合金抗腐蝕性能預(yù)測(cè)模型,同時(shí)針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的卷積操作計(jì)算量較大、池化操作特征丟失較多以及高層特征表現(xiàn)力不夠的問(wèn)題提出了三種改進(jìn)策略。主要進(jìn)行的工作有:（1）提出基于圖像分析的B10銅鎳合金耐蝕性預(yù)測(cè)模型。通過(guò)對(duì)晶界圖像中晶界信息的分析和計(jì)算,采用連通頻以及晶間夾角兩種關(guān)鍵屬性建立了晶界連通性的量化模型,為了得到兩種屬性的詳細(xì)分布信息,依次給出了晶界細(xì)化、交點(diǎn)提取和分類(lèi)、界角... 

【文章來(lái)源】：江西理工大學(xué)江西省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

sigmoid函數(shù)示意圖

tanh函數(shù)示意圖

圖 2.10 晶界圖像色線條為晶間腐蝕抗力較差的隨機(jī)晶界，而灰色線條和彩抗力較強(qiáng)的小角度晶界和其他類(lèi)型的特殊晶界。小結(jié)要從圖像分析出發(fā)依次介紹了卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)理論途徑。在圖像分析小節(jié)中，不僅闡述了它的概念、起源和包含的傳感器輸入、圖像分割、數(shù)據(jù)分析、解釋四個(gè)過(guò)程一節(jié)中，從 CNN 的各層以及層間模塊原理和作用的角度明。最后交代了本文第三章、第四章的晶界圖像的數(shù)據(jù)集耐蝕實(shí)驗(yàn)、制圖三個(gè)步驟對(duì)晶界圖像的獲取過(guò)程做了充分

【參考文獻(xiàn)】：
期刊論文
[1]基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)[J]. 劉英,周曉林,胡忠康,於亞斌,楊雨圖,徐呈藝.  林業(yè)工程學(xué)報(bào). 2019(01)
[2]基于集成卷積神經(jīng)網(wǎng)絡(luò)的遙感影像場(chǎng)景分類(lèi)[J]. 張曉男,鐘興,朱瑞飛,高放,張作省,鮑松澤,李竺強(qiáng).  光學(xué)學(xué)報(bào). 2018(11)
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的隧道襯砌裂縫識(shí)別算法[J]. 柴雪松,朱興永,李健超,薛峰,辛學(xué)仕.  鐵道建筑. 2018(06)
[4]Supplement卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)方法[J]. 王強(qiáng),李孝杰,陳俊.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(03)
[5]Effect of Sub-Tg Annealing on the Corrosion Resistance of the Cu–Zr Amorphous Alloys[J]. Sang-Soo Shin,Hong-Kyu Kim,Jae-Chul Lee,Ik-Min Park.  Acta Metallurgica Sinica（English Letters）. 2018(03)
[6]面向大規(guī)模圖像分類(lèi)的深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化[J]. 白琮,黃玲,陳佳楠,潘翔,陳勝勇.  軟件學(xué)報(bào). 2018(04)
[7]基于深度學(xué)習(xí)的語(yǔ)音識(shí)別技術(shù)現(xiàn)狀與展望[J]. 戴禮榮,張仕良,黃智穎.  數(shù)據(jù)采集與處理. 2017(02)



本文編號(hào)：3450402