烧结配矿过程当中,往往需要对产品质量、原料成本等多个目标同时进行寻优处理。面对这种约束条件复杂,变量较多,各目标分布情况复杂的多目标优化问题,本文提出了一种新型多目标遗传算法对其进行解决。通过改进算法中的非劣排序步骤,过滤种群中产生的不合理个体,并添加去重操作,降低种群中个体的重复出现,增强种群中个体的多样性。该算法能够为钢厂的烧结配矿工作提供较为合理且成本、质量都较为优秀的配矿方案。 目前基于卷积神经网络的烟雾检测主要通过若干个有序的卷积层的学习识别烟雾。为了提高烟雾检测的精确度,提出了一种改进的卷积神经网络框架。该框架增加了批量归一化层和轻量级的卷积结构,并提取网络中不同卷积层的特征图进行联合训练。改进卷积神经网络的网络结构更小,训练参数更少。在仿真实验中,对训练数据进行了图像扩增,结果证明了改进的卷积神经网络能够有效提高烟雾识别的准确率和识别速度烟雾检测的应用-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机。 改进的卷积神经网络1．1深度可分离卷积结构卷积神经网络一般由卷积层、非线性激活函数层、池化层和全连接层组成，其中卷积层主要为网络提供权重参数，在迭代训练的过程中，本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com网络在某种确定的损失函数和随机梯度下降算法的指导下不断更新卷积层提供的权重参数，使权重更趋向于正确的分类界面。常规的卷积运算如图1所示，在计算时使用卷积核的权重参数遍历每个输入通道得到特征图，再叠加每个输入通道对应的特征图后获得一个完整的特征图。这一过程涉及的参数和计算量非常大，因此，2017年谷歌提出了一种轻量级的卷积神经网络:MobileNet［9］，可将常规卷积结构转换为深度可分离卷积结构，这种新的卷积结构在准确率基本不变的情况下，计算速度提高了9倍，参数数量降为原来的七分之一。深度可分离卷积结构可以分为两层卷积层，分别为深度卷积层和逐点卷积层。如图2所示，深度卷积对每个输入通道进行独立的空间卷积，去除了叠加特征图的步骤;逐点卷积运算与常规的卷积运算相同，只将卷积核的尺寸固定为1×1。深度可分离卷积将空间特征和通道特征的学习进行分离的做法，减少了权重参数数量，降低了网络的计算量。!"#$%&!’()*+,-./01图1常规卷积运算Fig．图2深度可分离卷积运算2批量归一化层在卷积神经网络中，卷积运算后特征图的数据分布会发生极大的变化，这种不可控的改变增加了网络训练学习的难度。批量归一化有效地解决了这个问题并能够抑制训练过拟合现象，输入的特征图在卷积计算后进行批量归一化，使其数据分布趋向于一烟雾检测的应用-电动折弯机数控滚圆机滚弧机张家港电动液压滚圆机滚弧机本文由公司网站滚圆机网站 转载中国知网整理! http://www.gunyuanjixie.com