發(fā)布時(shí)間：2023-10-29 16:42

　　汽車發(fā)動(dòng)機(jī)的運(yùn)轉(zhuǎn)必然會(huì)產(chǎn)生積碳,當(dāng)前主要的判斷方法是憑借駕駛者的直觀感受,如車輛怠速不穩(wěn)、加速頓挫等,而積碳的清除方法也僅是通過(guò)定期保養(yǎng)、清洗節(jié)氣門(mén)等方式進(jìn)行。但由于車輛的運(yùn)行狀況、燃油質(zhì)量的不同,積碳的嚴(yán)重程度也不盡相同,因此定期保養(yǎng)的方式無(wú)法根據(jù)發(fā)動(dòng)機(jī)積碳程度進(jìn)行針對(duì)性的清除,因此研究一種判定發(fā)動(dòng)機(jī)積碳嚴(yán)重程度的方法具有重要的實(shí)用價(jià)值。本文以發(fā)動(dòng)機(jī)活塞頂?shù)膬?nèi)窺鏡圖像為研究對(duì)象,對(duì)不同程度的積碳圖像,設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別方法,實(shí)現(xiàn)了輕微、輕度、中度、重度和嚴(yán)重五類活塞頂積碳程度的判別,識(shí)別的準(zhǔn)確率達(dá)到了82.92%。此外對(duì)所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)采用GPU并行的方式加快了網(wǎng)絡(luò)的訓(xùn)練速度。具體工作如下:(1)通過(guò)構(gòu)建卷積神經(jīng)網(wǎng)絡(luò),對(duì)發(fā)動(dòng)機(jī)活塞頂圖像進(jìn)行了積碳程度的識(shí)別分類。首先應(yīng)用中值濾波和分段線性變換這兩種方法對(duì)圖像進(jìn)行預(yù)處理,為后續(xù)的積碳圖像識(shí)別分類打下基礎(chǔ),同時(shí)分析了不同卷積層數(shù),不同卷積核大小以及不同迭代次數(shù)對(duì)發(fā)動(dòng)機(jī)活塞頂積碳圖像識(shí)別準(zhǔn)確率的影響。(2)分析了卷積神經(jīng)網(wǎng)絡(luò)中不同網(wǎng)絡(luò)層次中前向傳播和反向傳播的具體過(guò)程,在單GPU下對(duì)卷積神經(jīng)網(wǎng)絡(luò)的前向傳播和后向傳播過(guò)程并行實(shí)現(xiàn)。...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1.緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別的研究現(xiàn)狀
        1.2.2 GPU并行計(jì)算的研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容及章節(jié)安排
2.發(fā)動(dòng)機(jī)活塞頂積碳圖像識(shí)別算法設(shè)計(jì)
    2.1 基于并行卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)積碳圖像的算法分析
    2.2 發(fā)動(dòng)機(jī)活塞頂積碳圖像數(shù)據(jù)庫(kù)的構(gòu)建
    2.3 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行發(fā)動(dòng)機(jī)積碳圖像識(shí)別分類的原因分析
    2.4 采用多GPU并行卷積神經(jīng)網(wǎng)絡(luò)算法的原因
    2.5 本章小結(jié)
3.基于卷積神經(jīng)網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)積碳程度識(shí)別
    3.1 發(fā)動(dòng)機(jī)活塞頂積碳圖像預(yù)處理方法
        3.1.1 中值濾波
        3.1.2 分段線性變換
    3.2 發(fā)動(dòng)機(jī)活塞頂圖像積碳程度識(shí)別過(guò)程
    3.3 實(shí)驗(yàn)結(jié)果
        3.3.1 不同網(wǎng)絡(luò)層數(shù)對(duì)識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間的影響
        3.3.2 卷積核大小對(duì)識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間的影響
        3.3.3 不同訓(xùn)練次數(shù)對(duì)識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間的影響
    3.4 本章小結(jié)
4.基于GPU的并行訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)算法研究
    4.1 基于單GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化研究
        4.1.1 基于單GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化分析
        4.1.2 基于單GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化實(shí)現(xiàn)
    4.2 基于多GPU的卷積神經(jīng)網(wǎng)絡(luò)并行化研究
        4.2.1 基于多GPU的并行算法分析
        4.2.2 基于多GPU的異步隨機(jī)梯度下降算法的實(shí)現(xiàn)
    4.3 本章小結(jié)
5.基于GPU的網(wǎng)絡(luò)加速訓(xùn)練實(shí)驗(yàn)分析
    5.1 系統(tǒng)實(shí)驗(yàn)硬件及軟件平臺(tái)
    5.2 單CPU和 GPU的實(shí)驗(yàn)及分析
    5.3 在多GPU上的算法并行實(shí)驗(yàn)
        5.3.1 同步更新法實(shí)驗(yàn)與異步隨機(jī)梯度下降法識(shí)別率實(shí)驗(yàn)
        5.3.2 同步更新法實(shí)驗(yàn)與異步隨機(jī)梯度下降法耗時(shí)實(shí)驗(yàn)
        5.3.3 不同數(shù)量的GPU訓(xùn)練實(shí)驗(yàn)加速效果對(duì)比和分析
    5.4 本章小結(jié)
6.總結(jié)和展望
    6.1 論文工作總結(jié)
    6.2 工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間所取得的研究成果
致謝



本文編號(hào)：3858462