基于卷积神经网络与门控循环单元的气液两相流流型识别方法

提出了一种基于卷积神经网络(CNN)与门控循环单元(GRU)的垂直管道气液两相流流型识别方法。该方法基于电阻层析成像(ERT)系统的重建图像,对其填充处理后进行离散余弦变换(DCT),求取最大、最小 DCT 系数的差值,选取一定帧数长度数据作为网络输入,对流型进行识别。分析了输入序列长度对CNN-GRU、CNN 及 GRU 网络分类准确的影响,确定了最佳输入向量维度分别为 60、65 及 50,使用实验数据对3种网络进行训练、测试,结果表明,CNN-GRU网络分类准确率最高,平均流型识别准确率可达 99.40%。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

基于多元经验模态分解与卷积神经网络的气液两相流流型识别

提出了一种基于多元经验模态分解(MEMD)与卷积神经网络(CNN)的垂直管道气液两相流流型识别方法。该方法基于数字化电阻层析成像(ERT)系统采集的测量数据,预处理后进行MEMD分析,通过求取各分量与原始信号的皮尔逊相关系数选取本征模函数(IMFs)并求解Hilbert边际谱,提取Hilbert边际谱的标准差与均值作为卷积神经网络(CNN)输入以识别流型。结果表明,该方法能够有效识别泡状流、弹状流、段塞流,平均识别准确率可达96.43%。     

基于细胞神经网络鲁棒性的彩色图像边缘检测

根据细胞神经网络(CNN)数学模型,提出一种新的彩色图像边缘检测方法。新方法继承了CNN的优点,解决了CNN现有算法不能直接检测彩色图像边缘的问题。该方法充分利用图像中的颜色信息,通过欧几里得距离度量像素之间的差异,使CNN方程可以在RGB彩色空间中进行运算。对CNN模板进行理论分析和鲁棒性研究,提出一个实现彩色图像边缘检测功能要求的CNN鲁棒性定理,为设计相应的CNN模板参数提供了解析判据。实验结果表明,该方法可以对彩色图像进行有效的边缘提取,定量评价验证了CNN边缘检测定位准确的优点。     

阿尔茨海默病大脑皮层的磁共振影像分析

阿尔茨海默病是一种进行性神经退化痴呆症,其特征是大脑皮层厚度萎缩和认知功能逐步下降。通过分析阿尔茨海默病患者及其早期症状轻度认知障碍患者的大脑皮层厚度变化,我们可以了解该疾病的发生发展机理,为临床早期诊断和预防提供帮助。核磁共振成像技术的出现为我们对该疾病大脑皮层变化模式的研究提供了很好的手段。本文工作是从图像处理的角度分析了阿尔茨海默病和轻度认知障碍患者大脑皮层磁共振影像结构。     

基于CNN-MSLSTM的航空发动机滑油监测方法研究

针对传统的数据特征提取方法难以提取ECT滑油监测数据有效特征的缺陷,提出了一种基于卷积神经网络(convolutional neural network,CNN)和多尺度长短期记忆(multi-scales long short-term memory,MSLSTM)神经网络的双通道网络模型CNN-MSLSTM。将多尺度学习融入LSTM中,CNN和MSLSTM作为两个通道,并行学习数据在空间维度和时间维度的特征,通过注意力机制融合,利用softmax分类器输出发动机的磨损状态。实验结果表明:3尺度的CNN-MSLSTM对ECT数据样本的分类准确率达到98%,F1评分达到98.62%,单组数据的测量时间仅为0.2036ms,总体性能优于单一的CNN和LSTM网络。     

支持CNN与LSTM的二值权重神经网络芯片

深度神经网络在图像分类、语音识别、视频检测等领域都取得了巨大的成功,这些领域主要采用了卷积神经网络(CNN)、长短期记忆(LSTM)中的一种或者两种网络类型。由于CNN和LSTM网络结构的差异使得现有深度神经网络加速器无法同时高效支持这两种网络类型。权重二值化使得加速器对于CNN和LSTM的同时支持更加高效,同时使得计算复杂度和访存量大幅降低,使得神经网络加速器能够获得更高的能效,并且二值权重对中小规模神经网络模型的精度损失的影响非常有限。本文提出了一种高效支持CNN与LSTM的二值权重神经网络加速器设计结构,该结构在运行CNN和LSTM网络模型时,其核心运算单元利用率超过已有加速器,并且该加速器通过了片上系统(SoC)芯片验证,经过芯片实测,该加速器芯片能效在SoC系统级别达到了6.43 TOPS/W。     

基于改进卷积神经网络的滚动轴承智能故障诊断研究

卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于融合特征的短语音汉语声调自动识别方法

提出一种基于韵律特征(基频、时长)和梅尔倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)特征的融合特征进行短语音汉语声调识别的方法,旨在利用两种特征的优势提高短语音汉语声调识别率。该融合特征包括7个根据不同模型得到的韵律特征和统计参数以及4个从每个音段的梅尔倒谱系数计算得来的对数化后验概率,使用高斯混合模型表示4个声调的倒谱特征的分布。实验分两步:第一步,将基于韵律特征和倒谱特征的分类器在决策阶段混合起来进行声调分类,分别赋予两个分类器权重,计算倒谱特征和韵律特征在声调分类任务中的权重;第二步,将基于字的韵律特征和基于帧的倒谱特征结合起来生成融合特征的超向量,使用融合特征进行汉语声调识别,根据准确率、未加权平均召回率(Unweigted Average Recall,UAR)和科恩卡帕(Cohen’s Kappa)系数3个指标,比较并评估5种分类器(两种设置的高斯混合模型,后向传播神经网络,支持向量机和卷积神经网络(Convolutional Neural Network,CNN))在不平衡数据集上的分类效果。实验结果表明:(1)倒谱特征方法能够提高汉语声调的识别率,该特征在总体分类任务中的权重为0.11;(2)基于融合特征的深度学习(CNN)方法对声调的识别率最高,为87.6%,与高斯混合模型的基线系统相比,提高了5.87%。该研究证明了倒谱特征法能够提供与韵律特征法互补的信息,从而提高短语音汉语声调识别率;同时,该方法可以运用到韵律检测和副语言信息检测等相关研究中。     

基于MEEMD和GA-SVM的列车车轮多边形故障识别方法

根据列车车轮振动信号的非平稳特性,提出一种基于改进的集合经验模态分解(MEEMD)和遗传算法支持向量机(GA-SVM)的诊断方法,用于识别车轮多边形故障。该方法对车轮轴箱垂向振动信号进行MEEMD分解,依据各固有模态函数(IMF)分量的峭度值和能量值选取出主要IMF分量。利用希尔伯特变换求取主要IMF分量的包络谱,并计算包络谱熵。将包络谱熵值归一化后作为特征向量输入GA-SVM中进行训练和识别。对实测信号进行分析的结果表明该方法能有效识别出车轮多边形故障,识别准确率可达到95%。     

针对人脸识别卷积神经网络的局部背景区域对抗攻击

基于卷积神经网络(CNN)的识别器，由于其高识别率已经在人脸识别中广泛应用，但其滥用也带来隐私保护问题。本文提出了局部背景区域的人脸对抗攻击(BALA)，可以作为一种针对CNN人脸识别器的隐私保护方案。局部背景区域添加扰动克服了现有方法在前景人脸区域添加扰动所导致的原始面部特征损失的缺点。BALA使用了两阶段损失函数以及灰度化、均匀化方法，在更好地生成对抗块的同时提升了数字域到物理域的对抗效果。在照片重拍和场景实拍实验中，BALA对VGG-FACE人脸识别器的攻击成功率(ASR)比现有方法分别提升12%和3.8%。     

多分辨Hilbert边际谱在旋转机械故障诊断中的应用

针对旋转机械故障振动信号的非平稳性特征,提出了一种基于多分辨Hilbert边际谱变换的旋转机械故障诊断方法.Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,提取旋转机械故障信号.实验结果表明,基于多分辨Hilbert边际谱的变换能够有效地提取旋转机械故障特征.     

IWO与BPNN混合智能算法在 转子故障诊断中的应用

在经典IWO杂草算法的基础上提出一种适用于神经网络优化的新算法。该算法将多种结构的神经网络权值阈值编码为不同维度的杂草种子，以神经网络均方误差作为种子适应度的统一评价标准，同时对多个维度的杂草种子进行排序筛选，实现了神经网络权值阈值与结构同时优化的目的。应用该方法于转子系统故障分类问题，实验结果表明该方法可以在结合BP算法优势的同时有效优化神经网络各参数，可以得到分类精度高、结构最简且泛化能力强的神经网络故障分类器。     

基于时间-小波能量谱样本熵的滚动轴承智能诊断方法

为了解决滚动轴承故障模式智能识别与运行状态检测问题,提出了时间-小波能量谱样本熵的计算方法,并将其作为特征参数用于滚动轴承智能诊断的研究。采用Hermitian小波对轴承信号进行连续小波变换,得到蕴含故障信息的时间-小波能量谱序列,再通过计算其样本熵值,量化提取信号中的故障特征信息。轴承不同故障模式下的时间-小波能量谱样本熵区分明显,以此作为特征向量输入支持向量机,实现了对轴承不同故障模式的智能识别。之后计算轴承全寿命周期实验数据的时间-小波能量谱样本熵,按照时间顺序排列,绘制出了轴承运行状态曲线,通过判断曲线走势可有效诊断出轴承早期故障的发生。实验结果表明,时间-小波能量谱样本熵可以有效用于滚动轴承智能诊断的研究。     

基于改进卷积神经网络的柴油机故障诊断方法研究EI北大核心CSCD

现有基于卷积神经网络(convolutional neural network,CNN)的柴油机故障诊断方法易过拟合,网络收敛速度较慢、处理小样本数据时诊断精度低,针对以上问题,提出了一种基于改进CNN的“端到端”柴油机故障诊断方法。该方法在CNN架构上,采用指数线性单元(exponential linear units,ELU)作为激活函数及小批量训练方法加速模型收敛,用全局平均池化(global average pooling,GAP)代替全连接层以降低过拟合风险。基于台架试验的诊断结果表明:所提方法进行柴油机典型故障诊断的精度达到99.18%;与未改进模型及现有基于CNN的柴油机故障诊断算法相比,该方法在处理小样本数据集时仍保持最高识别精度。     

基于CNN-BiLSTM网络模型的无人机飞行质量评价

为了更好地挖掘无人机飞行轨迹数据中蕴含的有效信息，准确客观地基于轨迹数据对无人机飞行质量进行评价，提出一种融合卷积神经网络(CNN)和双向(Bi-directional)长短期记忆(LSTM)神经网络的CNN-BiLSTM网络模型。首先，利用CNN网络和BiLSTM网络分别获取飞行轨迹数据的局部卷积特征和时间特征。然后，将两种特征送入特征融合层，使用融合后的特征进行分类并获得评分标签。针对六个数据集的数值实验表明，模型不仅取得了较好的分类效果，而且具有很好的泛化能力。     

基于词向量和CNN的书籍评论情感分析方法

针对在线书籍评论的情感分析问题,基于词向量和深度学习原理,提出了一种基于词向量和卷积神经网络(Convolutional Neural Networks, CNN)的书籍评论情感分类方法.实验结果表明,本方法对在线书籍评论的情感分类准确率达到92.99%,同时,此方法对于大量文本集的情感分析有很好的适用性.此外还研究了不同语料库、书籍评论词向量的维度、书籍评论数据集的大小等对情感分析结果的影响,实验结果显示,构建针对性的语料库,基于词向量和卷积神经网络的书籍评论情感分析方法是一种简单而有效的文本情感分析方法,该方法具有扩展性和对不同评论文本的适用性.     

基于脑电图的帕金森轻度认知障碍功能网络特征分析

帕金森氏轻度认知障碍(PDMCI)是帕金森氏症患者痴呆的先兆,这对使用神经评分量表和医生经验等传统方法进行准确诊断提出了挑战。利用26名PDMCI患者和23名正常人的脑电信号,基于定向传递函数构建了Delta、Theta、Alpha、Beta和Gamma频段的脑功能网络。引入了一种新颖的图论特征——效率密度来捕获网络密度和传输效率。研究结果揭示了独特的连接模式,Delta和Theta波段的连接更紧密,而Alpha、Beta和Gamma波段的连接更稀疏。帕金森病(PD)患者与对照组之间的Theta、Alpha、Beta和Gamma频带存在显著差异(p<0.05)。因此,脑功能网络可以有效反映PD脑功能异常状态,效率密度特征可以反映PD脑功能异常活动的特征量。     

基于平移不变CNN的机械故障诊断研究

常规机械故障诊断方法需要信号预处理、特征提取、特征选择、模式识别等多个步骤,过程复杂,通用性差。卷积神经网络(Convolutional Neural Network, CNN)是一种自学习性能好、抗干扰能力强的深度神经网络。为了简化步骤、提高效率,将CNN引入到机械故障诊断,直接使用传感器测得的原始数据进行故障识别。由于机械振动信号的特征具有典型的时移性,CNN需要大量数据才能自我学习到这种特性。结合故障信号的冲击特点和CNN的不足,提出了权值求和和大尺度最大值池化策略,有效解决了特征的平移不变性,增强了小样本时的泛化能力。通过对单点和多点故障的轴承进行诊断,验证了平移不变CNN的有效性。与常规故障诊断方法和其他机器学习算法对比显示,平移不变CNN不仅准确率高,而且使用简单,为故障诊断提供了一种新的途径。