基于小样本深度学习的齿轮表面损伤识别研究

齿轮表面损伤是影响齿轮传动的重要因素,提高齿轮表面损伤的识别效率和准确率极为重要。基于Pytorch架构建立齿轮表面损伤的ResNet识别模型,利用数据增强的方式扩大数据集,使用迁移学习方式优化模型训练,并对比了4种ResNet结构。结果表明,将64张原始图像数据增强后得到的由640张图像组成的数据集不足以满足模型训练对大量数据的需要;使用迁移学习能够提高模型训练速度和准确率,满足齿轮表面损伤的识别要求;ResNet-101模型在本框架中是最优结构。研究对齿轮表面损伤的检测具有重要的科学意义和工程价值。     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足。通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象。利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一起作为识别模型的输入数据,拓展手势识别模型中肌电信号的类别信息,同时在长短时记忆网络处理层与卷积神经网络层之间引入注意力机制,使得该模型能间接提高关键手势肌电通道的权重。实验结果证实本识别模型结合肌电两种特征输入的处理方法,与普通卷积神经网络模型以肌电图像输入的方法相比,识别准确率提升了4.25%。     

下肢康复机器人主动康复策略研究

为了更好地辅助脑卒中等下肢偏瘫患者通过康复训练恢复基本行走能力,将机器人应用于康复医学领域,解决康复医师紧缺、康复冗余等问题。为了进一步提高下肢康复机器人辅助患者训练的灵活性,基于随机森林算法进行下肢运动意图研究。通过Noraxon肌电传感器采集并预处理人体表面肌电信号,利用随机森林算法分类提取的具有代表性的肌电信号,预判患者的动作意图为平地行走、上楼梯或下楼梯。模型对比表明,随机森林分类模型的识别成功率最高,可以辅助康复机器人带动患者进行主动训练。设计的机器人既节约了医疗康复资源,又提高了患者的康复效果和参与训练的积极性。     

基于改进 MEDA 算法的脑电情绪识别

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情 绪识别中准确率低的问题。 其中 MEDA 通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件 分布的权重大小。 针对特征维度大且有可能存在不良特征的问题,提出改进 MEDA 算法,即引入改进最小冗余最大相关算法 用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果。 在 SEED 数据集和实测数据对该算 法验证,改进 MEDA 算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了 8. 97% 、4. 00% 、 2. 89% ,改进的 MEDA 算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升 3. 36% ,验证了该方法的有效性。     

基于深度网络迁移学习的致痫区脑电识别

致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换(CWT)对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机(SVM)、BP神经网络、长短期记忆网络(LSTM)、基于稀疏表达分类算法(SRC)、线性判别分析(LDA)等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为88.81%,灵敏度为88.07%,准确率为88.44%,证明了该方法识别致痫区脑电信号的有效性。     

基于迁移学习和模型融合的粗糙度检测系统设计

针对传统粗糙度测量方法识别准确率不高的问题,提出了基于迁移学习和模型融合的粗糙度检测方法。首先,采用所设计粗糙度检测系统中的CCD相机模组采集工件表面图像并制作数据集;其次,通过迁移微调VGGNet-19、Inception-V3 以及DenseNet121进行多模型融合,得到了适用的粗糙度检测模型;最后,用数据集进行网络训练以提取图像中的纹理细节特征,实现对粗糙度等级的精准识别。针对车削、铣削和磨削共15种粗糙度等级图像进行实验验证,系统识别精度可达91%。结果表明,所提出的系统可有效地实现粗糙度等级自动检测。     

一种肌电假手的自适应模糊控制方法

针对肌电假手的力控制问题,提出了一种基于肌电信号自适应学习的动作识别方法,同时结合模糊神经网络PID控制算法实现肌电信号对假手的控制.设计的肌电信号自适应学习动作识别方法在时域内进行,减小运算复杂度和计算量的同时保证了动作识别精度.采用模糊神经网络PID算法设计了假手握力控制器,在没有位置传感器的情况下保证了假手握力的控制精度.进行了肌电信号动作识别跟踪实验、假手握力跟踪实验、肌电信号控制假手抓取实验,实验结果证明了肌电信号自适应学习动作识别方法和模糊神经网络PID握力控制方法在肌电假手控制中的有效性.     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

基于迁移学习和微调的起重机类型识别策略

起重机具有诸多类型,不同类型的起重机具有不同的分析或保养方法,因此对起重机类型进行识别意义重大。针对深度卷积神经网络中存在的数据需求量大、训练时间长、计算成本高等问题,提出一种基于迁移学习和微调的起重机类型识别策略。通过搭建不包含分类层的预训练InceptionV3模型并连接自定义的分类层,利用迁移学习和微调技术,训练出适用于起重机类型识别任务的卷积神经网络。实验结果表明,相较于从头搭建并训练深度卷积神经网络,利用迁移学习和微调方法对预训练模型进行训练可得到较高的识别准确率,并且训练速度更快,训练时间显著缩短。验证集和测试集的识别准确率分别为98.24%和97.67%。     

基于深度网络迁移学习的致痫区脑电识别* .txt

摘要：致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为8881%,灵敏度为8807%,准确率为8844%,证明了该方法识别致痫区脑电信号的有效性。 .txt     

基于中间桥层和相似矩阵的深度对抗迁移故障诊断方法

采用深度对抗迁移学习算法进行故障诊断时,受到领域中丰富的特征属性的影响,在领域自适应中无法充分学习可用于迁移的共有知识特征,且其在类别水平上忽略了不同类别的对齐程度的差异。针对这一问题,提出了一种基于中间桥层和相似矩阵(MB-SM)的对抗故障诊断模型,以实现对滚动轴承故障进行跨域诊断识别的目的。首先,利用改进的一维多尺度残差网络对数据的特征进行了提取;然后,引入了中间桥层和相似矩阵,完成了对共有知识特征的充分学习,降低了整体网络的数据传输难度,进一步加强了源域和目标域中同一类别内的聚类和类别之间的分离,提高了故障数据的领域适配能力;最后,采用实验室轴承数据集和美国凯斯西储大学(CWRU)数据集,对基于中间桥层和相似矩阵的模型方法进行了验证。研究结果表明：在自建实验室数据集中,采用基于中间桥层和相似矩阵的方法可以达到90.37%的平均准确率;在美国凯斯西储大学(CWRU)数据集中,也可以达到99.34%的平均准确率。相较于其他迁移学习对比模型,采用该模型方法可以获得更好的诊断性能。     

基于表面肌电信号的上肢康复训练技术研究

为辅助上肢受损患者实现自主康复训练,促使肌肉信号与脑意识的再生通信,设计一种机械臂辅助式离散动作康复训练识别方法。受试者进行康复训练时,采集其肩关节4处肌肉群的表面肌电信号,提取时域特征,并采用BP神经网络分类算法对六种上肢肩关节动作意图进行模式识别。该方法能够准确建立表面肌电信号特征值与六种上肢康复动作之间关系映射模型,平均识别率高达90.27%。为基于表面肌电信号的外骨骼式自主康复训练系统提供一种可行的人机交互方案。     

基于力度无关鲁棒特征的肌电手势识别方法

为了减小肌肉收缩力变化对肌电信号模式识别的影响,提出了DCSP特征。该特征首先通过CSP算法得到最大化类与类之间距离的空间投影矩阵,然后对投影后的新信号进行差分和归一化处理,最终通过非相关线性判别分析将数据投影到类内距离最小、类间距离最大的低维空间而得到。在两个数据集上验证基于DCSP特征的肌电手势识别正确率,第1个数据集包含10名完整肢体受试者的数据,第2个数据集包含9名上肢截肢者的数据。在识别率测试的4个方案中,DCSP特征的识别正确率均高于CSP特征,在全部力训练,全部力测试的方案上取得最高的识别率(数据集1:95.83%,数据集2:86.93%),相比CSP特征(数据集1:89.01%,数据集2:70.03%),分类准确率分别提升6%和16%。在特征空间分布的2个测试方案上,DCSP特征比CSP特征都具有更小的类内距离和更大的类间距离。相比较于其他研究的识别正确率,DCSP特征比现有的力度鲁棒特征提升了约5%(数据集1)和8%(数据集2),并且性能不依赖于分类器类型。     

迁移学习在热轧钢带表面缺陷分类中应用研究

为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。     

基于孪生域对抗迁移学习的滚动轴承故障诊断方法

针对多工况约束下滚动轴承故障诊断的难题，提出一种基于孪生域对抗迁移学习的滚动轴承故障诊断方法。首先，基于重采样扩充故障样本，通过降采样平衡正常样本，以防止样本不平衡带来的过拟合问题；然后，利用孪生神经网络对迁移学习特征提取的卷积层和池化层进行改进，应对故障样本稀缺问题，缩小不同工况下故障样本分布的差异，提高模型的泛化性；最后，基于公开和实测轴承故障数据集对算法进行全面性能评估。试验结果表明：孪生域对抗迁移学习(SDANN)对CWRU,MFPT和实测轴承数据集的诊断准确率及误差均值分别为(97.26±0.42)%,(95.18±0.28)%和(94.04±0.40)%,相比传统域对抗迁移学习(DANN)方法的平均准确率分别提高6.41%,12.5%和2.54%,误差均值分别降低1.16%,2.66%和0.43%,诊断时间分别加快1.39%,3.77%和9.95%;加入0和-10 dB噪声时，孪生域对抗迁移学习的诊断准确率最高仅降低1.63%;对CWRU与MFPT数据集跨域诊断时，孪生域对抗迁移学习的准确率及误差均值为(91.04±1.05)%;总体而言，孪生域对抗迁移学习对滚动轴承的故障...     

基于多源信息融合的肌电轮椅智能控制技术研究

传统手势识别设备很难同时满足识别精度与便携性的要求,同时,基于单一传感器的手势识别策略获取的信息较少,识别结果易受各种因素的影响。而相较于传统的摇杆控制方式,手势控制方式更为便捷,并且可实现远距离操作。基于此背景提出了基于多源信息融合的肌电轮椅智能控制技术研究,设计了一套便携式肌电信号与运动信息采集系统,其中运动信息包括加速度信号和角度信号。利用极限学习机构建识别算法模型,优化了融合分类结构,并以此识别结果控制轮椅运动。实验结果表明:相较于单一传感器手势识别方案,识别准确率提升了6.1%～12.3%,达到了94.7%;相较于传统模式识别方法,分类准确率提升了1.5%～6.0%,并且,轮椅控制系统的在线平均识别率达到了95.2%,满足实时性要求。     

基于迁移学习的TC4钛合金磨削烧伤图像识别

为利用有限的钛合金烧伤图像来提高图像识别准确率,设计一种基于迁移学习的钛合金烧伤图像识别方法.利用该方法将经过ImageNet数据集训练的GoogLeNet和ResNet50网络模型保留卷积层及其对应权重参数作为特征提取器,分别与设计的特征识别网络建立连接,形成烧伤图像识别网络.在自制钛合金烧伤图像数据集上对网络模型进...     

采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。     

双阶段帕金森病语音聚类包络卷积稀疏迁移学习算法

帕金森病(PD)语音识别算法研究对于其及时诊疗具有重要意义,但现有PD语音识别算法面临小样本数据量问题挑战。针对问题,本文提出双面双阶段均值聚类包络和卷积稀疏迁移学习算法。在双阶段学习方面,首先基于源数据集训练多组卷积核,然后通过中间集得到最优卷积核并对目标集进行编码。在深度样本聚类包络方面,首先设计迭代均值聚类算法构建深度样本空间;然后进行样本特征同时选择并训练分类器模型;最后对不同样本空间的分类结果进行融合。实验选取代表性的PD语音数据集进行验证。实验结果表明,本文算法创新部分有效,与10多个经典和最新相关文献算法相比取得了显著改进,准确率达97.8%。此外,本文算法的时间复杂度不高,满足临床应用要求。     

基于Mixup数据增强的CNN-GRU深度学习电火花线切割放电状态识别

针对电火花线切割放电状态识别中，数据集样本较少导致训练模型准确率不高的问题，提出基于Mixup数据增强的CNN-GRU网络算法。该算法首先使用Mixup数据增强对原始的电火花波形数据进行数据增强，通过线性插值对数据进行混合，得到新的扩容之后的数据集；随后使用增强的数据集训练CNN-GRU模型，并用该模型进行分类。经实验表明，使用Mixup数据增强的CNN-GRU模型能有效的识别出数据中的“时序特征”与“局部特征”，且模型的准确率达到了96%。