基于多1DCNN集成的电流互感器故障诊断

针对目前电流互感器故障诊断效率和准确率偏低的问题,提出了一种基于多个一维卷积神经网络集成的智能故障诊断模型,用于对电流互感器故障进行快速诊断。首先构建一系列具有不同激活函数的卷积层,每个卷积层独立搭建一维卷积神经网络(1DCNN),再通过多数投票集成策略构建具有不同一维卷积神经网络的集成网络模型(E1DCNN),最后进行样本数据训练和测试。通过试验分析,结果表明该方法可以实现电流互感器快速精确的故障诊断,并且效果比传统的故障诊断方法更优。     

SSA和DSC-ResNet的TE过程故障诊断方法

随着工业智能化水平的不断提高,在化工生产过程中发生故障所引起的事故也越来越多。为提高田纳西-伊斯曼(TE)化工过程故障诊断的性能,提出WPT-SSA-DSC-ResNet集合型故障诊断方法。该方法首先使用小波包变换(WPT)对TE数据进行预处理生成二维图像,同时改进残差网络中的卷积层使其更为轻量化,并使用麻雀搜索算法(SSA)对深度可分离卷积残差网络(DSC-ResNet)模型中的主要参数进行优化,降低网络模型的时间复杂度。实验结果表明,WPT-SSA-DSC-ResNet集合型故障诊断方法能有效地提高TE过程的故障诊断精度。     

联合损失下深度可分离残差网络的表情识别算法

为了增强神经网络特征提取能力进一步提高人脸表情识别准确率，提出了一种联合损失下深度可分离残差网络模型DSResNet-JLoss(deeply separable residual network under joint loss),该网络是基于深度可分离卷积与残差学习方法的轻量级网络模型。使用逐通道卷积和逐点卷积的方法取代常规卷积运算，解决了传统卷积神经网络参数冗余大，训练时间长收敛慢，且易过拟合的问题。并在网络中加入残差单元，使用shortcut连接，通过恒等映射，来解决因网络模型层数过多导致的梯度爆炸或衰减问题。提出联合损失函数，充分结合了交叉熵损失，中心损失和对比损失的优点，以减小表情特征的类内距离，增大类间距离。实验表明，该模型在FERPlus和RAF-DB两个公开数据集上均取得较好的成绩，表现出良好的泛化能力和鲁棒性。     

一维卷积神经网络实时抗噪故障诊断算法

针对旋转机械智能诊断方法计算量大和抗噪能力差的问题,在经典模型LeNet-5的基础上提出基于一维卷积神经网络的故障诊断算法.采用全局平均池化层代替传统卷积神经网络中的全连接层,在降低模型计算量的同时,降低模型参数数量和过拟合的风险;利用随机破坏后的时域信号进行训练以提高其抗噪能力;采用改进后的一维卷积核和池化核直接作用于原始时域信号,将特征提取和故障分类合二为一,通过交替的卷积层和池化层实现原始信号自适应特征提取,结合全局平均池化层完成故障分类.利用轴承数据和齿轮数据进行实验验证并对比经典模型LeNet-5、BP神经网络和SVM.结果表明:采用全局平均池化层可有效降低模型计算量,提高模型在低信噪比条件下的诊断精度,采用随机破坏输入训练策略可显著提升模型的抗噪诊断能力;改进后的模型可以实现噪声环境下准确、快速和稳定的故障诊断.通过t-SNE可视化分析说明了模型在特征学习上的有效性.     

基于时频分析的非平稳机械振动信号的盲解卷积方法

将盲源分离技术应用于机械振动信号处理,为故障诊断技术提供了一个新的途径.针对传统BSS方法忽略机械振动信号的非平稳和卷积混合的特性,文章将基于二阶统计量的BSS推广至盲解卷积模型,并结合时频分析这一有力工具,给出了针对机械振动信号的二阶盲解卷积方法.仿真和实测数据实验结果表明,该方法为有效方法.与传统盲源分离算法比较,该算法分离精度至少提高了一倍左右,该算法更适合于机械振动信号的分析.     

用于图像超分辨率的轻量级残差平衡蒸馏网络

现有利用卷积神经网络的单幅图像超分辨率重建技术,普遍存在参数量大计算成本高等问题,阻碍了实际场景的应用,因此提出一种轻量级蓝图可分离残差平衡蒸馏网络(BSRBDN)。首先,引入蓝图可分离卷积并提出多尺度渐进特征蒸馏连接结构,在提取深层特征的同时减少冗余运算。其次,设计了对比度平衡注意块、大内核空间注意力块和像素融合模块,激活高频信息增强边缘细节特征。最后,设计了轻量级蓝图可分离残差平衡蒸馏网络快速精准的完成图像重建。实验结果显示网络在保持更好的性能和主观视觉效果的同时,大大降低了参数与计算量。     

基于注意力残差卷积网络的视频超分辨率重构

目前卷积神经网络已经成为视频超分辨率重构的主流方法。针对目前方法存在着细节信息恢复效果不理想、感知质量差的缺点,提出了一种结合注意力机制的残差卷积网络。通过一维通道注意力与二维空间注意力增强目标物体特征映射,完善重构图像的细节信息,并为单一像素计算一维分离卷积核,显著减少网络计算负担。采用特征损失与像素损失组合函数来训练神经网络以产生高质量的视频帧。实验结果表明,通过PSNR,SSIM和感知距离将所提模型与当前最先进的模型进行比较,该模型能够获得最优的感知距离,重构图像拥有较高的感知质量。     

基于残差字典学习的图像超分辨率重建方法

为了提高图像重建质量,在保留图像空间结构信息的同时恢复更多图像高频信息,提出一种基于二维可分离字典和残差字典的图像超分辨率重建方法.不同于传统的基于一维字典的超分辨重建方法,二维字典直接利用图像的二维矩阵表示,因此,可以保持图像的空间结构信息,减少字典参数的数量,节省存储空间.为了更好地恢复图像高频信息,在二维可分离字典重建图像基础上,引入残差字典,重建边缘等高频信息,两类字典各有侧重,二者结合可得到更高质量的超分辨率重建图像.在典型的公共图像集上的实验证明了提出的结合二维可分离字典和残差字典的图像超分辨重建方法的有效性和优越性.     

基于全局深度分离卷积残差网络的高效人脸识别算法

深度学习模型的复杂性影响了人脸识别的实时性能,限制了人脸识别算法在实际场景中的应用。针对这一问题,提出了一种基于全局深度分离卷积的残差学习神经网络,首先利用小卷积核提取人脸图像局部细节信息,采用深度残差学习网络作为骨干网络提取不同层次特征,然后根据人脸特征分布的空间重要性使用全局深度可分离卷积调整学习权重,加速精炼深层抽象特征,通过这一机制获取判别能力更强的特征向量进行人脸识别。在CASIA-Webface与Extend Yale-B人脸数据集中的识别率分别达到了82.1%与99.8%。     

基于深度残差网络的轻量级指静脉识别算法

提出一种基于深度残差网络的轻量级指静脉识别算法。首先,以ResNet34为基础,使用深度可分离卷积代替传统卷积,加入SE(Squeeze and Excitation)注意力机制模块来提取手指静脉空间域上的细节特征,并引入宽度缩放因子,进一步压缩网络;其次,在训练中引入教师-学生网络模式,对轻量级深度残差网络进行知识蒸馏训练,并使用知识蒸馏损失、CurricularFace和交叉熵损失对网络进行联合监督,解决了轻量级深度残差网络因学习参数量较少引起的性能下降问题。分别在FV-USM数据集、Lab-Normal数据集和Lab-Special数据集上进行仿真实验,结果表明,同基于轻量级网络MobileFaceNet的识别算法相比,提出的算法有效提高了零误识识别率和Top1排序性能。