MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

为解决滚动轴承故障时产生的信号具有强背景噪声而导致弱周期冲击特征难提取,以及在对轴承故障模式进行智能诊断时一般的诊断模型对故障振动信号的时序特征识别效果不强这两大问题,提出一种基于最大相关峭度解卷积(MCKD)、Teager能量算子和长短期记忆网络(LSTM)的故障诊断方法。使用MCKD算法对滚动轴承振动信号进行降噪处理,提取出信号中被噪声掩盖的周期冲击特征,并利用Teager能量算子检测信号的瞬态冲击,得到Teager能量序列;将结果分为训练集和测试集,将训练集输入到建立的LSTM故障诊断模型中进行学习,不断更新网络参数并提取出时间维度的特征信息;将训练好参数的LSTM模型应用于测试集,输出故障诊断结果。实验结果表明,提出的方法以端到端模式可以一次性诊断多种类型、尺寸的故障,具有很高的识别精度,是一种可以有效利用强背景噪声信号中时序特征的故障诊断方法。     

基于时域、频域脑电(EEG)特征情感分类研究

目前的情绪识别技术已经成功地将情绪变化与脑电信号联系起来,并在适当的刺激下从脑电信号中进行识别和分类.因为声音以及表情等信号具有一定的伪装性,而脑电信号(EEG)和情绪的变化密切相关,通过对EEG信号的分析可以更精确的反映人的情感变化.对EEG信号的研究集中于通过时域和频域的角度提取出特征信号,采用基于熵(entropy)的可分性判断进行特征选择,分别使用SVM和HMM-SVM模型两种分类方法进行情绪分类,然后对分类结果进行分析、比较.结果表明,利用HMM-SVM模型基于频域特征的分类结果最好,平均准确率为83.93％.     

时空特征与通道注意力融合的视觉手势识别技术

为了解决双流融合网络对动态手势关键帧及手部轮廓特征检测不足的问题,提出一种手势时空特征与通道注意力融合的动态手势识别方法.首先,在双流融合网络中引入有效通道注意力(eficient channel attention,ECA)增强双流识别算法对手势关键帧的关注度,并利用双流中的空间卷积网络和时间卷积网络分别提取动态手势中的空间和时序特征;其次,通过ECA在空间流中选取最高关注度的手势帧,利用单发多框检测器技术(single shot multibox detector,SSD)提取相应手部轮廓特征;最后,将手部轮廓特征与双流中提取的人体姿态特征、时序特征融合后分类识别手势.该方法在Chalearn 2013多模态手语识别数据集上进行了验证,准确率为66.23％,相比之前在该数据集上仅使用RGB信息进行双流识别的方法获得了更好的手势识别效果.     

智能异构模型在电机故障诊断中的研究

提出以测试电机的三相电流噪声为电机故障特征信号的诊断方法,建立电机电流噪声多元时序模型,将时序模型的多元残差序列化为一元序列作为故障总体检测指标。针对多元时序模型参数φi的特点,提出了多层NN的故障类型识别模型,应用APEX网络提取初始模式向量的分类信息,利用前馈网络建立其识别函数,实践证明该诊断方法是正确的。     

改进的CNN-LSTM轴承故障诊断方法

为了克服卷积神经网络(Convolutional Neural Network, CNN)轴承故障诊断方法特征提取过程困难以及难以捕获时间序列数据之间的长期依赖关系的问题,提出一种改进的卷积-长短时记忆网络(Convolutional Neural Network-Long and Short Term Memory, CNN-LSTM)滚动轴承故障诊断方法。将二维轴承加速度振动信号输入CNN提取局部特征,再将轴承特征信息加载到LSTM长期记忆单元中,引入遗忘机制提取时序数据的全局特征。利用轴承振动信号的局部深层特征和全局时序特征,学习不同区间长度的序列特征,从而提高故障诊断精度。实验结果表明,该方法可用于轴承故障诊断,且具有较高的分类精度和较强的稳定性。     

基于卷积神经网络视觉融合的动态手势识别

为了提高多帧视频序列中动态手势的识别效果,结合计算机视觉分析,提出了基于卷积神经网络视觉融合的动态手势识别方法.采用模糊数据多频谱方法进行多帧视频序列中动态手势视觉图像采集,对采集的图像用Harris角点检测和多传感识别方法进行多模状态分层特征点标定,用卷积神经网络视觉融合方法提取多帧视频序列中动态手势动作的边界轮廓特征点信息,分析多帧视频序列中动态手势的层次化分割特征,用图像分割和边缘信息增强方法,提高动态手势图像的分辨能力,结合角点优化检测技术,用视觉动态跟踪分析实现对手势动作特征点的自动化标定,根据动态手势的帧点分布规则实现多帧视频序列中动态手势动作图像的自适应特征检测和识别.仿真结果表明,采用该方法进行多帧视频序列中动态手势识别的准确性较高、实时性较好.     

基于卷积门控循环网络的齿轮箱故障诊断

为充分利用信号的时序相关性特征,增强模型对数据信息的全面挖掘能力,以进一步提高卷积神经网络(CNN)诊断精度,本文将CNN与善于处理数据时序相关性特征的门控循环单元(GRU)相结合,提出了一种新的齿轮箱故障诊断模型.CNN通过端对端的方式提取数据空间特征,并将提取的特征作为GRU的输入进一步提取时空特征,最后将GRU提...     

一种集成卷积神经网络和深信网的步态识别与模拟方法

针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。     

PAD三维情感空间中的语音情感识别

离散情感描述模型将人类情感标注为离散的形容词标签,该类模型只能表示有限种类的、单一明确的情感类型,而维度情感模型从情感的多个维度量化了复杂情感的隐含状态.另外,常用的语音情感特征梅尔频率倒谱系数(MFCC)存在因分帧处理引起相邻帧谱特征之间相关性被忽略问题,容易丢失很多有用信息.为此本文提出改进方法,从语谱图中提取时间点火序列特征、点火位置信息特征对MFCC进行补充,将这三种特征分别用于语音情感识别,根据识别结果从PAD维度情感模型的三个维度(Pleasure-displeasure愉悦度、Arousal-nonarousal激活度、Dominance-submissiveness优势度)进行相关性分析得到特征的权重系数,加权融合后获得情感语音的最终PAD值,将其映射至PAD三维情感空间中.实验表明,增加的时间点火序列、点火位置信息不但能探测说话人的情感状态,同时考虑了相邻频谱间的互相关信息,与MFCC特征形成互补,在提升基本情感类型离散识别效果的基础上,将识别结果表示为PAD三维情感空间中的坐标点,采用量化的方法揭示情感空间中各种情感的定位与联系,展示出情感语音中糅杂的情感内容,为后续复杂的语音情感分类识别奠定研究基础.     

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型. 采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别. 对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%. 不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.     

基于卷积神经网络的多类运动想象脑电信号识别

针对传统多类运动想象（MI）脑电信号的识别方法须进行繁琐的预处理以及特征提取问题,提出基于深度学习的MI信号自动分类方法.在样本表示方面,提出将多通道脑电（EEG）信号转化为一维序列信号处理,在增加样本数量的同时又能够忽略与通道位置相关的空间信息的影响;根据输入信号的特点,采用多层一维卷积神经网络学习不同运动想象状态时脑电信号中的时频信息,自动完成特征提取和分类工作. 将所提出的方法在公共数据集上与多种方法进行比较,并完成对实际采集数据集的分类. 利用所提方法在不需要先验知识的条件下,对脑电信号进行端到端的学习. 结果表明该方法可以获得更高的多分类准确率以及降低个体差异对分类的影响. 所提出的方法有利于促进基于MI 的脑机接口系统的开发.     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.     

融合语音信号和脑电信号的多模态情感识别

为构造有效的情感识别系统,通过声音刺激分别诱发出高兴、悲伤、生气以及中性4种情感,并采集相应的语音信号和脑电信号。首先,利用相空间重构技术提取脑电信号和语音信号的非线性几何特征和非线性属性特征,并结合两者的基本特征分别实现情感识别;然后,通过构建基于限制玻尔兹曼机的特征融合算法,从特征层融合的角度实现多模态情感识别;最后,利用二次决策算法从决策融合的角度构建多模态情感识别系统。实验结果显示,从特征融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高1.08%和2.75%;从决策融合的角度构建的多模态情感识别系统相比语音信号和脑电信号情感整体识别率,分别提高6.52%和8.19%;决策融合相比特征融合构建的多模态情感识别系统整体识别效果更优。因此,融合语音信号和脑电信号等不同来源的情感数据可以构造出更有效的情感识别系统。     

基于CNN脑电信号伪迹检测与去除的EEMD方法

为了去除在脑电信号采集过程中受到的干扰,在传统方法的基础之上,提出了一种基于卷积神经网络(CNN)脑电信号伪迹检测与去除的方法。该方法通过CNN模型对脑电信号电压幅值计算后的特征进行提取,完成Softmax分类器对脑电信号的检测分类。采用EEMD算法将含噪脑电信号分解为若干个本征模式函数IMF分量,通过Hilbert特征法提取出噪声占主导的高频IMF分量,再由FastICA的方法将剩余信号分离,达到眼电伪迹的去除。实验表明,CNN方法检测准确率高达80%以上,CNN与EEMD的结合提高了脑电信号伪迹去除的有效性。     

基于并行架构和时空注意力机制的心电分类方法

为了有效提取心电信号 (ECG) 的时空特征和提高分类准确性,提出基于深度学习的并行架构心电分类模型. 该模型采用基于GCA Block和GTSA Block模块实现多路特征融合的时空注意力机制. 使用双向长短时记忆网络和卷积神经网络作为基特征提取器,分别捕捉心电信号序列数据的前后依赖关系和不同尺度上的局部相关特征,实现对5种不同类型的心电信号的自动分类. 在MIT-BIH数据集上验证的结果表明,该方法对5种不同心电信号的总体分类准确率、特异性、敏感度、精确度和Macro-F1分别为99.50%、99.61%、96.20%、98.02%和97.08%. 相较于其他心电分类模型,该模型不仅能够有效地缩短网络模型深度,防止模型过拟合,而且能够更准确地提取心电信号的时空特征,获得更好的分类性能.     

基于半监督学习的脑电信号特征提取及识别

针对有监督学习容易造成未标记样本的浪费和手动特征提取容易导致信息丢失的问题,提出一种基于深层堆叠网络（DSN）的半监督特征学习方法,无监督特征学习的过程由多个受限玻尔兹曼机（RBM）的并行训练完成,将训练得到的参数用于DSN的输入权值初始化,再采用批量模式的梯度下降法进行监督微调。将所提方法用于运动想象脑电信号特征提取及识别,实验结果表明本文方法能够充分利用未标记样本中的隐含信息,有效提取脑电信号特征,识别结果优于共同空间模式（CSP）和深度信念网络（DBN）等算法,该方法可用于提高BCI系统中脑电信号的识别准确率。     

Identification of Driving Intention Based on EEG Signals

The driver''s intention is recognized by electroencephalogram(EEG) signals under different driving conditions to provide theoretical and practical support for the applications of automated driving. An EEG signal acquisition system is established by designing a driving simulation experiment, in which data of the driver''s EEG signals before turning left, turning right, and going straight, are collected in a specified time window. The collected EEG signals are analyzed and processed by wavelet packet transform to extract characteristic parameters. A driving intention recognition model, based on neural network, is established, and particle swarm optimization (PSO) is adopted to optimize the model parameters. The extracted characteristic parameters are inputted into the recognition model to identify driving intention before turning left, turning right, and going straight. Matlab is used to simulate and verify the established model to obtain the results of the model.The maximum recognition rate of driving intention is 92.9%. Results show that the driver''s EEG signal can be used to analyze the law of EEG signals. Furthermore, the PSO-based neural network model can be adapted to recognize driving intention.     

基于CNN特征空间的微博多标签情感分类

面对微博情感评测任务中的多标签分类问题时,基于向量空间模型的传统文本特征表示方法难以提供有效的语义特征。词向量表示能体现词语的语法和语义关系,并依据语义合成原理构建句子的特征表示。本文提出一个针对微博句子的多标签情感分类系统,采用经过有监督情感分类学习后的卷积神经网络(Convolution Neural Network, CNN)模型,将词向量合成为微博句子的向量表示,使得此CNN特征空间中的句子向量具有很好的情感语义区分度。在2013年NLPCC(Natural Language Processing and Chinese Computing)会议的微博情感评测公开数据集上,相比最优评测结果的宽松指标和严格指标,本系统的最佳分类性能分别提升了19.16%和17.75%;相比目前已知文献中的最佳分类性能,则分别提升了3.66%和2.89%。     

基于3D-CBAM注意力机制的人体动作识别

针对已有的动作识别方法的特征提取不足、识别率较低等问题,结合双流网络、3D卷积神经网络和卷积LSTM网络的优势,提出一种融合模型. 该融合模型为了更好地提取人体动作特征,采用SSD目标检测方法将人体目标分割出作为局部特征和原视频的全局特征共同训练,并采用后期融合进行分类; 将3D卷积块注意模块采用shortcut结构的方式融合到3D卷积神经网络中,加强神经网络对视频的通道和空间特征提取; 并且通过将神经网络中部分3D卷积层替换为ConvLSTM层的方法,更好地得到视频的时序关系. 实验在公开的KTH数据集     

基于Bi-LSTM的脑电情绪识别

为解决脑电(electroencephalogram, EEG)情绪识别这一项具有挑战性的任务,提出一种基于双向长短时记忆网络(bidirectional long short-term memory, Bi-LSTM)的脑电情绪分类模型并探索大脑情绪机制,唤醒度准确率最高为76.78%,效价度准确率最高为77.28%,与其他模型比较,Bi-LSTM模型在脑电情绪识别上有出色的表现。通过Bi-LSTM模型对比不同频段、脑区和特征疏密度的准确率来探索大脑情绪机制,表明大脑中情绪相关性最高的频段、脑区和特征疏密度分别为α和β、顶叶区与额叶区、50和15。