基于知识迁移的深度学习无线电信号聚类方法

现有的无线电信号调制识别方法在先验数据不足时通常很难对无类标信号进行有效识别。针对这个问题,本文提出了一种基于知识迁移的深度学习无线电信号聚类方法(DTC)。该方法基于样本对比,分析样本间的相似性,并利用卷积神经网络(CNN)提取无线电信号的特征,同时设计了一种预训练框架,通过迁移同领域数据集的知识,有效提升了CNN特征提取能力,实现了引导聚类方向、提升聚类性能的目标。实验结果表明,该方法在多个公开数据集上的聚类性能都显著优于现有的聚类方法。与现有方法相比,DTC在RML 2016.10A和RML 2016.04C数据集上的聚类精度分别提升了30.34%和28.04%。     

滚动轴承的MSE和PNN故障诊断方法

针对滚动轴承不同运行状态振动信号具有不同复杂性的特点,提出一种新的基于多尺度熵(multiscale entropy, MSE)和概率神经网络(probabilistic neural networks, PNN)的滚动轴承故障诊断方法。该方法首先利用MSE方法对滚动轴承振动信号进行特征提取,并将其作为PNN神经网络的输入,再利用PNN自动识别轴承故障类型及故障程度。实验数据包括不同故障类型和不同故障程度样本,结果表明,相比于小波包分解和PNN结合的诊断方法,提出的方法具有更高的诊断精度,能有效实现滚动轴承故障类型及程度的诊断。     

基于BagR-CNN检测模型的物联网网关安全加固方法

物联网(IoT)网关作为多种网络间异构数据传输与交换的关键节点近年来长期遭受大规模攻击,可靠性差,大规模流量处理延时大、抗攻击能力差等问题显著。而现有对物联网网关的可靠性研究主要集中在加密技术和可信认证机制方面,没有解决大规模攻击环境下物联网的可靠性及安全性问题。因此,本文提出了基于BagR-CNN检测模型的物联网网关安全加固方法,设计了可低功耗集成在物联网网关上并能够快速检测出大规模多步骤攻击的模型。首先,不同于传统的单一流量分类,本方法将相关流量聚合到一个包中,并利用基于信息熵相关性的特征增强算法提高检测准确率。其次,区别于传统的特征提取与约简方法,本文提出基于包内相似度的特征扩展方法,挖掘出隐藏的关联信息并能保证包内数据在噪声扰动下的不变性。最后,本文提出基于高斯混合模型(GMM)的特征压缩算法,将聚合包映射为一维向量并由此训练简单的卷积神经网络,以提高检测效率。实验结果表明,基于BagR-CNN检测模型在准确率、召回率和F1值等方面均优于目前对于大规模多步骤攻击的检测方法。同时,在模拟网关上运行时平均CPU利用率(不使用GPU)低于20%,证明该方法适合集成到网关而不影响网关正...     

波纹管内部脱浆状态的超声检测方法

为了检测波纹管内部不同脱浆状态的缺陷问题,提出了一种采用变分模态分解（Variational Mode Decomposition,VMD）与蚁群神经网络相结合的超声检测方法。将检测到的回波信号进行变分模态分解,将分解后信号的多尺度样本熵作为特征参数,输入到蚁群神经网络中进行检测。实验结果表明利用VMD分解方法与蚁群神经网络相结合可以对波纹管内部横向缺陷进行有效判断。     

基于DSSIM非范数约束增强的对抗训练方法

针对当前对抗训练(AT)中存在的鲁棒过拟合问题,即在对抗训练超过一定轮次后,网络模型对抗防御能力出现不升反降的现象,本文提出了一种基于结构相异性非范数约束增强的对抗训练方法(DSSIM-AT)。该方法将非范数约束引入到对抗训练过程中用于对抗样本生成,根据样本间的结构相异度剔除对抗样本中的无语义特征,使得生成的对抗样本更适合于对抗训练。该方法进一步设计了梯度异步更新机制,优化对抗样本生成与模型参数更新耗时问题。实验结果表明,该方法可有效缓解对抗训练鲁棒过拟合情况,相比于已有对抗训练方法,可以将CIFAR-10数据集上的干净样本识别准确率提高约3%,同时对抗样本识别准确率提高约4%～8%。     

基于自适应模糊神经网络的发动机故障诊断

发动机是车辆的核心部件,及时有效地发现并排除故障,对降低维修费用,减少经济损失,增加发动机工作时的可靠性,避免事故发生具有重大的意义。以某型号发动机为研究对象,运用测试技术、信号处理、小波分析、神经网络和模糊控制理论,提出了自适应模糊神经网络发动机故障诊断。首先建立了发动机故障信号采集试验台,在试验台上人工模拟四种工况,通过加速度传感器采集正常工况和异常工况的振动信号。再利用小波理论对采集到的振动信号进行消噪处理,提高信噪比,并提取出故障信号的特征值,作为网络训练和测试的样本数据。用样本数据训练和检测自适应模糊神经网络,即对发动机故障进行模式识别。通过仿真分析,取得了很好的诊断效果;同时与传统的BP神经网络故障诊断方法进行对比,无论在诊断精度上还是学习速度上,模糊神经网络在故障诊断中更具有优势。     

基于MDFF与ISSA的滚动轴承故障声发射诊断

针对滚动轴承早期、复合故障难以准确诊断与智能诊断模型超参数确定严重依赖专家先验知识问题,提出一种基于多维深度特征融合(multi-dimensional depth feature fusion, MDFF)与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的滚动轴承故障声发射诊断方法。用一维卷积与线性瓶颈反向残差二维卷积神经网络构建多输入卷积神经网络(convolution neural network, CNN)结构的诊断模型,模型输入为滚动轴承声发射信号及其小波时频图,提出基于布伦纳梯度和信噪比的质量指标,在108种小波基中筛选出最佳时频图以提升输入数据质量。接着,采用特征金字塔网络将模型的一、二维低层与高层特征融合,建立深度融合的诊断模型。然后,将交叉混沌映射、自适应权重及融合的随机游走策略引入麻雀搜索算法中,以自适应获取MDFFCNN最优超参数。试验表明,对比近期多个主流智能诊断算法,所提方法可避免人工选择诊断模型超参数,对滚动轴承早期尤其复合故障具有更高的诊断精度和稳定性,模型诊断过程的智能化水平得到了进一步提高。     

基于正交匹配追踪算法的虚拟内插空间平滑DOA估计

针对正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法在实际的波达方向(Direction of Arrival, DOA)估计应用中,测向分辨率较低且在相干信号环境下估计性能较差的问题,提出了一种虚拟阵列空间平滑DOA估计算法.以互质阵列为模型,通过在正交匹配追踪算法重构信号的基础上,使用虚拟内插的方法,构造均匀虚拟阵列,能够提高波达方向的估计精度,加入空间平滑算法,可以分辨相干信号.仿真结果表明,使用虚拟内插算法之后,空间谱图波峰更尖锐,且在信噪比为0 dB时,最高探测精度提高到2°,测向分辨率明显有所提升,同时加入空间平滑算法,可以有效地分辨相干信号,且在信噪比为0 dB时,最高探测精度提高为4.7°,验证了本文方法的有效性.     

基于神经网络和功率谱的水中目标信号检测方法

将功率谱和神经网络相结合，应用于高海况、低信噪比条件下，水中目标信号的特征提取中．文中首先对信号进行功率谱估计，利用目标信号功率主要集中在低频部分的特点，提取低频信号的能量作为特征，然后利用人工神经网络对目标信号进行检测．利用不同浪级情况下海洋水压场的仿真信号数据，对某型目标舰船的水压信号进行了检测计算，验证了该方法的有效性，尤其是达到了在高海况、低信噪比条件下，对目标信号检测率比较高、虚警率比较低的效果．     

语音编码算法的神经网络增益滤波器

增益-波形乘积码书结构广泛用于 CELP 语音编码算法, 它们使用 Levinson-Durbin(L-D)方法更新增益滤波器系数. 本文对 BP 神经网络算法与 L-D 方法进行了比较. 用 BP 神经网络增益滤波器进行语音编码, 其计算量仅为 G.728 的 L-D 方法的 6.7%, 但平均分段 SNR 高出 G.728 算法 0.156 dB. 同时, 用 BP 神经网络算法评价了 16 和 20 样点激励矢量增益滤波器, 效果同样很好. 但是, 由于考察增益预测器时量化器还不存在, 因此无法用量化信噪比评价滤波器性能. 本文提出一种信噪比估计方法, 可使增益预测器的优化与量化问题分开处理. 实验表明用这种信噪比估计方法选择增益滤波器十分有效.     

基于投影感知的水下声呐目标检测方法

现有基于深度学习的水下声呐图像目标检测方法受限于水下声呐图像噪声大、信噪比低,因而检测精度有限。针对该问题,本文提出了基于投影感知和声呐参数信息嵌入的水下声呐图像目标检测方法 SonarNet。提出的非参数化的投影感知对齐模块(PAA)在不引入额外的训练参数且无需额外标注的情况下,通过提取水下目标的投影区域特征与目标本身特征融合来提升目标检测精度。同时为了提升算法在不同声呐工作参数下的鲁棒性,本文设计了一个轻量级的声呐全连接网络SonarMLP,将声呐设备的工作参数信息以嵌入信息的形式引入到目标检测过程中。本文在声呐图像目标检测数据集上对算法的有效性进行了验证,在有效检测出水下目标的同时,比现有常用深度学习方法有更高的检测精度,能够提升3%以上的各类平均精确度(m AP)。     

基于Duffing振子的天然气管道泄漏检测方法

针对天然气管道泄漏因泄漏声波信号信噪比(SNR)过低而难于检测的问题,研究了基于Duffing振子的天然气管道泄漏检测方法。该方法将待检测数据输入Duffing振子系统,以振子系统的状态转化实现非周期信号中周期信号的检测。为了更好地提高Duffing振子的检测性能,在Duffing振子设计阶段,以随机共振的有关理论为基础,通过对系统输出信噪比的优化来实现Duffing振子的参数设计。基于实际天然气管道泄漏数据的测试结果表明,所提出方法可在低信噪比(-68dB)的情况下有效检测出泄漏,具有较好的检测性能。     

水下混沌背景中的瞬态声信号检测法研究

水下瞬态声信号中蕴含着目标的特征信息,但其突发性强、持续时间短致使检测难度很大。为解决瞬态信号检测的问题,提出了混沌背景中瞬态冲击信号的RBF神经网络检测法。建立了混沌背景噪声的一步预测模型,通过预测误差的变化来检测瞬态信号。分别以Lorenz系统和Logistic系统作为混沌背景噪声进行了仿真,证明检测方法的有效性,并在Lorenz系统背景检测中加入白噪声来检验该方法抗白噪声干扰的能力,结果表明该方法对白噪声敏感;在理论研究的基础上通过对外场试验数据的处理验证了该方法的有效性,并在实际测量数据中加入混沌背景噪声,通过改变信噪比检验了该方法在不同信噪比情况下的性能。     

基于改进Elman神经网络的CFRP补强钢板界面脱粘预测研究

针对碳纤维复合材料(carbon fiber reinforced polymer, CFRP)补强钢结构出现内部界面脱粘损伤后难以观测的问题,结合Lamb波检测方法和神经网络提出了一种界面脱粘预测方法。搭建了基于Lamb波的CFRP补强钢板信号分析试验平台,利用ABAQUS软件建立了CFRP补强钢板的机电耦合有限元模型,并通过试验验证了有限元模型的准确性。将长方形和圆形两种脱粘形状的信号在时域和频域内进行分析,基于自适应遗传算法改进的Elman神经网络建立了CFRP补强钢板脱粘预测模型,并将与脱粘面积相关性较高的信号特征数据作为预测模型的特征数据。对预测模型进行性能测试,脱粘形状为长方形和圆形预测值的平均绝对百分比误差分别为3.03%和8.06%,结果表明改进的Elman网络对于脱粘损伤具有较好的预测精度。     

基于ITD-MFCC与卷积神经网络的核电电气设备异音检测技术

针对核电设备小样本异音数据集无法训练出高效预测模型难题，提出一种基于ITD-MFCC和卷积神经网络的电气设备异音检测方法。首先，利用固有时间尺度分解(Intrinsic Time-scale Decomposition,ITD)强化信号特征，增强特征辨识度；然后，利用梅尔频率倒谱系数(Mel-frequency Cepstral Coefficients,MFCC)提取与人耳听觉特性关联的时频特征，进一步增强异音特征辨识度；最后，融合所提取特征指标，并利用卷积神经网络对融合特征进行训练，建立异响与数据特征映射关系，实现异音检测。试验结果表明：所设计的模型在小样本数据中准确率达到97.63%，相比于现有的支持向量机(Support Vector Machine,SVM)和BP神经网络模型准确率分别提升10.43%和12.86%。     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。     

基于神经网络的玻璃缺陷声学检测方法

描述了一种通过声学信号检测玻璃制品缺陷的方法。在实现步骤上,首先采集了不同缺陷类型的玻璃瓶敲击声,然后经过频谱变换及小波包变换,将敲击信号映射至不同的变换域中,并在每个变换域中提取信号的特征,从而将样本的缺陷信息对应为统计特征和物理特征,并采用基于互信息量的特征选择算法对特征空间进行降维;降维后的特征子集作为后向传播神经网络的输入参数,再由该神经网络实现对玻璃缺陷的自动化检测。结果表明,在已有实验样本数据下,该缺陷检测算法能准确高效地检测出存在缺陷的样本,识别结果的F-值稳定在95%左右。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

基于神经网络的故障检测方法研究

研究了神经网络在状态监测技术中的应用,通过对神经网络故障诊断技术和系统辨识技术的分析,在非线性系统辨识技术基础上,提出了一种基于神经网络非线性辨识技术的故障检测方法.给出了神经网络的有效训练算法,利用神经网络辨识系统模型,作为残差产生器,实时计算残差并进行逻辑判断,从而监测系统的工作行为是否异常.仿真结果表明这种故障检测方法是有效的,实时性强,鲁棒性好.并且神经网络的训练不需要故障模式数据,适用性好.     

同步信标在水下机动小目标轨迹测量中的高精度时延估计方法

研究了使用窄脉宽、短周期、高频率的单频同步信标信号在水下机动小目标轨迹测量中的高精度时延估计方法。利用MATLAB进行了不同信噪比下时延估计效果的仿真,得出时延估计精度在不同信噪比下的误差曲线;结果表明,信噪比在20dB以上时,利用包络检波器进行时延估计,其精度优于10μs;而利用自适应相位估计来补偿粗测时延,可以得到优于0.1μs的测时精度。