基于改进卷积神经网络的3D打印机激光点温度检测方法

3D打印过程中激光点温度对成型制品的精度和质量会产生直接影响。针对传统温度检测装置在激光点温度检测方面无法达到高检测率、低误差率的工业需求，文章提出一种基于卷积神经网络对激光点温度进行检测估计方法。采用深度学习方法，对收集到的激光温度训练样本运用卷积神经网络的方法进行模型训练，利用训练结果对测试集进行预测，估计出测试激光图像的激光温度。此外在传统卷积神经网络的基础上进行了改进，验证结果表明改进的卷积神经网络能够对激光点等温线进行更为准确的检测估计。     

基于卷积神经网络的超声金属材料辨识

传统的金属材料辨识方法会给被检测样品带来一定程度的损伤。文章通过采集金属材料的超声回波时域信号,采用短时傅里叶变换对其进行时频分析,得到包含金属材料微观组织信息的超声时频谱。将目标样品的超声时频谱预处理后作为训练样本,输入到构建好的卷积神经网络中进行训练。然后采集目标样品以及干扰样品的超声频谱图,分别将其输入网络进行辨识。结果表明,神经网络在训练时收敛较快,损失函数在迭代200次后收敛,在经过100次迭代后训练集准确率趋于100%。训练完成的网络模型记录着对应训练样本的特征信息,利用该训练好的网络对待测样本进行辨识,最终可实现超声金属材料辨识。     

基于深度学习的验证码图像识别

验证码是一种区分用户是计算机还是人的公共全自动程序.为了尽可能大批量地获取某网站的信息,就需要让机器可以全自动地识别该网站的验证码.为了破解验证码,对深度学习的验证码图像识别方法进行了研究.提出使用图像标注的方法来生成验证码图像中的字母序列.实验采用深度学习框架Caffe,将卷积神经网络与循环神经网络相结合进行训练.将卷积神经网络的输出用于训练循环神经网络,来不断地预测出序列中下一个最有可能出现的字母.训练的目标是将输出的词尽量和预期的词一致.测试结果表明,该模型能够对该网站的验证码图像做到97%的识别准确率.该方法比只采用卷积神经网络进行识别效果好.     

基于改进卷积神经网络的动态过程质量异常模式识别北大核心

为实时识别动态过程质量异常模式,提出了基于改进卷积神经网络的在线识别方法。根据动态过程数据流的特点构建一维卷积神经网络识别模型。通过改进卷积神经网络损失函数提升模型在不平衡分类问题下的识别准确率。为减少实验次数和节约计算资源,利用正交试验法对改进后的卷积神经网络进行参数优化。以某铅酸蓄电池涂板过程为例验证了所提模型的有效性。实验结果表明:所提方法在处理不平衡样本问题时表现出了良好的识别能力,能够有效应用于动态过程质量异常模式的在线识别。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

被动声纳方位估计的宽带盲源分离算法

针对实际被动声纳信号宽带非平稳且统计特性无法预知的特点,由宽带卷积混合模型,建立了融合时间延迟结构与非参数化特性的代价函数,通过核密度技术同时估计目标源的概率密度函数和解混矩阵,并对估计的最优解混矩阵与目标源信号求取每个频点内方位能量谱,最后累加所有子带构成宽带方位能量谱。宽带仿真结果与实际海试表明本文方法在方位分辨率和估计精度方面接近最小方差无失真响应（Minimum variance distortionless response, MVDR）和多重信号分类（Multiple signal classification, MUSIC）算法,在弱目标检测方面具有一定优势。     

基于改进卷积神经网络的动态过程质量异常模式识别

为实时识别动态过程质量异常模式,提出了基于改进卷积神经网络的在线识别方法。根据动态过程数据流的特点构建一维卷积神经网络识别模型。通过改进卷积神经网络损失函数提升模型在不平衡分类问题下的识别准确率。为减少实验次数和节约计算资源,利用正交试验法对改进后的卷积神经网络进行参数优化。以某铅酸蓄电池涂板过程为例验证了所提模型的有效性。实验结果表明:所提方法在处理不平衡样本问题时表现出了良好的识别能力,能够有效应用于动态过程质量异常模式的在线识别。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

阵形非确知基阵方位估计的神经网络方法

近年来由于大孔径非刚性基阵如拖曳线列阵、声呐浮标阵等的巨大潜在性能,人们对阵形非确知基阵或波阵面畸变情况下的声源方位估计问题日渐重视。本文提出了结构匹配的神经网络求解方法。由于该网络是高度内联的,具有高度并行处理能力、Robust性和学习能力,因而这一新的方位估计方法算法结构简单、运算量小,且有较好的跟踪能力,易于硬件实现。计算机模拟结果表明,利用神经网络方法解决阵形非确知基阵的方位估计问题是相当有效的。具有很大发展潜力,值得进一步研究探索。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

Sound Source Localization Based on SRP-PHAT Spatial Spectrum and Deep Neural Network

Microphone array-based sound source localization (SSL) is a challenging task in adverse acoustic scenarios. To address this, a novel SSL algorithm based on deep neural network (DNN) using steered response power-phase transform (SRP-PHAT) spatial spectrum as input feature is presented in this paper. Since the SRP-PHAT spatial power spectrum contains spatial location information, it is adopted as the input feature for sound source localization. DNN is exploited to extract the efficient location information from SRP-PHAT spatial power spectrum due to its advantage on extracting high-level features. SRP-PHAT at each steering position within a frame is arranged into a vector, which is treated as DNN input. A DNN model which can map the SRP-PHAT spatial spectrum to the azimuth of sound source is learned from the training signals. The azimuth of sound source is estimated through trained DNN model from the testing signals. Experiment results demonstrate that the proposed algorithm significantly improves localization performance whether the training and testing condition setup are the same or not, and is more robust to noise and reverberation.     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于深度学习的双耳声源定位算法研究

针对多种定位因素存在复杂关联且不易准确提取的问题,提出了以完整双耳声信号作为输入的、基于深度学习的双耳声源定位算法。首先,分别采用深层全连接后向传播神经网络(Deep Back Propagation Neural Network,D-BPNN)和卷积神经网络(Convolutional Neural Network, CNN)实现深度学习框架;然后,分别以水平面 15°、30°和 45°空间角度间隔的双耳声信号进行模型训练;最后,采用前后混乱率、定位准确率与训练时长等指标进行算法有效性分析。模型预测结果表明,CNN模型的前后混乱率远低于 D-BPNN;D-BPNN模型的定位准确率能够达到87%以上,而 CNN模型的定位准确率能够达到 98%左右;在相同实验条件下,CNN模型的训练时长大于 D-BPNN,且随着水平面角度间隔的减小,两者训练时长之间的差异愈发显著。     

基于卷积神经网络的超分辨率失真控制图像重构研究

目的 解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法 通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果 设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论 相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。     

基于续尺度卷积网络的10 MW漂浮式风力机筋腱损伤识别EI北大核心CSCD

为提升复杂环境中漂浮式风力机平台筋腱结构隐性损伤识别率,基于卷积神经网络(convolutional neural network,CNN),提出连续多尺度卷积神经网络(continues-multi-scale convolutional neural network,CMS-CNN),建立“端到端”的损伤识别模型。为验证CMS-CNN方法的有效性,以10 MW漂浮式风力机为研究对象,对损伤位置、程度进行故障诊断,结果表明:连续多尺度模型比传统多尺度的诊断结果更佳;横荡加速度受环境载荷影响较小,基于此响应信号所训练的CMS-CNN诊断模型更可靠;CMS-CNN模型可在筋腱结构微弱损伤时实现精准定位,亦能完成结构隐性损伤程度识别。     

基于卷积神经网络的光学遥感图像船只检测

目的研究无需进行复杂的图像预处理和人工特征提取,就能提高光学遥感图像的船只检测准确率和实现船只类型精细分类。方法对输入的检测图像,采用选择性搜索的方法产生船只候选区域,用已经标记好的训练样本对卷积神经网络进行监督训练,得到网络参数,然后使用经过监督训练的卷积神经网络提取抽象特征,并对候选区域进行分类,根据船只候选区域的分类概率同时确定船只的位置以及类型。结果与现有的2种检测方法进行对比,实验结果表明卷积神经网络能有效提高船只检测准确率,平均检测准确率达到了93.3%。结论该检测方法无需进行复杂的预处理,能同时对船只进行检测和分类,并能有效提高船只检测准确率。     

Real-Time Detection of Cracks on Concrete Bridge Decks Using Deep Learning in the Frequency Domain

This paper presents a vision-based crack detection approach for concrete bridge decks using an integrated one-dimensional convolutional neural network (1D-CNN) and long short-term memory (LSTM) method in the image frequency domain. The so-called 1D-CNN-LSTM algorithm is trained using thousands of images of cracked and non-cracked concrete bridge decks. In order to improve the training efficiency, images are first transformed into the frequency domain during a preprocessing phase. The algorithm is then calibrated using the flattened frequency data. LSTM is used to improve the performance of the developed network for long sequence data. The accuracy of the developed model is 99.05%, 98.9%, and 99.25%, respectively, for training, validation, and testing data. An implementation framework is further developed for future application of the trained model for large-scale images. The proposed 1D-CNN-LSTM method exhibits superior performance in comparison with existing deep learning methods in terms of accuracy and computation time. The fast implementation of the 1D-CNN-LSTM algorithm makes it a promising tool for real-time crack detection.     

多维线性模型参数估计的神经网络方法

本文提出一种用于多维线性模型（ＡＲ，ＡＲＭＡ）参数估计的神经网络方法和相应的递归预测误差算法。本文在分析多输入、单输出，含一个隐含和多层神经网络的输入输出关系的基础上，提出了首先将理想输出Ｘｉ进行预畸变（Ｆ（Ｘｔ））作为神经网络的训练目标。当神经网络训练完毕后，网络的连接权就是待估计的线性模型参数。本文提出方法的优点是网络结构简单，估计结果准确。仿真模拟结果表明，本文所提出的神经网络方法估计多维线性模型参数是有效的。     

RETRACTED: Automatic Arrhythmia Detection Based on Convolutional Neural Networks

ECG signal is of great importance in the clinical diagnosis of various heart diseases. The abnormal origin or conduction of excitation is the electrophysiological mechanism leading to arrhythmia, but the type and frequency of arrhythmia is an important indicator reflecting the stability of cardiac electrical activity. In clinical practice, arrhythmic signals can be classified according to the origin of excitation, the frequency of excitation, or the transmission of excitation. Traditional heart disease diagnosis depends on doctors, and it is influenced by doctors' professional skills and the department's specialty. ECG signal has the characteristics of weak signal, low frequency, large variation, and easy to be interfered. In this investigation, an ECG anomaly automatic classification system based on the convolutional neural network is proposed. The training sets of the convolutional neural network are ECG beats extracted from the MIT-BIH database as training sets. A 36-layer convolutional neural network (CNN) is trained based on Caffe framework to classify ECG signals automatically. The experimental results show that it can reach or even exceed the level of a senior cardiologist in judging three diseases: FIB, AFL and IVR.     

ia-PNCC: Noise Processing Method for Underwater Target Recognition Convolutional Neural Network

Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition.