基于多输出一维卷积神经网络的轴承故障诊断

轴承作为用途最为广泛的零部件之一,其可以有效减缓旋转部件之间的摩擦力从而避免损坏,并且可以固定旋转轴。然而,在恶劣条件下连续工作会导致不可避免的故障。因此,对于工厂来说,进行轴承故障类型以及故障程度诊断越来越有必要。近些年来,随着深度神经网络,特别是卷积神经网络(convolutional neural network,CNN)的出现,使得智能诊断方法在精度方面取得了显著的提升。然而,在复杂的实际工业场景下,除了准确性之外,效率问题也需要提起重视。针对目前的多数CNN网络或效率低或不能检测故障程度的问题,提出了一种基于一维卷积神经网络的多输出分类的方法。方法利用提取的相关特征同时进行轴承故障类型分类和故障程度(裂纹尺寸)分类,与传统的基于CNN的多类分类相比,在多输出分类中利用相关特征提高了诊断的准确性和效率。     

基于一维卷积神经网络的模拟电路故障诊断

模拟电路是工业电子设备的重要组成部分,一旦发生故障可能造成严重的财产损失和人员伤亡。传统的模拟电路故障诊断方法主要依赖于复杂的信号处理技术和专家经验,只适用于特定场景。本文提出一种基于一维卷积神经网络的故障诊断方法,可以直接从原始时间序列信号中提取故障特征,不依赖于信号处理技术和专家经验。为了减少模型参数,避免出现过拟合,采用全局平均池化层取代传统卷积神经网络的全连接层。实验结果表明,相比传统方法,本文提出的方法能够有效提取深度故障特征,具有更高的诊断准确率和更稳定的分类性能。     

基于多尺度一维卷积神经网络的入侵检测模型

随着信息技术的快速发展,网络安全问题日益严峻,入侵检测成为保护网络系统的关键任务之一。为了获得更好的网络流量特征,提出了一种基于多尺度一维卷积神经网络的入侵检测模型。首先,利用一维卷积块提取数据的原始特征;然后,采用三种不同尺度的一维卷积对网络入侵数据分别提取特征;最后,将不同尺度的特征融合,以构建出网络入侵检测模型。文中所提方法在两个公开的网络入侵检测数据集上进行了实验验证,结果表明,基于多尺度一维卷积神经网络融合的特征向量包含更加丰富网络流量特征,能够有效提高入侵的性能。     

基于卷积神经网络的滚动轴承故障诊断算法

现有的滚动轴承故障诊断算法依赖于人工特征提取,当负载发生变化或故障样本数较少时,诊断效果较差。针对该问题,文中建立了基于卷积神经网络的智能故障诊断算法。首先,将原始振动数据进行分段预处理;其次,建立基于卷积神经网络的故障诊断模型实现对故障特征的自适应提取;最后,利用Softmax分类器实现对故障诊断结果的输出。将该算法应用于振动数据库实验,验证了该算法的有效性,当样本分布不平衡时,依然保持较高的识别率。     

一种基于小波神经网络的故障诊断方法

在阐述了小波变换和BP(反向传播)神经网络概念的基础上,根据小波神经网络故障诊断的基本思想,提出了一种基于"能量-故障"的小波预处理神经网络故障诊断方法.实验仿真结果表明,使用该方法提取故障特征加快了神经网络的训练速度,能迅速地进行故障的检测和定位.     

基于多尺度卷积神经网络模型的手势图像识别

为了解决目前利用CNN算法进行手势识别的精度不高的问题,提出一种新的算法。首先对识别的手势图片进行二值化处理,滤除手势的背景,凸显手势在图像中的权重,背景对手势识别影响降低。其次,在经典卷积神经网络模型AlexNet的基础上,提出一种多尺度卷积核的改进卷积神经网络模型。改进卷积神经网络模型采取两种卷积核进行手势特征提取,利用多尺度卷积核和双通道进行特征融合,然后利用在不同角度,不同旋转下拍摄的手势图像数据集对改进模型进行实验验证。研究结果表明,提出的算法模型在不同的角度和不同的旋转情况下对手势图像具有较高的识别率,算法的鲁棒性、识别率方面有了明显的提高。     

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。     

基于多分支卷积神经网络的车辆图像比对方法

为了更有针对性地从车辆图像的不同区域提取出独特的图像特征,提出基于多分支卷积神经网络的车辆图像比对方法.首先,根据车牌定位结果获取比对车辆的车脸图像,并根据车脸图像的纹理丰富度将车脸图像划分为多个图像块;其次,使用多分支卷积神经网络分别提取各车脸图像块的深度特征;最后,通过计算车脸图像深度特征的相似度判定比对的车辆图像是否属于同种车型.实验表明,提出的方法能够提取有效的车辆图像各区域的深度特征,获得良好的车辆比对准确率,可用于套牌车辆识别.     

基于卷积神经网络的电力通信网络故障诊断

针对电力通信网络故障诊断在噪声条件下性能不佳的问题,提出了一种基于卷积神经网络的故障诊断方法。该方法以卷积神经网络为基本架构,基于Inception模块设计了多尺度特征提取架构,实现故障信息的最大化提取;引入注意力机制,提升特征提取的针对性;构建了含有跳跃连接的卷积结构,有效利用了前后层数据的相关性。实验结果表明,该方法能够有效实现电力通信网络故障诊断,具有较好的抗噪声,且诊断结果稳定性较高。     

基于多通道多尺度卷积神经网络的单幅图像去雨方法

雨天等恶劣天气会严重影响到图像成像质量,从而影响到视觉处理算法的性能。为了改善雨天图像的成像质量,该文提出一种基于多通道多尺度卷积神经网络的去雨算法,建立了多通道多尺度卷积神经网络结构来提取雨线特征。首先利用小波阈值引导的双边滤波将有雨图像进行分解,得到高频雨线图像和轮廓保持度高的低频背景图像。然后为了使图像高频部分的雨线信息更为明显,减少雨线特征学习时高频图像中的背景误判,将得到的高频雨线图像再一次通过滤波器得到减弱背景信息同时增强雨线信息的到更高频雨线图像。其次针对低频背景图像上也残留了大量雨痕,该文提出将低频背景图像和更高频雨线图像一起送入卷积神经网络进行特征学习,其中对图像提取的是多尺度特征信息,最后得到雨线去除更彻底的复原图像。同时在构造网络模型时利用空洞卷积代替标准卷积来提取图像的特征信息,得到更丰富的图像特征,提高了算法的去雨性能。从实验结果可以看出去雨之后的图像清晰,细节保持度较高。     

基于一维卷积神经网络的心电信号质量分类

研究一种基于单导联心电信号质量二分类方法.为了改善传统方法在进行心电信号质量分类下需要手动提取特征的复杂性以及选取规则包含主观性的缺点,基于Tensorflow框架设计了一个一维卷积神经网络,利用MIT-BIH和NSTDB数据库构建训练数据集,通过不断调整网络模型自动学习分类特征,使用2个公开测试集与1个私有测试集验证...     

基于一维卷积神经网络的气体识别方法研究

混合气体定性识别是人工嗅觉进行气体检测与分析的关键问题。为提高人工嗅觉系统对混合气体检测识别的准确率,提出了基于一维卷积神经网络的气体识别方法。该方法利用卷积神经网络对原始数据进行自适应特征提取,如响应稳定值、响应建立时间等以及人工难以描述的特征。通过对混合气体数据采集系统获取到甲烷、一氧化碳、乙烯及两种混合物的实验样本数据进行实验,实验结果表明所提方法的识别准确率可达99.98%。相比于传统算法,所提方法具有更高的准确率与模型泛化能力。     

基于卷积神经网络的无人机射频信号识别

针对在复杂电磁环境下无人机难以被检测的问题,提出了一种基于卷积神经网络的无人机射频信号识别方法.射频前端对目标空域内的无线电信号进行扫描,捕捉与拦截无人机自身发射的射频信号,将无人机射频信号进行预处理,送入构建的卷积神经网络进行分析与识别.实验结果表明,基于卷积神经网络的无人机射频信号识别方法在检测无人机是否存在、 识...     

基于多尺度特征残差学习卷积神经网络的视频超分辨率方法

本文提出了一种基于多尺度特征残差学习卷积神经网络的视频超分辨率方法,考虑到视频帧间的时空相关性,所提的方法采用由双三次插值预处理后的连续五帧视频作为卷积神经网络的输入,经由网络重建中间帧作为输出,依次按顺序重建直至获得整个高分辨率视频。本文所提出的卷积神经网络主要由多尺度特征提取、残差学习、亚像素卷积层、残差连接(skip-connection)四大部分组成,通过对视频的多尺度特征的提取获得更丰富的不同尺度特征和残差学习达到较好地恢复高频信息的目的。本文采用峰值信噪比（PSNR）和结构相似性指数（SSIM）作为损失函数优化网络。实验结果表明,本方法在平均评价指标上较其他方法均有一定的提升（PSNR +3.151dB,SSIM +0.102）,从主观评价上看可以有效地减少视频边缘模糊的现象。      

基于卷积神经网络的关键输电断面故障诊断

关键输电断面是电网的薄弱环节,对关键断面状态监测、保障电力系统安全可靠与稳定运行有着重要作用。为避免大事故发生,通过卷积神经网络（CNN）故障识别进行“判面-判线-判相”。首先,以IEEE 14节点系统进行关键输电断面搜索,并用Matlab/Simulink批量获得输电断面故障样本数据,将样本数据归一化处理之后转化为灰度图;然后,通过不同层数网络结构及每层结构参数调试,用7种优化算法进行对比分析,选取充分适应电网故障诊断模型,并引入Dropout过拟合处理和Batch Normalization批标准化加速网络训练,利用选定好的卷积神经网络以交叉熵最小目标对故障样本数据的深层特征进行挖掘;最后,将获得的故障样本数据使用Anaconda平台实验,建立Keras框架设计卷积神经网络模型实现训练测试,并在实验中与AlexNet模型对比。结果表明该模型识别准确率分别提高了0.45%、0.8%、0.3%。     

基于多尺度卷积神经网络的图像去噪方法研究

应用传统方法对图像去噪处理后,图像的峰值信噪比仍旧比较低,文章提出了基于多尺度卷积神经网络的图像去噪方法。以多尺度卷积神经网络为架构,由去噪模块与边缘模块组建成多尺度卷积神经网络去噪模型,利用残差学习法对模型进行训练,并利用寻优迭代算法对代价函数进行求解,利用训练好的去噪模型对图像进行多尺度卷积计算,根据噪声真值对图像平滑处理,实现图像去噪。通过实验证明,本次设计方法去噪后图像噪声有了明显降低,峰值信噪比高于传统方法。     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

基于卷积神经网络的手势识别

手势识别是人机交互,智能语义识别和远程人机 交流领域的热门研究课题。目前基于 视觉的手势识别问题仍是研究的难点,在多变背景下的手势姿态识别仍然存在较大问题。近 年来,随着深度神经网络技术的快速发展,利用网络自主学习的方法来提取手势姿态有关特 征得到了广泛关注。由于卷积神经网络具有较强的学习能力和个体特征的表达能力,本文针 对传统手势识别算法精度低,鲁棒性差的问题,提出了基于卷积神经网络的TensorFlow框架 下加入扁平卷积模块的FD-CNN网络手势识别算法。在预处理数据集后,基于FD-CNN网络的 手 势识别方法可以直接将预处理后的图像输入网络进行训练,最终输出测试结果的识别精度为 99.0％。与传统方法和经典卷积神经网络方法相比,本文方法提高了 网 络系统对样本数据的多样性和复杂性的有效识别,具有较高的识别率和较好的鲁棒性效果。     

基于多尺度卷积神经网络的高光谱图像分类算法

为了提高高光谱图像的分类精度,提出了一种基于多尺度卷积神经网络的高光谱图像分类算法.首先,利用等距特征映射算法处理高光谱数据,以挖掘数据的非线性特性,保持数据点的内在几何性质;然后,构建以标记像元为中心的训练图像块,训练多尺度卷积神经网络;最后,利用softmax分类器预测测试像元的标签.提出的方法在Indian Pines、University of Pavia和Salinas scene高光谱遥感数据集上进行分类实验,并与CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较.实验结果表明,在3个数据集上提出的方法的总体识别精度分别达到98.51％、98.64％和99.39％,与CNN算法相比分别提高了约8.35％、6.37％和7.81％.本文提出的方法无论是在分类精度还是Kappa系数上都优于另外4种方法,是一种较好的高光谱遥感数据分类方法.