基于轻量级网络的光纤传感振动信号识别

虽然传统卷积神经网络的识别率很高,但是其庞大的参数量会导致工业部署困难,且识别响应速度慢。引入轻量级卷积神经网络MobileNet,使用深度可分离卷积替代传统卷积,大大减少了模型参数量。以MobileNet为基准网络,实现了基于一维轻量级网络MobileNet-18的Φ-OTDR周界入侵事件识别。通过实验对比了不同结构下的网络识别率和识别速度,在保证模型的准确率不会大幅度降低的情况下,选取MobileNet-18作为最佳模型。采集了攀爬、切割、风吹、举起、拉动和走动这 6种周界光纤入侵信号。在 6种光纤入侵信号识别中,MobileNet-18达到了识别率为 98.33%,响应时间为 9.27 ms的最佳效果     

基于机器视觉的光电传感器焊缝自动识别方法

针对光电传感器焊缝自动识别的F1较低、方法复杂度较高和存在识别时间较长的问题,提出基于机器视觉的光电传感器焊缝自动识别方法。通过机器视觉技术采集光电传感器焊缝图像,利用高斯模型检测出图像的目标区域,结合海森矩阵提取目标区域的特征点,将提取的特征点输入到量子门神经网络模型中,得到识别结果。仿真实验结果表明,所提方法的光电传感器焊缝自动识别复杂度低,且识别效率与F1值均较高。     

基于灰关联分析和模糊隶属度匹配的球形水果自动识别方法

针对现有水果识别方法需大量水果样本学习或仅对单一特征进行识别而导致的识别率较低的问题,提出一种基于水果图像处理的水果颜色和形状特征参数的提取方法、基于灰色关联分析和模糊隶属度匹配的球形水果自动识别方法。该方法通过提取水果图像关注区域(region of interest,ROI)的颜色和形状特征,建立参比水果的颜色特征参比数据库和形状特征隶属度函数,计算待识别水果与参比水果颜色特征的灰色加权关联度,求取待识别水果对于参比水果形状特征参数的模糊隶属度,按各特征量等权的原则合成待识别水果对参比水果的总匹配度,并根据总匹配度的大小实现待识别水果种类的判别。大量实验结果表明:该方法简单、有效,不需要大样本量水果的学习和训练,平均识别正确率达到99%以上。     

基于局部均值分解的光纤周界安防系统振动信号识别

在光纤周界安防系统中,为有效识别各种光纤振动信号,提出了一种基于局部均值分解的两级光纤振动信号模式识别方法。首先,提取光纤信号的时域特征,计算信号的短时能量和短时过零率判断是否有振动发生;其次,对于已判定的光纤振动信号,采用局部均值分解方法将振动信号分解为若干个乘积函数分量,提取分量信号的能量分布特征;最后,将第一级提取的时域特征与局部均值分解提取的特征相结合,构成特征向量输入支持向量机进行分类识别,判断振动信号类型。实验结果表明,该方法可以有效识别光纤振动信号的类型,提高了识别率。     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

卷积神经网络在轴承故障识别的应用

针对传统故障诊断方法在轴承故障诊断识别率低、人为干预多等问题,提出一种基于卷积神经网络的故障识别方法。通过对轴承各类故障信号进行数据处理,提取出故障信号的特征,构建故障类型数据集,建立卷积神经网络图像识别模型,将故障数据集送入模型训练获得较优识别模型,最后将待识别故障信号特征图送入模型进行故障类型识别。经实验验证,该方法满足多类轴承故障识别的要求,具有较高的故障识别率。该方法无需人为参与,只需将待测信号进行数据处理送入模型进行识别,符合智能故障诊断的发展趋势,在机械故障领域具有一定的应用价值。     

基于能量特征和RBF神经网络的柱塞泵状态识别方法

柱塞泵状态发生改变时,其振动信号各频带的能量发生相应变化,利用各频带的能量特征可识别柱塞泵状态。基于此提出一种基于能量特征和径向基函数(radial basis function,RBF)神经网络的柱塞泵状态识别方法。首先利用改进阈值的小波包降噪方法对原信号进行降噪处理,然后对降噪后的信号进行经验模态分解(empirical modedecomposition,EMD),选取含主要状态信息的IMF(intrinsic mode functions)分量,提取能量特征作为神经网络的输入参数,识别柱塞泵的状态。同时利用小波包分析技术提取能量特征,并运用神经网络进行状态识别。应用实例表明,以EMD提取各频带能量作为特征参数的RBF神经网络状态识别方法比小波包分析提取各频带能量特征的方法具有更高的识别率,能有效地识别柱塞泵的状态。     

基于卷积神经网络的SAR目标多维度特征提取

基于合成孔径雷达SAR的目标识别在军用和民用领域正发挥着越来越重要的作用,而特征提取是SAR目标识别过程的关键环节,提出基于深度卷积神经网络的SAR目标识别方法,建立深度卷积神经网络模型,提取并展示目标的多维度层级特征,并利用卷积神经网络的自我学习能力,解决特征选择问题,实现SAR目标自动识别。针对MSTAR数据集的试验表明,识别率达到93.99%,相较于传统的单维度特征模式识别方法,识别性能更加优异。     

基于ICA和SVM的混合通信信号调制方式识别

本文提出了一种基于独立分量分析(ICA)和支持向量机(SVM)的混合通信信号调制方式识别的方法,针对接收的信号多为混叠信号、先验知识少、分离困难等特点,采用独立分量分析的方法,将这些独立的信号分离开来。然后引入基于SVM的信号调制方式识别方法,从通信信号的瞬时幅度、相位、频率等特性中提取了6个特征参数,并用SVM调制识别器进行识别。仿真结果证明,在信噪比不低于10dB时,算法的识别率可以达到95%以上,证明了此方法的可行性。     

基于ACO和RVM的两相流流型特征选择方法

为提高流型识别的准确率,提出了基于蚁群算法(ant colony optimization,ACO)和相关向量机(relevance vector machine,RVM)封装模式的流型特征选择方法.首先采用小波包变换(wavelet packet transform,wPT)、经验模式分解方法(empirical mode decomposition,EMD)对原始压差波动信号进行分解,分别提取压差波动信号的时域无量纲指标和各分解信号的能量和熵组成融合特征.然后采用ACO和RVM进行特征选择和识别,选出有利于流型识别的特征优化组合.空气-水两相流型识别的实验结果表明:该方法能实现流型特征的有效缩减,经优化组合的最优特征子集识别率达95％以上,与其他方法相比具有更高的识别率.     

基于特征降维和神经网络的电能表内异物声音自动识别

电能表是国家强制检定的电能计量工具,其计量的精确性影响着千家万户的利益。传统的人工检测方式不仅效率低而且检测结果不稳定。随着声学检测技术的日趋成熟,采用声学检测的方式来检测电能表内的异物已成为实现工厂自动化的大势所趋。针对现有半自动的人工检测电能表异物方式,提出一种基于特征降维和神经网络的电能表内的异物声音自动识别方法。该方法充分利用声音的时、频域特征系数和倒谱系数,先对声音信号进行通道转换、预处理和数字降噪,再对声音信号进行时、频域和倒谱分析,并同时提取其短时特征系数及改进后MFCC系数。将声音特征通过PCA降维后输入基于Adaboost算法聚类后BP神经网络分类识别,并与传统的BP神经网络分类进行比较,证明了该方法的有效性。这里给出了电能表异物自动识别技术实现的具体步骤,并通过MATLAB仿真实验证明了该方法的有效性,BP神经网络的平均识别率较高,可达到95%以上,并且计算复杂度小易于实现。     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

基于深度迁移学习的复杂环境下油气管道周界入侵事件识别

长输油气管道沿途运行环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对入侵事件识别准确率降低。为了改善识别模型偏差问题,提出一种基于域不变特征深度迁移学习的管道入侵事件识别方法,通过堆叠稀疏自编码网络实现不同环境条件下的入侵事件自适应特征提取,并引入迁移学习实现复杂环境中入侵事件的准确识别。该方法通过场景差异性评测,缩小复杂真实场景与典型场景间分布差异,获得有效的域不变模型。实验结果表明,所提方法能明显改善复杂环境下油气管道入侵事件识别效果,提高识别准确率。     

基于切削力信号的钻头磨损状态实时监测

研究了钻削过程中刀具在线磨损状态特征信号的提取方法。以轴向力和扭矩为监测信号,在普通钻床上建立起相应的实时信号数据采集系统,通过对信号进行幅域和频域分析,提取了特征信号随刀具磨损量增加的变化规律,为实现机械加工过程刀具状态的智能识别提供了依据。试验结果表明,该方法具有较好的抗干扰能力和较高的识别精度。     

光纤光栅传感网络的冲击定位方法

针对航空航天层合板结构冲击与振动监测的需求,提出一种基于小波包分解方法和分布式光纤光栅传感网络的板状结构低速冲击辨识方法。根据四边固支板结构的承载形式与光纤光栅传感器的感知特性,设计合理的传感器网络布局,再利用快速傅里叶变换(fast Fourier transformation,简称FFT)与小波包分解对光纤光栅传感网络监测到的冲击响应信号进行时频域分析,获取能表征冲击特性的时域特征分解信号。在此基础上,分别计算出每一个特征分解信号与其对应的时域原始信号之间的互相关系数,并将其做为相似度分配权值,分解出所有样本冲击点对应冲击响应信号的特征分解信号,构建样本信息库。利用Haudorff距离计算测试信号与样本信息库各个信号之间的相似度,并根据相似度来确定冲击点的位置坐标。研究表明,该方法能够实现对航空航天层合板结构低速冲击位置的辨识。     

The application of the neural network on Morse code recognition for users with physical impairments.

Morse code is a simple, speedy and low cost means of communication composed of a series of dots, dashes and space intervals. Each tone element (either a dot, dash or space interval) is transmitted by sending a signal for a defined length of time. This poses a challenge as the automatic recognition of Morse code is dependent upon maintaining a stable typing rate. In this paper, a suitable adaptive automatic recognition method, combining the least-mean-square (LMS) algorithm with a neural network, was applied to this problem. The method presented in this paper is divided into five modules: space recognition, tone recognition, learning process, adaptive processing and character recognition. Statistical analyses demonstrated that the proposed method elicited a better recognition rate in comparison with other methods in the literature.     

光度信号的频域模式识别方法研究

通常目标的光度信号信噪比小,测量误差大,难以目标识别.本文采用数字信号处理和模式识别相结合的方法对目标光度信号进行识别.先将经过预处理的光度信号通过一种类似于Gabor变换的改进的离散傅里叶变换(DFT)转换到频域,再滤波、划分频带;然后将选出的小频带内能量作为特征向量,在频域引入Fisher判别,用已知类别数据得出判别函数矩阵,建立判别规则;最后将未知类别的数据代入判别函数矩阵,通过判别规则完成识别.成功地对三颗卫星的光度信号进行了判别,克服了其光度信号信噪比小、测量误差大、噪声模型难以建立的困难.     

Digital communication signals identification using an efficient recognizer

Automatic recognition of the communication signals plays an important role for various applications. Most of the existing techniques require high levels of signal to noise ratio (SNR). In this paper, we propose a high efficient technique for classification of the digital modulations that requires a low level of SNRs. This technique includes two main modules: feature extraction module and the classifier module. In the feature extraction module we use the auto-regressive modeling together other useful features. These features are a combination set of the entropy and energy of the signal, variance of the coefficients wavelet packet transform, fourth order of moment and zero-crossing rate. In the classifier module we have used the two structures of the neural networks: multi-layer perceptron (MLP) neural network and radial basis neural networks. Simulation results show the proposed technique has very high recognition accuracy for identification of the considered digital modulations even at very low SNRs.     

Detection of Landmines from Acoustic Images Based on Cepstral Coefficients

This paper introduces a cepstral approach for the automatic detection of landmines from acoustic images. This approach is based on treating the problem of landmine detection as a pattern recognition problem. Cepstral features are extracted from a group of landmine images which are transformed first to 1-D signals by lexicographic ordering. Mel frequency cepstral coefficients (MFCCs) and polynomial shaping coefficients are extracted from these 1-D signals to form a database of features, which can be used to train a neural network with the landmine features. The landmine detection can be performed by extracting features from any new image with the same method used in the training phase. These features are tested with the neural network to decide whether a landmine exists or not. The different domains are tested and compared for efficient feature extraction from the lexicographically ordered 1-D signals. Experimental results show the success of the proposed cepstral approach for landmine detection at low as well as high signal to noise ratios. Results also show that the discrete cosine transform is the most appropriate domain for feature extraction.     

基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。