融合注意力和辅助分类器的膨胀残差网络语音情感识别研究

针对现有语音情感数据集中样本数不足以支撑训练深度神经网络以及层数不断加深带来的梯度爆炸问题，在使用高斯白噪声和随机时频掩蔽对数据集进行增强的基础上，提出了一种融合通道、空间注意力和辅助分类器的膨胀残差网络(dilated residual network with auxiliary calssifier and channel, spatial attention, DRN-A-CASA)语音情感识别方法。首先，使用增强后的梅尔谱图数据集作为网络模型的输入，并在残差网络原卷积层中采用膨胀卷积来扩大特征提取感受野；其次，在残差网络layer3层后添加辅助分类器分支，加速网络训练并改进损失函数；最后，在layer4层中添加注意力机制关注情感特征，实现语音情感的分类。实验结果表明，基于DRN-A-CASA的模型在RAVDESS及EMODB两个数据集上分别达到了92.91%和89.15%的识别准确率，验证了所提方法的有效性和泛化性能。     

基于CA-ResNet50的轮胎激光散斑图的分类研究

针对轮胎激光散斑图识别精度低的问题，本文提出了一种新的轮胎激光散斑图分类网络(CA-ResNet50)。首先选用ResNet50为基础的残差网络，改变传统ResNet50网络模型中的残差块结构，最大程度发挥批标准化的作用；再引入轻量级的卷积注意力模块，增强网络模型对轮胎缺陷的特征提取能力；然后，用LeakyRelu激活函数代替Relu激活函数，解决神经元的“失活”问题；最后，对训练数据集进行扩展，以克服训练中数据量不足和网络模型拟合过度的问题。将本文中提出的CA-ResNet50与当前常用的分类网络模型在相同的数据集上进行对比，实验结果证明本文所提网络模型对轮胎激光散斑图的测试精度高于其他网络，识别精度可达到99.7%。     

基于邻域信息的细粒度在线适应性测试

为了解决晶圆测试成本过高的问题，在适应性测试领域已经提出了一些基于空间相关性的质量预测方案。但这些方案大多为了降低成本而牺牲了过多的预测准确度。针对这一问题，提出了一种细粒度质量预测方法。该方法利用故障晶粒邻域率对空间相关性模型预测后的晶粒进行分类，针对不同类型的晶粒选择不同的测试集。此外，在进行晶粒测试集选择前还引入了空间验证步骤，这能够保证整个方案的测试质量。实验结果表明，本方法相较于间接测试方法，平均测试逃逸率降低了83%，平均测试项节省率提升了14%；相较于动态部分平均测试方法，平均测试逃逸率降低了81%，平均测试项节省率提升了17%。     

肾透明细胞癌数字病理图像细胞核ISUP分级预测

针对全切片数字病理图像中的肾透明细胞癌进行精准的细胞核分级并改善肾癌的治疗和预后，提出了一种基于多尺度通道信息拼接与融合残差网络的ccRCC病理图像国际泌尿病理学会核分级方法。通过多尺度通道信息拼接将不同阶段的语义信息进行融合，从而在不损失深度信息的同时提取更多的浅层特征，实现更准确的分类效果。实验收集了90例病人的肾组织病理切片，对WSI图像进行裁切和增强后，按照4∶1的比例分成训练集和测试集。在训练集上对CSFNet卷积神经网络模型参数进行迭代优化，并在测试集上验证模型性能。实验结果表明，提出的CSFNet模型鉴别ISUPⅠ级、ISUPⅡ级、ISUPⅢ级和正常病理图像的宏平均AUC与微平均AUC分别为0.975 8和0.979 4,准确率为88.00%,精确率为88.36%,召回率为86.67%,F1分数为87.32%,且优于其他主流的分类网络模型，因此，本文所提出的肾透明细胞癌病理图像ISUP细胞核分级模型有良好的诊断效能，具有潜在的临床应用价值。     

基于LSTM神经网络的锂离子电池荷电状态估算

针对锂离子电池荷电状态(state of charge, SOC)预测问题,采用长短期记忆循环神经网络(long short-term memory, LSTM)搭建电池SOC预测模型。利用直流电子负载对18650锂离子电池进行多工况放电,将电池电压、放电电流作为模型输入。将采集数据分为训练集、验证集和测试集,在训练集上训练模型,在验证集上调节模型超参数,在测试集上测试模型性能。采用带动量的随机梯度下降(stochastic gradient descent, SGD)进行权重更新,并加入Dropout正则化方法。在动态放电情况下,使用所提方法预测电池SOC最大绝对误差为2.0%,平均绝对误差为1.05%,验证了该方法的可行性。测试结果表明,在模型训练过程中加入Dropout正则化方法,可以有效降低网络的过拟合现象,增强模型的泛化能力。     

基于回声状态网络的电力负荷采样概率分布估计

针对长期电力负荷预测中存在的预测准确度不高的问题,提出基于回声状态网络的电力负荷采样概率分布估计预测方法。首先,对电力负荷时间序列预测的回声状态网络模型进行研究,在构建网络训练集和测试集的基础上,利用主成分分析方法实现数据维度降低,提高预测效率;其次,为提高预测准确度,采用分布估计算法对模型参数进行优化,同时为提高分布估计算法性能,基于Gibbs采样方式构建Markov链特征的概率条件分布模型,实现联合概率分布逐渐逼近;最后,通过在标准测试函数和法国电力负荷实测数据上的实验对比,验证所提算法有效性。     

基于改进YOLOv4的输电线路耐张线夹缺陷检测

为了减少耐张线夹压接缺陷判别过程中人为因素对结果的干扰，提升评判效率，提出一种基于改进YOLOv4的输电线路耐张线夹缺陷检测方法。首先，通过“三跨”线路耐张线夹X光探伤工程，建立包含6类常见压接缺陷的图像样本集；其次，依次采用对比度拉伸、拉普拉斯算子增强、限制对比度自适应直方图均衡化及高斯滤波等图像处理方法对数据集进行预处理；然后，引入卷积块注意力模块和残差结构对原始YOLOv4模型的路径聚合网络层和空间金字塔池化层进行改进，增强模型对空间和通道维度的关注度，优化模型多感受野特征表达能力，提升算法对深层语义特征的提取效果；接着，利用预处理数据对YOLOv4及其改进模型进行训练与测试；最后，根据YOLOv4及其改进模型对各类压接缺陷的检测性能不尽相同这一特点，采用2次非极大值抑制搭建多网络融合缺陷检测模型，并完成模型的测试。先后的测试结果表明，改进YOLOv4、多网络融合模型对6类压接缺陷检测的平均精度均值分别为92.22%、93.08%,可实现对耐张线夹压接缺陷的有效检测。     

基于改进ResNet34网络的树种识别研究

为了快速高效的提高树种识别工作的效率,解决识别工作中的遇到的困难,提出一种基于改进卷积神经网络的高效树种识别方法。实验以残差网络(residual network, ResNet)为基础网络加以改进,应用迁移学习的知识,加快网络的训练过程,使其更快的拟合,并对网络结构进行了适当的修改,使其更适合本实验的任务。实验模型网络应用Adam优化器进行训练,采用学习率衰减器寻找模型最优解,为了增加网络的泛化能力,对实验图像进行了数据增强。实验结果表明,与未改进的VGG16、ResNet18、ResNet34网络相比,改进的网络识别准确度分别提高了26.93%、2.91%、1.33%,同时兼顾到了准确度与高效性,模型能够较好的胜任树种识别任务。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

基于改进残差网络和数据增强的鞋型识别算法

在监控视频中搜索犯罪现场出现的嫌疑鞋型是目前侦破案件的重要手段,针对该手段自动化程度低、人工筛选易漏查等问题,提出一种基于改进深度残差网络和数据增强的鞋型识别算法。为增强网络特征提取能力,对深度残差网络进行了研究,在不增加任何参数量的前提下改进瓶颈结构,提升算法精度;针对瓶颈结构中下采样操作存在的问题,改进下采样模块,缓解网络下采样时信息丢失问题;引入Mixup和光学变换数据增强算法,建立数据之间的线性关系,丰富数据的多样性,进而增强网络模型的鲁棒性;最后,采取中心损失函数和Softmax损失函数联合训练的方法,使训练数据达到更好的聚类效果。为验证所提算法的有效性和实用性,在多背景鞋型数据集上对所提算法进行测试,测试结果表明,所提算法mAP、Rank-1精度分别达到66.83%、86.77%,可以有效提高网络识别精度。