基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

基于卷积神经网络模型的遥感图像分类

研究了遥感图像的分类,针对遥感图像的支持向量机(SVM)等浅层结构分类模型特征提取困难、分类精度不理想等问题,设计了一种卷积神经网络(CNN)模型,该模型包含输入层、卷积层、全连接层以及输出层,采用Soft Max分类器进行分类。选取2010年6月6日Landsat TM5富锦市遥感图像为数据源进行了分类实验,实验表明该模型采用多层卷积池化层能够有效地提取非线性、不变的地物特征,有利于图像分类和目标检测。针对所选取的影像,该模型分类精度达到94.57%,比支持向量机分类精度提高了5%,在遥感图像分类中具有更大的优势。     

旋转机械一维深度卷积神经网络故障诊断研究

针对旋转机械故障特征需要人工提取、复杂故障识别困难和诊断模型鲁棒性差的问题,在经典卷积神经网络Alex Net基础上,提出基于一维深度卷积神经网络的故障诊断模型,模型采用改进的一维卷积核和池化层以适应一维时域信号。相比传统智能诊断模型的人工特征提取和故障分类两阶段模式,该模型将两者合二为一:首先利用多个交替的卷积层和池化层完成原始信号自适应特征学习,然后结合全连接层实现故障诊断。通过轴承和齿轮箱健康状态监测实验表明,提出了模型可以实现高精度、稳定和快速的故障诊断,并与BP神经网络、SVM、一维Le Net5模型和经典Alex Net模型对比,证明了提出模型的优势,最后通过PCA可视化分析说明模型在特征提取上的有效性。     

改进密集连接卷积网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声干扰较大、模型泛化能力不足、变工况诊断较难的问题,提出了一种改进密集连接卷积网络的故障诊断方法。将采集到的滚动轴承的原始时域信号作为模型输入,不需要任何数据处理,实现端到端的特征提取和分类任务。改进密集连接卷积网络在密集块中强调信息流动,增强特征复用,通过多尺度卷积层提取特征,利用注意力机制对多尺度特征通道加权。在堆叠的密集块和池化层完成主要特征提取后,采用多分类函数实现故障诊断。选用凯斯西储大学轴承数据集验证改进密集连接卷积网络的诊断能力,结果表明,改进密集连接卷积网络在理想试验下的识别率为99.8%、在抗噪试验下的识别率为98.22%,在泛化试验下的识别率为97.19%,识别率明显高于其他深度学习模型,证明了其在滚动轴承故障诊断方面的优越性。     

基于多尺度稠密卷积网络的单图像超分辨率重建

目的针对已有网络对于卷积特征图利用率低下,从而导致高倍数图像重建质量不高的情况,提出一种多尺度稠密卷积网络(SRMD)。方法对SRDenseNet的稠密连接模块进行改进,去除批规范化层,参考已有网络,设计多尺度特征提取层和1×1的信息整合层,从而构成多尺度稠密卷积模块。SRMD通过一个多尺度特征提取层堆叠64个底层特征图,再由8个多尺度稠密卷积模块经过稠密连接堆叠1024个特征图,最后通过信息整合和子像素卷积模块输出超分辨率重建图像。结果在Set5,Set14,B100和U100数据集上进行测试,SRMD重建图像的峰值信噪比分别为30.1570,26.9952,25.7860, 23.4821 dB,结构相似性分别为0.8813,0.7758,0.7243,0.7452。结论与已有网络相比,SRMD与DRCN,VDSR表现相当,优于SRDenseNet和BiCubic方法。     

基于改进卷积神经网络的滚动轴承智能故障诊断研究

卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。     

卷积门控循环残差网络在轴承故障诊断中的研究

针对滚动轴承故障特征较难提取及许多深度学习方法因模型简单而导致准确率偏低的问题,提出一种基于残差网络的门控循环网络(GRU),该算法可以减少时序信息的丢失及解决由于网络较深而出现性能下降的问题。该模型包含2个卷积层、2个GRU层、1个残差块以及1个输出层,其先利用具有强大特征提取能力的卷积神经网络(CNN)提取轴承振动信号中的信息,然后将提取到的信息输入GRU中以保证时序信息不丢失,再通过残差模块解决神经网络深度较深问题,最后通过输出层输出结果。结果表明：该方法可以一次性诊断多种轴承的不同位置及不同尺寸的故障,且对比其他深度学习网络,该算法具有更高的准确性。     

基于特征融合进行活动识别的DCNN方法

研究了输入是可穿戴传感器获得的多通道时间序列信号,输出是预定义的活动的活动识别模型,指出活动中的有效特征的提取目前多依赖于手工和浅层特征学习结构,不仅复杂而且会导致识别准确率下降;基于深度学习的卷积神经网络(CNN)不是对时间序列信号进行手工特征提取,而是自动学习最优特征;目前使用卷积神经网络处理有限标签数据仍存在过拟合问题。因此提出了一种基于融合特征的系统性的特征学习方法用于活动识别,用Image Net16对原始数据集进行预训练,将得到的数据与原始数据进行融合,并将融合数据和对应的标签送入有监督的深度卷积神经网络(DCNN)中,训练新的系统。在该系统中,特征学习和分类是相互加强的,它不仅能处理端到端的有限数据问题,也能使学习到的特征有更强的辨别力。与其他方法相比,该方法整体精度从87.0%提高到87.4%。     

全卷积循环神经网络的语音情感识别

语音情感识别是人机交互的热门研究领域之一。然而,由于缺乏对语音中时频相关信息的研究,导致情感信息挖掘深度不够。为了更好地挖掘语音中的时频相关信息,提出了一种全卷积循环神经网络模型,采用并行多输入的方式组合不同模型,同时从两个模块中提取不同功能的特征。利用全卷积神经网络（Fully Convolutional Network,FCN）学习语音谱图特征中的时频相关信息,同时,利用长短期记忆（Long Short-Term Memory,LSTM）神经网络来学习语音的帧级特征,以补充模型在FCN学习过程中缺失的时间相关信息,最后,将特征融合后使用分类器进行分类,在两个公开的情感数据集上的测试验证了所提算法的优越性。     

一种机械设备故障诊断的FD-Transformer方法

随着机械设备故障诊断技术的发展，利用深度学习技术判断设备故障类型越来越引起人们重视。目前，基于注意力机制的Transformer模型有着优于卷积神经网络(convolutional neural network, CNN)的特征提取能力且在自然语言处理及计算机视觉领域都得到成功的应用。该研究提出一种用于机械设备故障诊断的Transformer方法(fault diagnosis-Transformer, FD-Transformer)。首先，对原始振动信号利用Dropout技术进行数据增强，提高模型的泛化能力；然后，利用多通道一维卷积进行数据处理并得到矩阵形式；接着，利用Dense连接的Encoder结构进行机械设备的故障特征提取；最后，利用分类模块得到故障诊断结果。分别采用变转速轴承数据和轮对轴承数据对模型进行试验验证，试验结果表明，该模型在两种数据集上均达到99%以上的故障识别率，与CNN相比可以更好地提取机械设备故障特征，有工程应用价值。     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

基于深度学习的舰船辐射噪声多特征融合分类

为了改善分类系统的性能,进一步提高舰船辐射噪声分类的正确率,该文提出了一种基于深度神经网络的多特征融合分类方法。该方法首先提取舰船辐射噪声几种不同的特征,将提取的特征同时用于训练具有多个输入分支的深度神经网络,使网络直接在多种特征参数上进行联合学习,通过神经网络的输入分支和连接层实现特征融合,再对舰船辐射噪声进行分类。为了特征深度学习提取了舰船辐射噪声的频谱特征、梅尔倒谱系数和功率谱特征,并将多特征融合分类方法与在一种特征上进行深度学习分类方法的正确率进行对比。实验结果表明,基于深度学习的多特征融合分类方法可以有效地提高舰船辐射噪声分类的正确率,是一种可行的分类方法。     

变载荷齿轮箱故障信号智能检测方法

针对变载荷激励下齿轮故障信号检测和故障识别的问题,提出一种基于经验模态分解和深度信念网络的变载荷齿轮箱故障信号智能检测方法。首先通过经验模态分解方法将非平稳的加速度振动信号分解成若干平稳的本征模态函数;选出啮合频率及倍频所在的本征模态函数,重构信号,求出重构信号的频谱,作为深度信念网络的输入;深度信念网络通过对输入频谱进行预训练和特征学习,并建立变载荷激励下齿轮故障识别分类模型;最后,用构建好的深度信念网络对测试样本进行故障诊断。试验结果表明,提出的方法能有效地检测和识别变载荷激励下齿轮故障。     

基于深度学习的烟包识别与分类

目的 提取烟包图像数据训练深度学习目标检测模型,提升烟包流水线拣包效率和准确性。方法 基于深度学习建立一种烟包识别分类模型,对原始YOLOv3模型进行改进,在原网络中加入设计的多空间金字塔池化结构(M–SPP),将64×64尺度的特征图下采样与32×32尺度的特征图进行拼接,并去除16×16尺度的预测特征层,提高模型的检测准确率和速度,并采用K–means++算法对先验框参数进行优化。结果 实验表明该目标检测模型平均准确率达到99.68%,检测速度达到70.82帧/s。结论 基于深度学习建立的图像识别分类模型准确率高且检测速度快,有效满足烟包流水线自动化实时检测。     

故障转子系统轴心轨迹的自动识别研究

轴心轨迹是转子系统故障诊断的重要依据,将整周期重采样、归一化的极半径序列引入轴心轨迹自动识别系统。首先对振动信号进行整周期重采样以降低转速和采样频率对小波去噪效果的影响,然后利用小波变换对其去噪并合成提纯的轴心轨迹,最后计算具有平移、伸缩和旋转不变性的极半径序列作为轴心轨迹特征,采用BP神经网络进行识别。实验结果表明该方法具有良好的识别效果。     

Synaptic Device Network Architecture with Feature Extraction for Unsupervised Image Classification

For the efficient recognition and classification of numerous images, neuroinspired deep learning algorithms have demonstrated their substantial performance. Nevertheless, current deep learning algorithms that are performed on von Neumann machines face significant limitations due to their inherent inefficient energy consumption. Thus, alternative approaches (i.e., neuromorphic systems) are expected to provide more energy‐efficient computing units. However, the implementation of the neuromorphic system is still challenging due to the uncertain impacts of synaptic device specifications on system performance. Moreover, only few studies are reported how to implement feature extraction algorithms on the neuromorphic system. Here, a synaptic device network architecture with a feature extraction algorithm inspired by the convolutional neural network is demonstrated. Its pattern recognition efficacy is validated using a device‐to‐system level simulation. The network can classify handwritten digits at up to a 90% recognition rate despite using fewer synaptic devices than the architecture without feature extraction.     

Fruits and Vegetable Diseases Recognition Using Convolutional Neural Networks

As they have nutritional, therapeutic, so values, plants were regarded as important and they’re the main source of humankind’s energy supply. Plant pathogens will affect its leaves at a certain time during crop cultivation, leading to substantial harm to crop productivity & economic selling price. In the agriculture industry, the identification of fungal diseases plays a vital role. However, it requires immense labor, greater planning time, and extensive knowledge of plant pathogens. Computerized approaches are developed and tested by different researchers to classify plant disease identification, and that in many cases they have also had important results several times. Therefore, the proposed study presents a new framework for the recognition of fruits and vegetable diseases. This work comprises of the two phases wherein the phase-I improved localization model is presented that comprises of the two different types of the deep learning models such as You Only Look Once (YOLO)v2 and Open Exchange Neural (ONNX) model. The localization model is constructed by the combination of the deep features that are extracted from the ONNX model and features learning has been done through the convolutional-05 layer and transferred as input to the YOLOv2 model. The localized images passed as input to classify the different types of plant diseases. The classification model is constructed by ensembling the deep features learning, where features are extracted dimension of from pre-trained Efficientnetb0 model and supplied to next 07 layers of the convolutional neural network such as 01 features input, 01 ReLU, 01 Batch-normalization, 02 fully-connected. The proposed model classifies the plant input images into associated labels with approximately 95% prediction scores that are far better as compared to current published work in this domain.     

Compact Bat Algorithm with Deep Learning Model for Biomedical EEG EyeState Classification

Electroencephalography (EEG) eye state classification becomes an essential tool to identify the cognitive state of humans. It can be used in several fields such as motor imagery recognition, drug effect detection, emotion categorization, seizure detection, etc. With the latest advances in deep learning (DL) models, it is possible to design an accurate and prompt EEG EyeState classification problem. In this view, this study presents a novel compact bat algorithm with deep learning model for biomedical EEG EyeState classification (CBADL-BEESC) model. The major intention of the CBADL-BEESC technique aims to categorize the presence of EEG EyeState. The CBADL-BEESC model performs feature extraction using the ALexNet model which helps to produce useful feature vectors. In addition, extreme learning machine autoencoder (ELM-AE) model is applied to classify the EEG signals and the parameter tuning of the ELM-AE model is performed using CBA. The experimental result analysis of the CBADL-BEESC model is carried out on benchmark results and the comparative outcome reported the supremacy of the CBADL-BEESC model over the recent methods.