基于一维卷积神经网络的癫痫发作检测

癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。癫痫脑电信号复杂多样,人工检测癫痫信号耗时耗力,误判率高,不同的医务人员检测出来的结果也不相同,而且临床的原始脑电数据经常会包含多种噪音和生理伪迹,干扰癫痫检测性能。因此,非常有必要进一步研究高效可靠的癫痫自动检测技术,从而减轻医护人员负担。本文针对来自中国301医院收集的临床原始脑电数据进行分析训练,引入了一种基于一维卷积神经网络具有连续双层卷积结构的模型,可以高效稳定地检测到癫痫信号。结果为灵敏度、特异性、准确率和F1-score分别达到96.8%、99.8%、99.6%和96.1%,而且利用GPU进行模型训练的运行时间比对比模型低2到3倍。结果表明,本文引入的基于一维卷积神经网络模型优于现有方法,在癫痫检测性能上高效稳定,对癫痫的辅助诊断具有重要意义。     

基于卷积神经网络的开关柜故障率预测方法

开关柜设备对于配电网的稳定运行至关重要,评估其在发生不同类型绝缘缺陷情况下的故障概率,可更好地对设备状态及配电系统运行进行安全风险评估,制定合理的状态检修策略。利用配电站开关柜现场带电检测采集的大量局部放电检测数据和故障案例,提出一种基于卷积神经网络深度学习的开关柜设备故障率计算方法。该方法通过设计缺陷分类模块和故障二分类模块,利用多层卷积神经网络实现对每种缺陷类型的故障概率计算。与其他分类模型对比表明,该模型概率计算结果具有较高的准确性。该方法能对开关柜设备缺陷的严重程度和故障概率进行有效评估,在工程上具有较高的实用性。     

基于改进卷积神经网络的火灾实时检测方法

针对火灾检测时间长,影响最佳抢救时间的问题,设计了基于改进CNN的火灾实时检测方法。提取火灾图像数据,充分分析火势与烟势;基于改进CNN构建火灾检测模型,缩短检测时间,提高火灾检测精准度,进而实现火灾高效检测。采用对比实验的方式,验证该方法的检测时间较短,可符合实时性需求,极具推广价值。     

基于卷积神经网络的脑电信号情绪分类方法

情绪作为人脑的高级功能,对人们的心理健康和个性特征有很大的影响。通过对脑电情绪数据集进行情绪分类,能够为今后实时监控正常人或抑郁病人的情绪提供进一步理论及实践依据。因此文章运用公开的脑电情绪数据集所提取的微分熵特征,并使用传统的滑动平均和线性动态系统方法,采用深度学习中的卷积神经网络作为基本前提,设计了一个卷积神经网络的脑电信号情绪分类模型,其包括4个卷积层、4个最大池化层、2个全连接层和1个Softmax层,并采用批归一化使参数搜索问题变容易,抑制模型过拟合。实验结果表明,利用该模型对SEED数据集的3种情绪识别的平均准确率达到了98.73%,精确率、召回率和F1分数分别为99.69%、98.12%和98.86%,ROC曲线下面积达0.998。与最近的类似工作相比,该文提出的卷积神经网络结构对于脑电信号情绪分类具有一定优越性。     

基于卷积神经网络的近红外光谱模型迁移研究

由于不同仪器传递函数的差异,会出现同物不同谱,同谱不同物等现象,因此在旧仪器建好的模型不能被新仪器上采集的数据集直接共享使用.传统方法是在新仪器上采集大量数据重新建模,此过程费时费力,导致光谱的模型利用率低.针对这些问题,采用卷积神经网络(convolutional neural network,CNN)架构建模,完成...     

基于深度卷积神经网络的变电一次设备故障检测方法

为解决传统变电一次设备故障检测方法中存在的故障检测误报率及漏报率等问题,提出了基于深度卷积神经网络的变电一次设备故障检测方法。在多种光照条件下采集变电一次设备图像和场景图像,组建变电一次设备数据集合场景数据集,再对各类型数据集进行预处理。通过深度卷积网络自适应方法提取变电一次设备的时域和频域信号特征,将深度卷积神经网络作为特征提取器,利用免疫学习特性形成未知故障检测器,实现变电一次设备故障检测。实验结果表明：所提方法能够有效降低变电一次设备故障误报率和漏报率,切实提高了检测及时性和故障辨识率。     

基于级联卷积网络的紧固件异常检测

紧固件广泛应用于日常生活和工业生产制造中,其异常状态在许多场景中会导致严重的安全隐患。目前紧固件异常检测仍依赖人工排查,很难通过常规无损检测技术自动识别。针对该问题,提出了一种基于级联卷积网络的自动检测方案,能够快速的检测固定场景下的紧固件异常情况。首先采集紧固件图像,使用目标检测网络确定所有紧固件区域;接着使用所提出的紧固件关键点回归网络预测关键点特征信息;最后通过对比同一紧固件不同时刻的关键点特征信息实现紧固件异常检测。在自制的重庆市轻轨轨道梁指型板紧固件数据集进行了测试,实验结果显示该方法在准确率达到96. 5%时,对于异常紧固件的召回率高达99%,结果表明该方法具有可行性,在类似场景中具有实际应用价值。     

基于深度卷积神经网络的绝缘子憎水性图像识别方法*

针对传统的复合绝缘子憎水性检测方法效率不高、准确性差的问题,提出了一种用于绝缘子憎水性图像识别的方法。该方法基于深度卷积神经网络智能算法,结合国际复合绝缘子憎水性分级标准,构建了能自动识别出六个憎水性等级的算法,并首次在憎水性图像识别上使用了网格化剖分图像的方法,逐网格分析憎水性等级,最终形成了复合绝缘子憎水性图像自动识别算法。结果显示,应用该算法可清楚地识别绝缘子的憎水性等级,得到绝缘子老化程度的分布情况。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于相空间重构和卷积神经网络的电能质量扰动分类

为了提高电能质量扰动信号分类的准确率,首先利用相空间重构将一维时间序列电能质量扰动信号重构到多维相空间,获得扰动信号轨迹并投影到二维相平面,形成二维轨迹图像。然后对该图像进行二值化处理,减少信号的数据量,凸显轨迹轮廓。最后通过卷积神经网络对处理后的轨迹图像进行特征提取,并对相应的扰动信号进行分类识别。在卷积神经网络框架Caffe下进行仿真实验,仿真结果表明该方法具有很高的识别准确率和良好的抗噪能力。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于图像的混凝土表面裂缝量化高效识别方法

卷积神经网络（convolutional neural network,CNN）算法是目前进行裂缝图像识别的常用方法。但目前仍存在卷积神经网络过于复杂、训练参数多、设备配置要求高和检测实时性低等问题。针对以上问题,本文提出一种基于轻量化CNN的混凝土表面裂缝识别方法。通过搭建轻量化全卷积神经网络（light-weight full convolutional neural network,LFNet）解决目前经典的卷积神经网络中训练参数过多的问题;采用基于高斯梯度变化的阈值分权法,对存在裂缝的图像进行分析,提取裂缝特征;最后采用基于欧氏距离的裂缝宽度算法实现对裂缝宽度分析计算。实验结果表明,本文所提的LFNet优于目前经典的卷积神经网络,其精确率、召回率和综合评价函数值三个参数分别达到97.944%、98.277%、98.108%,裂缝宽度特征参数的计算误差可控制在0.5 mm以内。     

基于卷积神经网络的深度图像超分辨率重建方法

为了更有效地提高深度图像的分辨率,构建了一种更深层次的深度图像超分辨率重建的卷积神经网络。该网络直接将低分辨率深度图像作为网络的初始输入,通过卷积神经网络学习图像的高阶表示,获得更具有表达能力的深层特征,同时在网络的输出层引入亚像素卷积层,针对提取到的特征学习不同上采样滤波器,实现上采样放大操作。为了实现网络更好地收敛,在网络中加入了残差网络结构。在4个常用数据集上的实验结果表明,与其他先进方法相比,该方法网络收敛速度更快,并可以有效地保护图像的边缘结构,解决伪影问题,且在定性和定量两方面均取得了很好的重建效果。     

基于卷积神经网络的光伏阵列污染报警系统

针对依靠人工检查光伏阵列是否需要清洗的效率低,机器人定期清洗又会造成资源浪费的问题,文章提出一种基于卷积神经网络(Convolution Neural Network,CNN)的光伏阵列污染报警系统。该系统通过采集受污染和未受污染的光伏阵列图像作为训练集训练CNN神经网络,将训练好的模型嵌入网站后端,再定期采集光伏阵列图像,通过CNN神经网络模型识别是否受到污染,当光伏阵列受到污染时由前端显示报警信息。实验结果表明:该系统识别精度达97.6%,系统工作稳定,具有较强的实用价值。     

基于 MultiRes+UNet 网络的车道线检测算法

无人驾驶技术改变人类生活方式,带车道线属性的高精地图,是无人驾驶领域的重要一环。 针对现有算法在车道线检 测时存在准确率低、效率低等问题提出基于 MultiRes+UNet 检测方法。 该方法通过空洞卷积扩大卷积感受野,从而对全局信息 统筹,运用 MultiRes block 和 Res path 结构减轻编码器-解码器特征之间的差异,大大降低了内存的需求。 实验结果表明,此算 法在保证检测准确率的同时, 提高了算法的稳定性和运行速率,在纯车道、复合车道、阴影污损车道等多情况下,调和平均值分 数分别为 0. 959、0. 942、0. 891,该算法存在高效性、高鲁棒性。     

基于深度神经网络的弱监督信息细粒度图像识别

强监督识别算法需要大量的人工标注信息,消耗较多的人力物力资源。为了解决上述问题,满足实际需求,提出了两种基于弱监督信息图像识别方法用于细粒度图像分类(FGVC)。一种是联合残差网络和Inception网络,通过优化卷积神经网络的网络结构提高捕捉细粒度特征的能力。另一种是对双线性CNN模型进行改进,特征提取器选取Google提出的Inception-v3模组和Inception-v4模组,最后把不同的局部特征汇集起来进行分类。通过在CUB200-2011鸟类公开数据集和Stanford Cars汽车类型数据集上进行测试,实验结果表明,提出的方法在两种数据集上的分类精度分别到达了88.3%和94.2%的分类精度,实现了较好的分类性能。     

基于知识嵌入和DNN的工商业用户异常用电检测

目前的异常用电检测研究主要以居民用户为对象,相关方法并不适用于工商业用户。针对此问题,本文提出一种融合了电能计量原理的基于深度学习的异常用电检测方法。首先,分析了各类异常用电的数据现象,结果说明单纯采用智能电表数据不足以准确检测异常用电。本文遵循电能计量原理,将描述电气参量内部逻辑关系的指标作为知识嵌入智能电表数据,构建深度学习样本模型。然后,本文提出了一个改进的深度混合残差神经网络,确保从海量智能电表数据中学习用于识别异常用电的高级特征。实验结果表明,相比多个基准算法,本文方法在所有评估指标上均取得了明显的提升。