基于db4小波变换与BP神经网络的暂态电能质量扰动分类方法

电能质量扰动信号的分类识别是进行电能质量扰动分析和治理的重要前提.提出一种应用小波变换与神经网络相结合的暂态电能质量扰动分类方法.首先,针对暂态电能质量扰动信号的特点,选择db4小波变换来获得各层上的能量值,以提取不同扰动信号的特征参量.再通过确定适当的BP神经网络模型,对输入的扰动特征参量进行分类识别.仿真结果表明,...     

基于S变换的电能质量扰动分析

针对电能质量扰动信号的特征,提出一种基于S变换模矩阵的信号检测与分类方法,并对电能质量扰动信号进行分类.对电能质量扰动信号的电压凹陷、电压尖峰、暂态随机干扰等现象应用S变换分析,构造等值时频图,从而清晰直观地显现出电压干扰.     

基于CNN卷积神经网络的煤矸石自动分选研究

采用山西省的焦煤和肥煤作为研究对象,针对目前利用煤矸石灰度信息作为判断二者依据的局限性问题,提出了一种基于CNN卷积神经网络的煤矸石自动分选系统.该系统利用构建的卷积神经网络通过对煤块和矸石图像纹理特征的多层次提取进行结果分类输出.测试结果表明,该方法不受样本数据色差的影响,可以成功的识别检测出煤块和矸石,准确率达到92%.     

基于深度学习的通信辐射源调制样式识别方法

针对自动调制分类中通信辐射源调制方式识别率低问题,提出了一种基于短时傅里叶变换(STFT)和卷积神经网络(CNN)结合的方法.该方法首先对通信辐射源信号进行小波阈值降噪,去除混在信号中的高斯白噪声;然后经过短时傅里叶变换,将一维时域信号变换成二维时频域图像,利用临近插值法降维;将时频图输入卷积神经网络进行训练,通过对超参数的选取,得到优化的卷积神经网络;最后采用softmax函数给出识别结果.仿真结果表明,当信噪比(SNR)为0 dB时,利用本文识别方法的宏平均值达到0.874以上,其性能显著优于传统方法.     

基于自适应卷积核的改进CNN数值型数据分类算法

针对卷积神经网络(Convolutional neural network,CNN)模型在对工业数值型数据分类方面存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel, ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取CNN中最优的卷积核大小,使得模型能够提取出最优的特征。采用TE过程的故障数据对其进行测试,并与支持向量机、极限学习机、最近邻等典型的数据驱动方法进行对比,测试结果表明,该算法能有效提升各类故障的分类精度。     

面向面部表情识别的双通道卷积神经网络

面部表情识别是机器感知人类情绪变化的重要途径,但表情识别受不同个体及情绪强弱差异影响较大,难以手动设计准确的特征.提出一种基于双通道卷积神经网络的面部表情识别方法,首先对采集得到的人脸图像进行预处理以限制分析范围,同时分析人脸灰度图像与对应的LBP图像以兼顾全局与细节特征;针对双通道输入数据,利用不同参数的卷积神经网络自动提取面部特征,通过加权融合分类网络进行特征融合,并利用softmax分类不同表情.实验结果表明,该算法能够以较高的准确率识别6种基本面部表情(高兴、悲伤、愤怒、沮丧、恐惧及惊讶).该方法性能优于基于手动设计特征的面部表情识别方法及单通道CNN方法,相比于其他双通道CNN方法,能通过更简单的处理得到近似的识别结果.     

短时电能质量扰动变尺度标杆相似度识别

利用S变换模矩阵相似度识别持续时间不同的电能质量扰动信号,需要建立维数不同的标准模板.应用双线性插值法对S变换模时频矩阵进行尺度变换,对不同持续时间的同类扰动可建立统一的标杆模板,减少了标准模板数.根据最大相似度原理,通过简单的四则运算对扰动进行分类,无需添加任何分类器,分类过程简洁有效.仿真证明,该方法对噪声不敏感,能较好地解决不同持续时间的电能质量扰动分类问题.     

隐含情感特征感知的智能客服系统情感分类模型

为研究智能客服系统中用户的情感分类,基于数据构成的复杂性,提出了一种智能客服情感分类的模型,该模型采用CNN(卷积神经网络)+特征模型+GRU(门循环单元)网络框架实现了多特征融合数据的情感分类.模型针对智能客服系统中用户中文语料库语句简短且偏重口语化,隐喻、讽刺等特点,构建了针对不同特征的语料卷积神经网络的特征模型,结合CNN采用循环神经网络GRU进行情感分类.大量的实验结果表明：该模型能够有效解决多特征融合的中文文本情感分类问题,在智能客服系统中人机交互场景具有广泛的应用前景.     

不平衡数据下基于CNN的网络入侵检测

深度学习的自学习能力可以实现入侵检测系统的不断更新及扩展,增强入侵检测系统的防范能力,但目前大部分基于深度学习的网络入侵检测研究都未考虑到数据集类别不平衡问题.针对此问题,提出了一种类别重组技术结合Focal Loss损失函数的处理方法,用于原始网络入侵流量分类.该方法把原始流量生成灰度图输入卷积神经网络CNN进行特征...     

基于时频特征的卷积神经网络跳频调制识别

针对人工设计特征表征能力不足,提取难度大的问题,提出基于卷积神经网络（CNN）的跳频信号调制方式识别系统. 该系统通过训练学习跳频信号时频图特征,将调制方式识别问题转化为图像识别问题. 采用组合时频变换方法对跳频信号进行时频变换得到二维时频图;经过自适应维纳滤波算法滤除背景噪声,提高系统抗噪性;采用连通域检测和双线性插值算法提取跳频信号每跳时频图,对时频图大小进行重置调整;将已处理的时频图输入到设计的11层卷积神经网络中进行训练学习,通过在输出层增加Softmax分类器,实现跳频调制方式分类识别. 仿真结果表明,该系统在信噪比为–4 dB条件下,对跳频信号BPSK、QPSK、8PSK、SDPSK、QASK、16QAM、32QAM和GMSK共8种调制方式的平均识别率达到92.54%.     

基于高阶累积量的暂态扰动Mahalanobis距离分类

为实现对脉冲暂态和振荡暂态2类暂态电能质量扰动的分类,提出一种基于高阶累积量的暂态电能质量扰动Mahalanobis距离分类法.该方法利用高阶累积量提取暂态扰动的高阶统计特征,选取其2,3,4阶累积量最大值和最小值构成扰动信号的6维特征向量,计算测试样本特征向量与标准模板之间的Mahalanobis距离,以“距离最小”作为分类判据,实现对2类暂态电能质量扰动的分类.仿真结果表明,低阶累积量不能单独用于区分不同类型暂态电能质量扰动;特征向量维数越高,对分类过程越有利.所提方法分类原理简单、准确率高,是暂态电能质量扰动的有效分类方法.     

基于S变换和决策树算法的电能质量扰动识别

提出一种基于S变换和数据挖掘中决策树算法的电能质量扰动识别的方法.该方法首先用S变换对电能质量扰动波形进行时频分析,并使用统计方法提取相关特征量,然后用决策树算法对提取的特征量样本进行分类,并获得明确的分支规则.仿真结果表明,该方案正确率高,抗噪声能力强,训练样本少,响应速度快.     

基于能量特征估计的电能质量扰动消噪方法研究

电能质量扰动识别过程中噪声的存在会增加误判,为了提高分类的正确率,消噪对于电能质量扰动识别是一项非常重要的工作。论文应用Daubechies小波时频分解的噪声能量保持特性来估计扰动信号中不同分解尺度上的噪声能量,从而由含噪声信号能量分布和所估计的噪声能量确定实际扰动信号的能量特征,完成了消噪,对消噪处理后电能质量扰动信号应用数据挖掘中的决策树算法进行识别。仿真计算表明,该消噪方法能提高识别精度,是一种非常有效的电能质量扰动信号消噪方法。     

基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断

针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题,本文提出了一种稳定抗噪声故障诊断神经网络(SAFDNN)模型.该模型采用原始振动数据信号作为输入,首先使用卷积神经网络(CNN)进行数据信号特征提取,然后利用双向长短期记忆(BiLSTM)充分提取数据信号的序列特征,接着添加注意力机制进行特征融合以自...     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于二维CNN与多源机电信息融合的同步电机转子匝间短路故障诊断方法

为提高同步电机转子绕组匝间短路故障的诊断准确率,以一台型号为SDF-9的一对极同步发电机为研究对象,提出了一种基于二维卷积神经网络(Convolutional Neural Networks, CNN)与多源机电信息融合的匝间短路故障诊断方法。首先选取故障前后的定子环流、转子振动、定子振动信号为故障特征,采用信号-图像转换方法将一维时序信号转化为二维灰度图像。其次将处理后的图像分别作为二维CNN模型的前置输入进行训练。最后采用D-S证据理论将3种证据体的输出概率进行决策融合。结果表明：该方法消除了单一信号易受传感器故障及环境变化的影响,故障诊断准确率显著提高,并与其他传统故障诊断算法的诊断结果进行对比分析,验证了此方法的有效性。     

基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。     

声发射与混合维深度融合的滚动轴承智能诊断

针对滚动轴承早期及复合故障难以准确诊断的问题,提出一种基于声发射与混合维深度特征融合的滚动轴承早期故障智能诊断模型,该模型可自适应捕获滚动轴承早期故障特征并自行诊断.首先,将滚动轴承早期原始声发射信号经连续小波变换转化为二维时频图.接着,分别将上述一维、二维数据输入以卷积神经网络(CNN)构建的1D-CNN与2D-CNN智能诊断模型框架,并提出采用基于特征金字塔网络的深度融合算法融合模型的低层与高层特征,同时以全局平均池化层代替全连接层抑制模型过拟合现象.试验结果表明,提出的方法具有更高的准确率、稳定性与鲁棒性.     

SSA优化融合CNN的电机轴承故障诊断方法研究

以往的电机轴承故障诊断模型,在传统的特征提取阶段通常过分依赖于专家经验知识而具有一定的局限性,导致故障诊断精度低的问题,对此提出一种基于麻雀搜索优化算法(SSA)的融合卷积神经网络模型,即将一维卷积与二维卷积融合,采用多通道同时对电机轴承数据进行训练,并用SSA算法对融合的CNN模型中的主要参数进行优化,从而找到一组超参数,使其在进行训练融合CNN模型时,验证集的错误率达到最低。最后对轴承数据进行实验验证,结果证明:所提出的方法能够有效地提高分类识别精度。     

玉米籽粒完整性识别的深度学习方法

为满足正确识别玉米籽粒完整性的需要,提出一种基于深度卷积神经网络的智能识别方法。本网络结合池化和降采样操作,基于卷积原理进行构建。通过对直接输入的灰度图像进行卷积操作,逐层挖掘图像的深层特征,实现对单玉米籽粒图像的特征抽象和特征降维,再通过一个全连接网络,智能识别单玉米籽粒完整性特征。采用反向传播网络对相同的样本进行对照实验。实验结果表明,深度卷积神经网络能对籽粒图像进行有效地特征降维,使深度学习网络达到较高的识别准确率,满足准确识别玉米籽粒完整性特征的需要。