基于深度网络迁移学习的致痫区脑电识别* .txt

摘要：致痫区脑电识别能够为癫痫外科手术提供重要的参考价值。提出了一种基于深度网络迁移学习的致痫区脑电识别算法。首先利用连续小波变换（CWT）对脑电信号进行时频分析,获得脑电信号时频图;然后迁移学习AlexNet网络模型,调整网络结构使之适应于致痫区脑电识别,将模型第7层全连接层输出作为脑电信号时频图的特征表示,最后利用支持向量机（SVM）、BP神经网络、长短期记忆网络（LSTM）、基于稀疏表达分类算法（SRC）、线性判别分析（LDA）等分类算法进行特征分类。基于开源脑电数据集采用十折交叉验证的方法对算法进行了验证,比较6种分类器的效果,得到SVM算法的平均特异性为8881%,灵敏度为8807%,准确率为8844%,证明了该方法识别致痫区脑电信号的有效性。 .txt     

基于深度学习的癫痫脑电不平衡分类方法

癫痫发作自动检测技术对癫痫患者的诊断和治疗具有重要意义.由于癫痫发作期持续时间较短,发作期与非发作期的脑电数据分布是不平衡的.针对该问题,本文提出了一种不平衡分类与深度学习相结合的癫痫发作自动检测方法.首先,为防止不同类别数据之间界限模糊,使用Borderline-SMOTE算法对1/3训练集做平衡处理;之后,设计了金...     

基于深度迁移学习的轴承故障分析

滚动轴承作为旋转机械的核心部件,其运行的稳定性决定了机械运行的可靠性.轴承故障主要出现在滚体、内圈、外圈上,为确保机械的安全、稳定运行,对于滚动轴承故障的分析和预测具有极大的意义.提出了一种基于深度迁移学习的方法用于滚动轴承故障数据的分析与预测,基于同一工况下的轴承各类故障搭建深度迁移学习的模型,加入稀疏自编码器用于提...     

基于脑功能网络深度学习的车内噪声评价模型

研究并构建了一个结合脑电信号处理与深度学习的车内噪声评价模型,该算法通过自我学习实现脑电信号特征提取,使用同步似然方法构建delta、alpha和beta频段的脑功能网络。将3个频带的脑功能网络扁平化处理后作为输入,通过无监督的堆栈自编码器(RSAE)自主提取脑功能网络的特征。通过几个高阶特征训练前后对比,证实了RSAE自主学习到与噪声评价有关的脑神经特征。最终将RSAE与普遍使用的SVM回归模型进行比较,同时将脑功能网络与传统的基于心理声学声音品质的车内噪声评价进行对比。结果表现,所提出的脑功能网络RSAE模型的平均决定系数高达98.69%,明显优于其他方法。     

基于深度迁移学习的齿轮故障诊断方法

针对齿轮故障样本欠缺问题，提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解（Empirical Mode Decomposition,EMD）得到本征模态函数（Intrinsic Mode Function,IMF），同时取相关系数最大的IMF做Hilbert变换，获取时频谱；利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征；采用全局均值池化层取代VGG16模型部分全连接层，进行分类输出。实验结果表明，在少量的样本数据下，该方法的齿轮故障诊断准确率达到98.86%，优于TLCNN和Tran VGG-19等迁移学习方法，证明了该方法在齿轮故障诊断中具有一定研究价值。     

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MAResnet的脑电情感识别研究

情感是大脑活动的一种表现形式,与心理活动和日常生活密切相关。利用脑电情感数据库并依据心理效价和唤醒度情感划分模型,对压力、平静、轻松、沮丧和快乐5种情感进行研究分析。针对脑电信号时空特征结合的特点,以深度学习中的残差神经网络为基础,提出基于多尺度注意力残差网络(MAResnet)的脑电情感信号分类模型。通过在传统的残差学习模块中加入注意力机制并在同一空间位置并联使用不同尺寸的卷积核,从而对脑电情感信号进行了多尺度特征提取,并对神经网络通过残差学习来避免网络退化。实验结果表明,改进后的多尺度注意力残差网络的分类精度为85.2%,较传统残差网络的分类精度提升了17.7%,较已有相似研究如应用SVM、KNN等方法在分类类型和识别精度上都有显著提升,证明该方法的有效性。     

基于深度字典学习的滚动轴承故障识别

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,...     

基于IADSA深度迁移网络的金属表面缺陷检测

针对领域偏移环境下金属表面缺陷检测精度不高的问题,提出一种基于改进对抗性域分离与自适应(Improved adversarial domain separation and adaptation,IADSA)深度迁移网络的金属表面缺陷检测方法。首先,建立基于分类损失的IADSA模型性能评价机制,感知模型训练状态,利用空间线性插值方法自适应挖掘迁移空间隐藏的样本信息,以提升网络的特征提取能力;然后,将挖掘的新样本的分类结果作为衡量其对网络贡献性能的主要度量指标,并将贡献性能作为权重应用在分类损失上,旨在消除噪声样本对模型造成的影响;在对抗训练过程中,通过添加动态权重优化对抗损失、平滑网络参数,提高模型的判别性能;最后,融合原始样本与新样本的任务分类器、域分离鉴别器以及域适应鉴别器的损失,利用动态训练实现金属表面缺陷检测。试验结果表明,与其他无监督域自适应方法相比,所提方法实现了更高的金属表面缺陷检测精度。     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。     

基于深度特征提取与迁移学习的滚动轴承故障诊断

机械设备的安全运行是工业制造过程中的基本要求,而滚动轴承作为机械设备的重要部件,由于在复杂条件下长时间运行,容易发生不可预见的故障。故障的发生,无论大小都会造成经济损失。因此,对滚动轴承进行可靠的诊断至关重要。针对强噪声背景下卷积神经网络特征辨识度不足的问题,提出一种多尺度卷积神经网络（multiscale convolutional neural network,MSCNN）与双向门控循环单元（bidirectional gated recurrent unit,Bi GRU）相融合的深度特征提取网络,利用MSCNN和Bi GRU对带噪声的振动信号分别提取多尺度特征和时序特征,并通过注意力机制模块对融合特征赋予不同权重,实现重要特征选择。进一步,为解决变工况下源域与目标域特征分布不同的问题,在所提深度特征提取网络中引入迁移学习,通过多级距离公式度量源域与目标域特征分布差异,并将度量结果添加到损失函数中,利用损失的反向传播,实现源域与目标域特征分布对齐。最后,模型以softmax函数作为分类器进行滚动轴承故障诊断。实验对比和分析表明,所提模型具备较好的迁移能力,取得了更高的故障识别准确...     

基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

基于迁移学习的单目菌落深度提取算法

高通量菌落挑选仪是生物制药行业中菌种筛选的重要设备,但其只能识别二维位置信息。为了解决菌落的三维信息提取问题,提出基于迁移学习的单目成像菌落深度提取算法。该算法以残差网络为基础,结合多尺度的网络结构提取特征,采用无监督的迁移学习训练方式,使网络能够估计菌落深度信息。实验结果表明,该算法的平均相对误差为0.171,均方根误差为6.198,对数均方根误差为0.256,在1.25阈值下的预测准确率提高到了76.4%,算法能够同时获取菌落深度信息及其表面特征,为进一步提高筛选精度和有效挑选菌落提供了参考。     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。     

基于改进 MEDA 算法的脑电情绪识别

针对普通机器学习算法与迁移学习在应用方面的局限性,利用改进流形嵌入分布对齐算法(MEDA)算法解决跨被试情 绪识别中准确率低的问题。 其中 MEDA 通过流行特征变换来减小域之间的数据漂移,并能够自适应定量估计边缘分布和条件 分布的权重大小。 针对特征维度大且有可能存在不良特征的问题,提出改进 MEDA 算法,即引入改进最小冗余最大相关算法 用于特征选择,并对多源域下的多组识别结果进行决策级融合,进一步提升迁移学习效果。 在 SEED 数据集和实测数据对该算 法验证,改进 MEDA 算法相比于支持向量机、迁移成分分析和联合分布适配算法,整体识别精度分别提升了 8. 97% 、4. 00% 、 2. 89% ,改进的 MEDA 算法相比于改进前,每个被试识别准确率均有提升的同时整体识别提升 3. 36% ,验证了该方法的有效性。     

基于深度迁移学习的糖尿病视网膜病变的检测

为了自动检测视网膜眼底图像中的糖尿病视网膜病变(DR),缩减眼科医生工作量,提供视网膜疾病检测和诊断的辅助工具,提出了基于Inception-v3模型的深度迁移学习方法对DR图像进行自动检测。使用ImageNet大数据集预先训练过的Inception-v3模型,将之前传递层参数固定,采用不断微调的方法,通过自行收集的数据集对模型的最后一个完全连接层进行重新训练得到新的分类器。实验结果表明,所提出的方法无需指定病变的特征就能够获得高精度预测和高可靠性检测。除了帮助眼科医生作出诊断决定之外,还可以基于视网膜眼底图像帮助自动筛查早期DR。     

基于图谱分析的脑电网络研究

针对脑活动过程功能连接网络分析问题,将图谱域分析技术应用于脑电网络研究中。对各导联脑电信号特征节律提取、不同测量节点之间脑电信号特征节律相关系数邻接矩阵及拉普拉斯矩阵进行了研究,并对拉普拉斯矩阵分解得到的不同阶次分量矩阵以及二值化处理得到的不同阶次脑电网络拓扑结构进行了分析,提出了一种基于图谱分析的脑电网络研究方法;采用癫痫患者正常情况与癫痫发作阶段的脑电信号对提出的方法进行了测试。实验结果表明:在两种情况下,提出的图谱分析方法均能有效提取不同变化模式的脑电网络拓扑结构,并能实现正常区域与癫痫发作区域的有效分类,接收者操作特征曲线下面积为0. 834;分类结果优于常用的对比方法。     

基于深度SSDAE网络的刀具磨损状态识别

针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题,为提高刀具磨损状态识别模型的鲁棒性与泛化性,提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder,简称SSDAE）网络的刀具磨损状态识别方法,实现隐藏在数据中深层次的数据特征自动挖掘。首先,将原始振动信号分解为一系列固有模态分量（intrinsic mode function,简称IMF）,并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号;其次,采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别,识别精度达到98%;最后,对网络模型进行实验验证,并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明,所提出的方法能够很好地处理非平稳振动信号,对不同刀具磨损阶段状态的识别效果良好,并具有较好的泛化性能和可靠性。     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.     

基于深度学习的汽车车牌识别算法研究

随着我国汽车的保有量逐渐增加,车牌识别在智慧车辆管理系统中起着重要作用.现有的车号识别算法识别速度慢、准确度不高,容易受光线及车牌位置角度与摄像机相对固定位置的影响而造成误识别.基于深度学习的Faster-RCNN进行车牌定位,生成车牌提取框提取车牌;使用VGG16网络模型识别字符,最终完成汽车车牌的识别.在大量的数据集中进行训练、测试,仿真结果表明在复杂环境下采用Faster-RCNN与VGG16结合的网络模型对车牌的识别准确率高达99.2％,识别准确率优于其他算法.