基于深度学习的一二次融合装备全场景故障研究

提出了基于深度学习的一二次融合装备全场景故障分析方法。针对低压配电网故障场景的类型和方式进行了说明,分析了影响配电网故障仿真的影响因素。针对低压配电网单相接地故障模型进行了说明,建立了小电阻接地系统模型、消弧线圈接地系统模型,分析二者在模拟故障时的影响因素。基于深度学习技术提出了卷积神经网络的故障场景诊断方式,结合一二次设备融合装置的功能特点进行了流程分析。针对仿真分析验证了所提出故障场景模拟在数据准确率以及训练数据结果方面的有效性。     

基于多深度置信网络融合的航空电子设备故障预测

由于航空电子设备性能退化趋势与工作环境(温度、振动、负载等)存在强耦合关系,历史数据和实时数据分布存在难以量化的差异,因此航空电子设备的故障预测一直是业内难题.针对工程应用中的故障预测需求,提出了一种基于多深度置信网络(Multi-deep Belief Network,DBN)模型融合的故障预测方法,基于历史数据和实...     

基于多源信息融合的智能目标检测技术

受地物复杂和目标干扰影响,打击的目标检测准确率不高.对此,采用红外与可见光图像联合目标检测方法,运用图像深度特征提取方法完成特征表征,并根据目标的不同成像特点进行特征融合,形成对目标特征的统一深度特征表征,采用融合的特征模型完成深度学习的目标检测.实验表明,该方法能够有效提高目标检测准确率.     

基于残差神经网络的轴承声发射信号故障智能诊断

近年来,随着人工智能的发展与普及,深度学习算法以其高准确率和鲁棒性成为了目前分类识别技术的热门。传统的轴承故障诊断采用振动信号,对早期故障不敏感。由于传统的人工特征提取方法难以准确的表征滚动轴承状态,深度学习算法便逐渐应用于滚动轴承的故障诊断。因此采用滚动轴承的声发射信号并结合神经网络进行故障检测,以更好的对轴承运行中的早期故障进行识别,为此提出了一种基于一维卷积残差神经网络的轴承故障诊断模型,通过多层卷积叠加以提取出数据中更加关键重要的信息。该模型在诊断中能够自适应的从输入数据中学习出所需要的特征。模型采用categorical crossentropy交叉熵损失函数及Adam优化算法实现滚动轴承的故障诊断。在试验台上模拟了早期轴承内圈、外圈、滚动体、保持架故障等四种故障,并利用模型进行了故障的分析和诊断,研究结果表明文章提出的模型对故障的声发射信号拥有良好的识别能力。     

基于专利数据的ATR技术融合关系预测研究

文中旨在实现ATR领域关键技术融合关系的发展趋势预测，并对基于机器学习的技术融合预测方法进行了改进，以提高预测精度。文中以全球ATR技术领域的专利数据为数据源，搭建了一种CNN与SVM相结合的深度学习模型来进行技术融合，预测未来趋势，并将CNN自动学习特征与SVM在非线性问题分类上的优势结合起来，预测到2025年ATR技术领域将出现融合概率较高的技术类别。模型在预测实验中最高能达到90%精度，较之现有研究有所提高。另外，对行业发展情况进行了描述和分析，预测结果显示，〈G06K,G06T〉，〈G06K,G06V〉，〈G01S,G06K〉等IPC对，在未来一段时间内出现技术融合的概率相对较高。     

基于深度学习的动车组击打变形智能检测方法

为了保证动车组的安全运行,需要在动车组运行时进行实时在线故障监测,以便及时、准确地对故障进行检修。目前采用的是当前图像和历史图像进行对比的方法,实现列车运行状况的检测及自动预警。由于设备在不同时间所采集的图像不完全一致,所以基于该方法在识别过程中会出现误报率较高的情况,并给人工看图徒增大量的时间。文章以击打变形类的故障作为研究对象,基于改进的RetinaNet算法进行故障检测。使用CondenseNet网络替换原主干网络ResNet,极大地减小了模型计算量,整体损失也有所下降。采用Swish函数作为特征的非线性激活,在准确率上有0.7%的提升。使用多尺度特征融合对不同大小目标进行检测,试验结果表明,算法改进后有效提升了网络性能,识别率可达94.3%。     

基于深度神经网络的网络入侵检测技术

在现今攻击手段多样化和网络流量高维度的情况下，如何快速准确地检测网络入侵成为了目前研究的重点。深度神经网络（DNN）对于海量数据的处理具有很好的计算能力，并且可以学习样本数据的内在规律，因此基于DNN开展了网络入侵检测技术的研究。首先，通过符号数据数值化和数据归一化对公共数据集进行预处理；然后，构建DNN模型获取分类预测结果；最后，根据分类结果计算模型评价指标，并不断地迭代调整DNN模型，直到模型评价指标达到期望值，对于提高网络入侵检测准确度和效率具有重要的意义。     

基于多模型融合的航空电子产品故障预测方法

针对复杂机载环境应力条件下航空电子产品故障预测所面临的退化趋势差异大、训练数据样本量小等问题,提出了一种改进长短期记忆(Long Short-Term Memory, LSTM)神经网络模型与集成学习框架相结合的故障预测方法,以满足现代综合航空电子系统智能调度管理与自主维护保障的需求。该方法在LSTM模型中引入Dropout机制,构建基于不同历史数据集的差异性LSTM模型组,以解决故障预测时序信息记忆问题与小样本条件下数据驱动模型训练过拟合问题;采用Adaboosting算法计算模型权重,并基于实时数据动态调整,以滤除复杂机载环境应力引入的预测误差,解决多模型融合的性能差异问题。最后,采用NASA公开的锂电池退化数据集进行仿真验证,实验结果表明,相较于传统BP神经网络、经典LSTM和LSTM基模型,该方法具有更高的趋势拟合度和预测精度。     

基于多源数据关联融合的交通图像深度补全技术

随着城市化进程的加速，智慧交通领域得到了越来越多的关注。利用深度补全技术提取物体深度信息对实现车辆目标跟踪、目标间距离计算等任务具有重要作用，但在实际中收取的多源深度补全数据存在关联偏差，导致产生较难纠正的精度误差。针对该问题，文中研究了基于多源数据关联融合的深度补全技术。该技术通过计算多通道置信度增强深度图，将图像和毫米波雷达点云数据进行更精准的数据层逐点关联。通过设计多尺度注意力融合模块，实现了对多粒度关联数据的自适应融合，生成了高质量的深度图。文中在公开的nuScenes数据集中开展了大量实验，实验结果表明文中所提方法平均绝对误差为1.142 m,低于现有基准方法的1.472 m。     

基于数据融合与智能分析算法的电网抢修管控技术研究

针对电网抢修管控效率低且故障点定位精确度较差的问题,文中提出了一种基于数据融合与智能分析算法的电网抢修管控技术。根据电网故障抢修的传统业务流程对抢修涉及到的部门和数据进行分类,基于加权的自适应数据融合理论,以最小化运算结果总误差为标准,利用层次分析法实现数据融合并采用智能分析算法处理数据信息,从而有效提高电网抢修的综合效率。利用数值实验对电网故障抢修效率进行计算分析,结果证明了所提算法的可靠性。相比于传统方法,所提算法在工单派出效率和故障定位效率方面均可提高10%以上。     

基于深度学习的目标部件故障识别技术及应用

图像识别是故障检测的一种常见方法,传统的图像识别技术需要特定算法提取图像特征,然而特征提取依赖大量可观察的显著图像信息,对于某些信息量不足易受环境干扰的微小部件,识别精度往往较低。对此提出了基于深度学习的目标部件识别方法,将传统图像算法与深度学习相结合,有效提升了识别效率。在堆叠自编码器(SAE)预训练的基础上,建立了卷积神经网络(CNN),以货车故障动态图像检测系统(TFDS)为应用背景,研究了货车心盘螺栓的丢失故障检测。最终识别精度高于98%,具有较高的工程应用前景。     

基于边缘检测的SAR图象分类融合技术

从基于象素的SAR图象分类和基于邻域的SAR图象分类特点出发,提出了一种基于边缘检测的SAR图象分类融合方法。该方法既保留了图象的边缘,避免了以往图象分类中出现的边缘模糊问题,又有效地对图象进行了区域划分。     

基于卷积神经网络的网络入侵检测技术

随着互联网的发展,网络安全问题是互联网发展所面临的一个严峻挑战,网络入侵检测技术成为其中需要重点关注的问题。特别是随着攻击手段的进一步多样化和数据维度的不断增加,传统的机器学习算法已不能满足目前网络入侵检测系统的要求。卷积神经网络（CNN）具有强大的特征提取能力和数据分析能力,可以提高网络入侵检测的准确性和时效性。因此将CNN应用到网络入侵检测技术中,并通过交叉熵损失函数达到提升检测准确率的目的。首先,对公开数据集进行预处理;然后,构建CNN模型获取分类预测结果;最后,计算模型评价指标,并不断调整CNN模型,直到模型评价指标达到期望值。     

基于边缘检测和数据融合技术的图像增强

文章提出了一种基于边缘检测和数据融合技术的图像去噪方法.以小波变换为基础,结合数据融合技术,在预先确定图像边缘的基础上进行图像增强.实验结果表明,利用边缘检测和数据融合技术的图像增强系统,在保证图像纹理信息的基础上,极大地抑制噪声.     

一种基于深度学习的多源异构数据融合方法

在大数据背景下,结合深度学习,讨论了多源异构影像数据融合问题,在数据融合的基本架构基础上,构思了一种泛化性强的多源异构影像数据融合的深度学习模型,将深度学习技术运用到多源异构数据信息提取与挖掘。     

QPSO改进灰色融合模型的软件故障预测

为了提高小样本的预测精度,提出了一种基于量子行为粒子群优化与数据融合算法的灰色融合预测模型。首先从两个方面改进了GM(1,1)模型,对原始序列进行了幂函数变换,并采用量子行为粒子群优化算法实现了参数的优化。然后提出了多次建模的策略,利用原始序列的不同分量分别建立GM(1,1)改进模型进行预测,将各次预测值进行融合得到最终结果。最后用该模型进行软件故障预测,结果表明其相对误差在3%以内,适用于平滑性较差和高增长的序列预测。     

基于机器学习的无线网络隐性故障智能定位系统研究

广泛使用业界优秀的开源技术和AI算法，对多个无线网络小区业务、性能指标结合历史数据进行异常检测，实现有监督的机器学习能力，基于循环神经网络（RNN）、孤立森林（Isolation Forest）和统计模型的智能定位算法，结合多系统多维度数据实现全网小区业务及性能的动态分析，主动定位和发现网络中设计缺陷、现场故障、软硬件未知漏洞等问题，总结定位问题形成案例库，并自学习优化定位算法，逐步完善智能学习条件和功能，实现小区级隐性故障的智能定位和发现。该系统已完成19776个小区隐性故障整治，系统隐性故障定位准确率为82%。     

基于图像检测识别的数据增强技术

当前,在图像目标检测识别方面,深度学习技术已经成为研究的热点.然而深度学习在进行网络训练时需要使用大量的样本,当样本数目较少时,得到的训练模型其检测效果往往不佳.介绍了色彩变换、水平翻转、旋转、亮度变换、缩放、裁剪、添加噪声等不同数据增强方法,并结合VOC2007数据集,采用数据增强技术实现样本扩充.实验结果表明对样本...