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...     

CNN-Transformer结合对比学习的高光谱与LiDAR数据协同分类

针对高光谱图像（hyperspectral images, HSI）与LiDAR数据多模态分类任务中的跨模态信息表达和特征对齐等问题,提出一种基于对比学习CNN-Transformer高光谱和LiDAR数据协同分类网络（Contrastive Learning based CNN-Transformer Network, CLCT-Net）。CLCT-Net通过由ConvNeXt V2 Block构成的共有特征提取模块,获得不同模态间的共性特征,解决异构传感器数据之间语义对齐的问题。构建了包含空间-通道分支和光谱上下文分支的双分支HSI编码器,以及结合频域自注意力机制的LiDAR编码器,以获取更丰富的特征表示。利用集成对比学习进行分类,进一步提升多模态数据协同分类的精度。在Houston 2013和Trento数据集上的实验结果表明,相较于其他高光谱图像和LiDAR数据分类模型,本文所提模型获得了更高的地物分类精度,分别达到了92.01%和98.90%,实现了跨模态数据特征的深度挖掘和协同提取。     

基于分数阶微分的高光谱图像特征提取与分类

针对高光谱遥感图像的特征提取与地物分类,提出一种基于分数阶微分的高光谱图像特征提取方法,设计二维分数阶微分掩模提取高光谱图像的像素空间分数阶微分（SpaFD）特征,并提出一种空谱联合准则用于选取微分掩模阶数。为充分利用高光谱图像的空间特征与光谱特征,将SpaFD特征与原始特征直连融合获得SpaFD-Spe-Spa混合特征,并采用三维卷积神经网络（3DCNN）、先采用主成分分析（PCA）对像素光谱进行降维处理再送入三维卷积神经网络（3DCNNPCA）以及采用混合光谱网络（HybridSN）验证SpaFD-Spe-Spa混合特征的有效性。实验中分别采用3×3,5×5和7×7的分数阶微分掩模进行空间特征提取,4个真实高光谱图像的实验结果表明,所提取的SpaFD特征和SpaFDSpe-Spa特征可有效提升高光谱图像的地物分类精度,且SpaFD-Spe-Spa特征对地物分类准确率的提升更为明显：SpaFD特征相比原始特征在Indian Pines,Botswana,Pavia University和Salinas 4个数据上的分类识别率在最优情况下分别提升了3.87%,1.42%,2.41%和2...     

显微拉曼光谱技术检验射击残留物的研究

本文介绍了在室温环境下激光显微拉曼光谱分析方法对军用枪射击残留物检验研究的情况,得到了射击残留物的拉曼散射光谱图。该技术具有灵敏度高、分析速度快、检材量小、无需制样等特点,是检验射击残留物非常有效的方法。     

拉曼光谱的应用及其进展

本文简述了拉曼光谱的原理、特征及其在应用上的优越性。介绍了几种新的拉曼光谱技术及拉曼光谱技术在食品、材料化学、医药等领域的最新研究及应用进展。重点讨论了近年来该技术在食品质量检测、环境保护、细胞和组织的癌变方面的最新进展,并对其应用前景进行了展望。     

表面增强拉曼光谱的研究进展

本文从提高表面拉曼光谱检测灵敏度和空间分辨率两个方面的发展叙述表面增强拉曼光谱和针尖增强拉曼光谱的原理、方法、特点以及最新进展。对利用表面增强拉曼光谱和针尖增强拉曼光谱研究金属表面上分子吸附等方面的应用进行总结 ,并对他们的应用前景做了预测     

高光谱图像分类的研究进展

高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点,对图像中的每个像素进行分门别类,以达到对地物目标进行高精度分类和自动化识别的目的,是对地观测的重要组成部分。在分析高光谱图像特点的基础上,本文从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较,通过具体实验的结果对比,直观地展现各种算法的优劣。针对高光谱分类问题,本文从两个方面对今后的研究方向及发展前景进行了分析和展望。一方面,在算法研究上,高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度,利用多源遥感数据、多特征综合、多尺度复合,提升小样本、少参数分类模型的分类精度,适应智能化、快速化高光谱遥感对地观测的发展要求;另一方面要紧密结合市场应用需求,重视高光谱图像在实际中的应用,研究具有市场竞争力的高效分类算法,提升高光谱图像分类在遥感技术应用领域的竞争力。     

基于远程拉曼光谱的物质检测研究

设计和建立轻型远程拉曼光谱探测系统,通过时域脉冲的发射源和数字延时电路实现拉曼信号同步采集,同时采用入瞳口径为50mm的伽利略望远光路增强拉曼信号的收集效率,并对易爆物质进行3m距离检测为例进行研究。其结果显示,系统具有非常高的信噪比、高分辨锐利的特征峰和快速检测能力,能应用于危险环境的识别和预警等方面。     

连翘苷的共焦显微拉曼光谱与普通拉曼光谱

目的：分别采用共焦显微激光拉曼光谱仪和普通拉曼光谱仪测定连翘苷对照品固体粉末的拉曼图谱,对比两种仪器所获得的图谱,总结两种拉曼光谱的优缺点。方法：采用RM-1000型共焦显微激光拉曼光谱仪和国产某型号激光拉曼光谱仪检测连翘苷对照品粉末的拉曼谱图,对其拉曼图谱进行比较并对结果进行分析。结果：两种拉曼光谱中均显示出了连翘苷的主要拉曼特征峰,可以用于定性鉴别;普通拉曼光谱图未显示出连翘苷的指纹峰,且其拉曼峰强明显弱于共焦显微拉曼图谱。结论：采用共焦显微激光拉曼光谱仪用于连翘苷的定性研究比普通拉曼具有明显优势,可以用于中药有效成分的鉴别。     

基于迁移学习的VGG-16网络芯片图像分类

针对芯片图像分类过程中图像数量过少、需要大量人工标注以及效率低的问题,提出一种基于迁移学习的VGG-16网络芯片图像分类方法。该方法通过VGG-16网络直接从原始像素中自动学习图像特征,有效减少人工标注的成本,同时对比了VGG-16网络模型和基于迁移学习的VGG-16网络模型的准确率及其混淆矩阵。实验结果表明,所提出的基于迁移学习的VGG-16网络模型对芯片图像分类效果要优于原VGG-16网络模型。     

基于树型贝叶斯网络的场景分类引擎训练算法

贝叶斯网络在场景分类统计模型设计中得到广泛的应用.但现有的大部分贝叶斯网络场景分类引擎没有能够充分利用贝叶斯网络丰富的知识表现能力和有效的自动学习能力.首先提出了一种灵活的树型贝叶斯网络分类引擎,用于场景分类模型的设计.然后,以条件对数似然评价为标准研究这种模型的自动学习方法,通过对分类器等价类的研究,证明了树型贝叶斯网络分类引擎自动训练过程可以忽略网络中边的方向,并提出了一个不需要对边重定向的学习算法.由于通常的场景图像编码维度较高,省略了边的重定向过程能够有效地减少模型的训练时间.实验结果验证了所提算法的平均训练时间在基准场景图像库上比传统算法的减少23.32％.     

基于深度学习的导波特征提取及其激光超声检测

针对激光超声检测中波场的三维数据处理计算量大且损伤特征提取难的问题,提出了一种基于深度学习模型的导波波场分析方法.首先,以VGG-Net网络为框架,建立了基于VGG11(A-LRN)的残差网络模型,用于挖掘时间-空间波场数据中的导波特征;其次,以局部波数特征为物理机理,采用导波传播的解析式生成训练样本,解决了深度学习大数据获取的问题,获得了波场特征提取的神经网络模型;最后,以激光超声系统在含损伤结构中的实验数据作为测试样本,验证了所提出的网络模型能够提取表征损伤的导波特征,实现了结构的损伤成像,其损伤成像精度均在67%以上,损伤形貌的可视化效果好。     

基于深度卷积神经网络的车标分类

基于深度学习框架Caffe和具有强大计算能力的GPU,运用深度神经网络AlexNet和GoogleNet,对具有不同背景的汽车图像进行网络训练,以达到车辆自动识别的目的。分别对4类车标进行网络训练与测试,实验结果表明,在图像识别分类方面,与传统识别方法相比,深度卷积神经网络更具优势。     

基于深度学习的电机轴承微小故障智能诊断方法*

运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。     

基于改进深度卷积网络的铁路入侵行人分类算法

异物侵入铁路限界严重影响行车安全,识别铁路限界内的人员侵入对保证铁路运营安全具有重要意义。由于既有铁路图像异物侵入检测系统只能检测报警图像,无法区分是人员侵入的正确报警还是光线干扰导致的误报警,为了降低上述误报警,本文建立了铁路异物侵限报警样本的训练集和测试集,提出了将改进的深度卷积网络提取的高层Alex特征和HOG特征相结合并用于深度卷积网络模型训练的分类算法。首先引入了改进的AlexNet深度卷积神经网络模型,提取了自动学习的Alex高层特征,然后将其与HOG特征相结合形成Alex-HOG组合特征,最后利用组合特征对分类网络进行训练。铁路异物侵限报警测试样本库的实验表明,该方法对1 498张测试样本图像的识别准确率高达98.46%,时间为3.78s,实时性和准确率均有较大提高,对降低系统误报率具有重大意义。     

基于动态统计滤波与深度学习的智能故障诊断方法

电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆叠特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。     

Multi-model ensemble deep learning method for intelligent fault diagnosis with high-dimensional samples

Frontiers of Mechanical Engineering - Deep learning has achieved much success in mechanical intelligent fault diagnosis in recent years. However, many deep learning methods cannot fully extract...     

基于CNN的十字像中心检测

十字线中心检测是反射法测量透镜中心偏的重要组成部分,十字中心的检测精度决定了透镜中心偏的测量精度。针对边缘不规则、对比度差、信噪比低的图像,提出了基于深度卷积神经网络的十字线中心检测算法。算法的思想是,卷积神经网络可以在一定程度上解决传统算法局限于提取十字像边缘直线和角点特征的问题,实现对十字像整体特征的识别与定位,这可以相对减小图像噪声对十字像中心定位的影响,从而实现在图像质量比较差的情况下对十字像中心准确定位。实验结果表明,提出的算法能够在图像边缘不规则、对比度差、信噪比低等的条件下比较精确得到十字线中心点。