基于小波包分解与RVM的声发射信号识别

声发射信号识别目前已经成为检测大型储罐底板缺陷状况的普遍方法之一.针对现有声发射检测技术对原始信号的处理与分析方法的不足,对储罐底板腐蚀程度分类识别方法的不明确,基于小波包分解,对声发射传感器接收到的原始信号进行特征提取,得出了信号的特征向量,通过训练相关向量机,结合相关向量机模型对待测设备进行腐蚀类型归类识别,得出分析结论.应用该方法对大连某企业的储油罐进行实测数据检验,分析结论与储油罐实际状况相同,验证了该方法具有科学性与可行性,能够诊断大型储罐底板腐蚀状况的准确性和可靠性.     

基于LSTM神经网络的人体动作识别

人体动作识别为人机合作提供了基础支撑,机器人通过对操作者动作进行识别和理解,可以提高制造系统的柔性和生产效率.针对人体动作识别问题,在三维骨架数据的基础上,对原始三维骨架数据进行平滑去噪处理以符合人体关节点运动的平滑规律;构建了由静态特征和动态特征组成的融合特征用来表征人体动作;引入了关键帧提取模型来提取人体动作序列中...     

基于BP神经网络的车辆声音信号识别

声音信号包含着很多的信息量,且获取比较方便.近年来,声音识别技术被广泛应用于各个领域,有着重要的意义.本文主要介绍了小波理论和BP神经网络识别算法.通过对采集到的不同类型车辆的声音信号进行分析和预处理,采用小波变换提取低维的特征参数,构建并成功训练一个三层BP神经网络,从而有效地识别出了车型.     

基于神经网络的变压器故障声识别研究

作为新兴的变压器故障识别技术,声音识别对于变压器故障的识别尤为重要,然而在声音识别过程中,常常受到环境中其他声音的影响而降低识别的准确率,基于此,文章提出一种基于MFCC声音特征提取以及人工神经网络（ANN）模型相结合的变压器故障声音识别的方法,为了提高模型的训练精度,文章对比分析了Levenberg-Marquardt算法、Bayesian Regularization算法以及Scaled Conjugate Gradient算法的收敛性与准确性,选取收敛速度快、误差较小的Levenberg-Marquardt算法来实现ANN模型的误差反向传播并完成故障诊断的验证,验证结果表明,文章所采用的模型对于100个验证样本数据的预测准确率为92%,最终证实模型能够很好的应用于变压器故障的声识别。     

基于声发射和神经网络的复合材料冲击定位

为了提高复合材料结构冲击定位的精度和实时性,基于声发射和神经网络技术,提出了复合材料结构冲击定位两步法,以压电陶瓷（PZT）和自制信号采集系统替代商用声发射仪器,实现了一种能够高精度、实时、在线监测冲击的系统。用小波变换求出原点处冲击源传播到各传感器的波达时间差,用这组时间差修正其他位置上的冲击源到达各传感器的波达时间,利用修正后的波达时间,根据四点圆弧定位算法得到冲击源坐标,实现初步定位;将所求出的位置坐标作为神经网络的输入,训练之后的神经网络可以准确预测冲击位置,实现精确定位。在复合材料板上的试验表明：该方法能快速、准确地识别出冲击位置。     

基于LSTM的北斗卫星信号识别方法研究

为有效降低和抵御干扰对信号接收与定位的影响,提高导航系统的稳定性和可靠性,设计基于LSTM的北斗卫星信号识别与抗干扰方法,以无失真地利用BDS信号。对北斗卫星真实信源实施信号调制,获取卫星信号调制样式识别算法的输入信号。设计基于LSTM的卫星信号调制样式识别算法,模型为一个传统LSTM网络与CNN网络级联的新型LSTM网络,通过CNN网络能够实施I、Q数据间特征的提取,利用LSTM网络提取数据中时序特征,并对其特征进行融合,实现北斗卫星信号的识别。并设计结合空域抗干扰技术与时域抗干扰技术的空时自适应滤波约束算法,实现北斗卫星信号窄带与宽带干扰的共同抑制,以有效提高识别的效果。实验测试结果表明,设计方法的识别准确率整体较高,最高达到接近90%,抗干扰后输出信干比最高达到78.52dB。     

基于卷积神经网络的通信信号调制识别研究

针对传统人工提取专家特征来进行通信信号识别的方法存在局限性大、低信噪比下准确率低的问题,提出一种复基带信号与卷积神经网络自动调制识别相结合的新方法。该方法将接收到的信号进行预处理,得到包含同相分量和正交分量的复基带信号,该信号作为输入卷积神经网络模型的数据集,通过多次训练调整模型结构以及卷积核、步长、特征图和激活函数等超参数,利用训练好的模型对通信信号进行特征提取和识别。实现了对2FSK、4FSK、BPSK、8PSK、QPSK、QAM16和QAM64 七种数字通信信号类型的识别分类。实验结果表明,当信噪比为0dB时,七种信号的平均识别准确率已达94.61%,验证了算法是有效的且在低信噪比条件下有较高的准确率。     

智能传感器侦察网络中的目标声信号识别算法

针对智能传感器侦察网络中的地面目标识别问题,提出了一种基于智能计算方法的地面目标声信号识别算法。基于智能计算方法设计识别系统,直接利用信号特征的变化范围作为分类特征,并结合能够处理定性输入的粗神经网络分类算法,有效地克服目标信号的不确定性问题,提高识别系统的识别率和稳定性。     

岩体声发射信号波形变化特征分析

文章通过对室内和现场采集到的岩体声发射信号波形分析,寻找到岩体在外界因素影响下从稳定状态发展变化到破裂阶段的波形变化规律,可用以判断岩体的危险性。该规律为采场、隧道工程的安全施工提供了可靠的预报信息,有一定的实际意义。     

改进声发射信号的桥梁焊缝裂纹识别仿真研究

针对因环境中存在过多噪声,导致桥梁焊缝裂纹识别精准度低的问题,提出基于声发射信号的桥梁焊缝裂纹识别方法。利用传感器提取桥梁周围的实时信号,通过信号在周期序列上的幅值变化,判定噪声信号,采用小波变换算法对噪声信号实施重构变换,建立硬阈值和软阈值函数,约束噪声信号。采用神经元传递函数计算原始信号序列中隐含层神经元的具体特征表现参数,得到信号的特征类间平均值,通过类间参数求得特征量。以带有声发射信号提取技术的传感器作为识别载体,将特征参数输入到识别传感器中,针对不同的桥梁测试点,建立焊缝裂纹识别通道,完成有效识别。实验结果证明,所提方法的识别精准度较高,无论是以持续频率还是持续时间信号作为测试指标,均能实现高效识别。     

低资源条件下基于i-vector特征的LSTM递归神经网络语音识别系统

在低资源条件下,由于带标注训练数据较少,搭建的语音识别系统性能往往不甚理想。针对此问题,首先在声学模型上研究了长短时记忆（LSTM）递归神经网络,通过对长序列进行建模来充分挖掘上下文信息,并且引入线性投影层减小模型参数;然后研究了在特征空间中对说话人进行建模的技术,提取出能有效反映说话人和信道信息的身份认证矢量（i-vector）;最后将上述研究结合构建了基于i-vector特征的LSTM递归神经网络系统。在Open KWS 2013标准数据集上进行实验,结果表明该技术相比于深度神经网络基线系统有相对10%的字节错误率降低。     

基于长短期记忆神经网络的手写数字识别

手写笔迹识别是模式识别的一个重要研究领域。因为每个人的书写习惯有所不同,导致手写的字体有一定的差异。传统的Softmax模型在手写数字的识别结果上并没有达到人们的期望。目前,深度神经网络框架是模式识别领域的主流方法。长短期记忆神经网络(long-short term memory network,LSTM)是一种特殊的循环神经网络,它由输入门、遗忘门、输出门以及神经元组成。长短期记忆神经网络对于长序列问题有很好的处理。文中提出采用双向长短期记忆神经网络进行手写数字识别。采用MNIST数据集,分别使用传统的Softmax方法和双向长短期记忆神经网络方法对MNIST数据集里的图片进行识别。实验结果表明,传统的Softmax模型的正确率为92%左右,而LSTM模型的正确率达到了96.3%,提升4.3%。     

Acoustic Emission Recognition Based on a Three-Streams Neural Network with Attention

Acoustic emission (AE) is a nondestructive real-time monitoring technology, which has been proven to be a valid way of monitoring dynamic damage to materials. The classification and recognition methods of the AE signals of the rotor are mostly focused on machine learning. Considering that the huge success of deep learning technologies, where the Recurrent Neural Network (RNN) has been widely applied to sequential classification tasks and Convolutional Neural Network (CNN) has been widely applied to image recognition tasks. A novel three-streams neural network (TSANN) model is proposed in this paper to deal with fault detection tasks. Based on residual connection and attention mechanism, each stream of the model is able to learn the most informative representation from Mel Frequency Cepstrum Coefficient (MFCC), Tempogram, and short-time Fourier transform (STFT) spectral respectively. Experimental results show that, in comparison with traditional classification methods and single-stream CNN networks, TSANN achieves the best overall performance and the classification error rate is reduced by up to 50%, which demonstrates the availability of the model proposed.     

基于改进蝗虫算法优化长短时记忆神经网络的多参数瓦斯浓度预测模型研究

为了高效挖掘煤矿安全监测监控系统海量数据中包含的有效信息,提高煤矿瓦斯浓度预测精度,提出一种改进的蝗虫优化算法(IGOA)优化长短时记忆神经网络(LSTM)的多参数瓦斯浓度预测模型.首先对瓦斯多参数时间序列进行相关性分析和小波去噪;其次通过重构线性缩减因子c、引入柯西-高斯混合变异和最优邻域扰动策略联合改进蝗虫优化算法,提高其全局寻优能力,以此来优化LSTM相关超参数,构建瓦斯浓度预测模型;最后,以实测数据为样本进行实验验证,将提出的模型与BP、LSTM、PSO-LSTM以及GOA-LSTM模型对比,可得到提出的模型具有更好的预测效果,平均绝对百分比误差和均方根误差两种误差评价指标分别为0.531％、2.48×10-3.结果表明,提出的瓦斯浓度预测模型具有更高的预测性能.     

基于LSTM和时间序列分析法的短期风速预测

短期风速对输电线路影响巨大,由于短期风速的随机性和非线性特性,使得短期风速难以精确预测。提出了一种将长短时记忆网络和时间序列分析法相结合的组合预测算法来实现对短期风速的预测。首先,利用时间序列分析法对短期风速进行预测得到预测结果和预测残差,然后利用长短时记忆网络对预测残差进行预测,最后将两种方法得到的预测结果进行线性组合得到最终的预测结果序列。为验证所提出的算法的实际效果,将提出的算法与时间序列分析法、长短时记忆网络以及BP神经网络等进行对比。实验结果表明,组合算法有效提高了短期风速序列预测精度,是一种可行的分析方法。     

基于多分主干外部注意力网络的水声信号识别

水声信号识别近年来备受关注,由于海洋信道具有时变空变性、信号传播的衰落特性和水下目标声源具有复杂多变性,水声信号识别任务面临巨大挑战.传统的水声信号识别方法难以充分获取目标的表征信息且不具备良好的抗噪声能力,识别效果有待提升.针对上述问题,本文提出一种基于多分支外部注意力网络(multi-branch external attention network, MEANet)的水声信号识别方法,可以在复杂海洋环境下充分获取水声信号的特征并进行识别. MEANet由多分支主干网络,通道、空间注意力模块和外部注意力模块组成.首先,输入数据通过多个并行的主干网络分支,提取水声信号不同层级的特征信息;其次,辅以通道、空间注意力模块对水声信号的通道和空间维度分别进行加权,调节不同通道和空间位置对特征表示的重要性;最后,整合外部注意力模块,以外部记忆单元和附加计算来引导网络的特征提取和预测,从而显著提高模型的识别率和鲁棒性.实验结果表明,本文提出的MEANet在ShipsEar数据集上的水声信号识别率达到98.84%,显著优于其他对比算法,证实了其有效性.     

基于多通道双向长短期记忆网络的情感分析

当前存在着大量的语言知识和情感资源,但在基于深度学习的情感分析研究中,这些特有的情感信息,没有在情感分析任务中得到充分利用。针对以上问题,该文提出了一种基于多通道双向长短期记忆网络的情感分析模型(multi-channels bidirectional long short term memory network,Multi-Bi-LSTM),该模型对情感分析任务中现有的语言知识和情感资源进行建模,生成不同的特征通道,让模型充分学习句子中的情感信息。与CNN相比,该模型使用的Bi-LSTM考虑了词序列之间依赖关系,能够捕捉句子的上下文语义信息,使模型获得更多的情感信息。最后在中文COAE2014数据集、英文MR数据集和SST数据集进行实验,取得了比普通Bi-LSTM、结合情感序列特征的卷积神经网络以及传统分类器更好的性能。     

基于卷积长短时记忆网络的CPI预测

针对消费价格指数(CPI)的预测值滞后于真实值的现象,提出一种基于卷积神经网络-长短期记忆(CNN-LSTM)深度网络的CPI预测模型,预测结果相较于传统方法有较小的均方根误差和平均绝对百分比误差,且预测结果的定向精度和Pearson相关系数显著高于传统方法.用卷积神经网络-长短期记忆深度网络学习期货数据的空间特征和时...