小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

小样本水下目标识别的孪生网络的设计

由于水下目标获取困难,小样本水声目标识别一直是水声领域的难题。传统网络训练时需要大量的训练样本,并且对样本库外的目标识别率较低。针对这一问题文中提出一种深度卷积孪生网络用于对水下目标的DEMON(Detection of Envelope Modulation on Noise)谱的线谱进行识别。同时,为了适应真实水下识别环境,在训练的同时评估不同多普勒频偏、信噪比和干扰对网络识别性能的影响,进而得到一种具有较高多普勒容限和具有抗噪能力的网络模型。试验结果表明,与传统的神经网络相比,深度卷积孪生网络能够利用交叉熵对比损失函数与设置阈值的方式,判断输入样本对之间的差异,进而实现对新目标的识别。     

小样本下自校正卷积神经网络的滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。     

融合Longformer的时空分离注意力装配动作识别网络

为了提高装配质量和装配效率,确保产品质量的一致性,对工人的装配动作进行识别监测。提出一种融合Longformer的时空分离注意力装配动作识别网络,基于时空分离注意力结构分别使用Longformer注意力编码器和Transformer注意力编码器提取视频的外观特征和运动特征,有效整合了长视频序列中的时空信息,同时降低了网络的计算复杂度和网络参数量。在装配动作数据集上的实验结果表明,方法相比基于卷积的SlowFast网络可以更好的提取全局视频特征,Top-1准确率提升了2.44%。相比基于Transformer的TimeSformer网络,Top-1准确率提升了0.45%,参数量降低了65.9%,同时允许输入更长的视频序列,能更有效识别工人的装配动作。     

不平衡样本下基于生成式对抗网络的风机叶片开裂状态识别

针对风机叶片开裂状态样本少、识别率低的问题,提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象,从理论角度对不平衡样本问题进行深入分析,设计了满足开裂样本生成与判别的GAN网络模型,引入批量归一化保障特征服从标准正态分布,加速网络训练过程收敛。以神经网络为分类器,以F1值、Recall、Precision为度量指标,在36个UCI基准数据集上对所提方法进行测试,结果表明增强后的结果更好。真实实验表明,以逻辑回归及神经网络为分类器,相比原始不平衡样本,增强后的结果分别提升13.88%,8.20%。与SMOTE算法对比,以上两种分类器的分类准确率分别提高74%和11%;与ADASYN算法对比,分类准确率分别提高19%和23%。     

优化Faster R-CNN算法的小样本缺陷检测研究

随着自动化检测技术的发展,基于深度学习的缺陷检测技术以其高精度、高效率、非接触性的特点正逐渐成为工业和学术领域的研究热点。为解决实际工业生产中由于产品缺陷数据集样本不足、类别不均衡导致的模型过拟合、检测精度低等问题,提出了一种基于Faster R-CNN算法框架优化的缺陷检测模型Faster R-CNN-H-BFC。该模型通过基于多层感知器（multi-layer perceptron, MLP）实现的幻觉网络,能够从具有丰富样本的基类中学习到类共享特征,并为新类生成额外的幻觉样本供模型训练。同时,针对Faster R-CNN本身存在的识别精度低以及检测效果差等问题,将原始的VGG16主干网络替换为具有残差结构的ResNet50,并引入了特征金字塔网络（Feature Pyramid Networks, FPN）实现多尺度特征融合,还添加了卷积块注意力模块（Convolutional Block Attention Module, CBAM）来增强模型的特征提取能力。实验和数据表明,改进后的缺陷检测模型在极少样本场景下具有较好的检测效果,平均检测精度相较于改进前提升了3.11%。     

基于改进孪生胶囊网络的小样本轴承故障诊断

针对不同工况下滚动轴承故障数据不足,诊断准确率低的问题,提出了一种基于改进孪生胶囊网络的小样本滚动轴承故障诊断方法。首先,通过短时傅里叶变换将轴承振动信号变换为二维时频图,作为孪生网络的输入,通过对比样本间相似度扩大训练次数,解决故障数据不足的问题;然后,将多尺度Inception模块加入胶囊网络构建孪生胶囊网络模型(SICN),提取多尺度浅层特征后进行矢量化处理,经动态路由算法得到具有空间位置信息的胶囊向量;最后,设计余弦距离策略对胶囊向量进行相似性度量,判断是否属于同类,减小度量误差并实现故障类别辨识。结果表明：SICN模型可以提取更丰富、全面的特征,提高诊断准确率和泛化能力,可有效应用于小样本下滚动轴承的故障诊断。     

类内-类间通道注意力少样本分类

针对元学习少样本分类样本特征鉴别能力不足的问题,提出了一种类内-类间通道注意力少样本分类方法（Intrainter Channel Attention Few-shot Classification, ICAFSC）。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块,该模块通过类内-类间距离度量计算通道权重实现特征加权,提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题,ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务,并利用这些任务充分训练类内-类间通道注意力模块,促使该模块达到较优的状态。在原型网络的元训练和元测试阶段,ICAFSC冻结类内-类间通道注意力模块的参数,分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明：本文提出的类内-类间通道注意力少样本分类方法与原型网络相比,在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。     

小样本条件下的机械噪声源识别方法

在小样本条件下识别水下航行器机械噪声源,通常运用直推式置信机(transductive confidence machine,简称TCM)与K-近邻法(K-nearest neighbors,简称KNN)相结合的TCM-KNN算法。但在高置信水平下,用这种方法对测试样本进行预测分类的能力不强。通过改进奇异测量方法,提出了改进的TCM-KNN算法。经舱段模型试验表明,该算法能有效地提高预测分类的正确率和预测的置信度,且分类性能优于常用的BP和RBF神经网络等模式识别方法。     

融合特征差异化的小样本钢轨表面缺陷检测

针对铁路钢轨表面背景变化大、噪声干扰强和有效缺陷样本难以大量获取的问题,提出融合特征差异化的小样本钢轨表面缺陷检测模型。首先,将有限样本通过数据增强策略进行有效扩充,缓解训练过拟合问题;其次,在编码器输入端增加正常样本以提供差异化对比参考基准;在解码器和编码器之间引入多尺度协调注意力特征融合模块,融合双输入样本的映射关系并加速模型训练;然后,构造相似性阈值损失函数,减少噪声干扰并提高检测稳定性;最后,通过现场采集和公开的RSDDs钢轨数据集对所提模型进行验证与分析。结果表明：在20张钢轨缺陷样本下,该模型的最大平均精度均值达到77.4%,相比先进模型MemSeg、DeepLabV3+和YOLOv5s-Seg分别提升19.0%、21.2%和10.8%;在减少至5张钢轨缺陷样本下,该模型同比先进模型仍保持最优检测效果,验证了该模型的鲁棒性和数据增强策略的有效性。     

结合改进ConvNeXt网络与知识蒸馏的天气识别

为提升复杂交通场景下天气识别准确率的同时实现网络轻量化,提出了一种结合改进ConvNeXt网络与知识蒸馏的天气识别方法。首先,在ConvNeXt网络的每组Block特征提取块后加入SimAm注意力机制,构建ConvNeXt＿F网络,利用SimAm注意力机制对Block块提取的深层特征进行鉴权并校正权重,有效强化对天气判别性特征的捕获能力;其次,在网络训练过程中将Equalized Focal Loss(EFL)与Mutual-Channel Loss(MCL)采用平均占比的方式进行累加作为总损失函数,一方面利用EFL消除数据不均衡造成的影响,另一方面利用MCL减小同类天气下局部细节特征差异;最后,采用知识蒸馏技术将天气分类知识从ConvNeXt＿F网络迁移到轻量级MobileNetV3网络,虽然精度略微损失但网络参数量大幅减少。实验结果表明,与其他算法相比,所提方法在本文构建的宁夏高速公路场景下的天气数据集weather-traffic和公开的自然天气数据集RSCM2017上准确率分别达到96.22%,84.8%,FPS分别达到157.6 Hz,137.6 Hz,FLOPs和Param...     

基于灰色理论的机电系统全寿命小子样系统研究

描述了以机电系统全寿命序列为代表的时间序列混沌特性,分析了灰关联分析和GM模型在产品可靠性预测中可开拓贫信息的可行性,阐述了GM和BP方法在机电系统全寿命预测时的特长及缺陷,介绍了将灰色理论用于机电系统全寿命小子样系统研究取得的进展,并以3个工程实例进一步验证。旨在应用灰色理论对重大机电产品全寿命预测中的小样本开发有所突破。     

通用图像检索识别库的构建及实现

能否构建一个脱离具体开发环境、融合主流技术且不断吸收新技术的通用图像检索识别库,既是图像检索与识别领域的基础理论问题,又是工程应用中迫切需要解决的现实问题。本文主要从通用图像检索识别库的构建、实现及应用三方面讨论了这一问题。应用实例表明,用该库实施图像检索与识别,开发期短,操作简便,准确率高、响应快速。该库将对图像检索与识别技术在更深更广领域里的应用起积极推动作用。     

一种新的测量点编码方法及识别算法

提出一种基于单环编码法的改进的测量点编码方法,并结合新的编码点形状特征设计了新的目标识别算法,从而实现了近景摄影测量中编码点的匹配。验证结果表明,编码点的识别准确率达100%。     

采用SVM的磨粒分类识别方法研究

为克服传统磨粒识别分类器训练时需要大量特征样本的缺点,设计一种基于多元支持向量机(Multi-Support Vector Machine,Multi-SVM)的磨粒识别分类器.支持向量机(SVM)是一种新的机器学习方法,在小样本和高维二元分类方面有非常突出的优点.实验证明,依据此优点设计的多元支持向量机磨粒分类器模型,不仅可以在小样本情形下对模型进行快速训练,而且可以快速识别多种磨粒类型,同时识别率也比传统的神经网络方法有较大提高,从而达到了提高设备监测和故障诊断效率的目的.     

融合卷积块注意力模块和Siamese神经网络的人脸识别算法

针对传统人脸识别方法识别性能较差,基于深度学习的方法在非限制条件下识别较为困难,人脸特征区分性弱,识别精度容易受到姿势、表情等方面影响的问题,提出了一种引入卷积块注意力模块的孪生神经网络模型结构。该结构是基于孪生神经网络（Siamese neural network）的基础框架进行改进的,在框架中引入改进的VGG11＿BN模型进行特征提取。该模型是在VGG11结构的基础上引入批归一化（Batch Normalization,BN）技术,在原模型结构的基础上,提出引入CBAM混合注意力机制的特征提取网络;最后,针对目前亚洲人的人脸识别训练较少的情况,采用更加符合亚洲人脸特征的CASIA-FaceV5数据集进行识别训练。实验结果表明：本文算法在人脸识别方面的准确率达到了96.67%,并且在CAS-PEAL-R1人脸数据集上比SRGES,VGG11+siamese算法的准确率分别提升6.05%,6.7%。该算法可以在多因素影响下更好地进行人脸识别验证,具有良好的稳定性。     

基于长短时记忆和卷积神经网络的手势肌电识别研究

用表面肌电进行手势识别具有细节信息可选择性和抗外界干扰能力强的优势,但现有方法的适应性和识别准确性还不足.通过在卷积神经网络的基础上增加长短时记忆网络处理层,构筑手势识别模型,它能捕获手势动作过程的肌电时序特征,一定程度上减少了过拟合的现象.利用手势肌电丰富的时频域信息,提取手势肌电的小波包特征图像,并与手势肌电图像一...     

利用几何特征和时序注意递归网络的动作识别

为提高基于人体骨架(Skeleton-based)的动作识别准确度,提出一种利用骨架几何特征与时序注意递归网络的动作识别方法。首先,利用旋转矩阵的向量化形式描述身体部件对之间的相对几何关系,并与关节坐标、关节距离两种特征融合后作为骨架的特征表示;然后,提出一种时序注意方法,通过与之前帧加权平均对比来判定当前帧包含的有价值的信息量,采用一个多层感知机实现权值的生成;最后,将骨架的特征表示乘以对应权值后输入一个LSTM网络进行动作识别。在MSR-Action3D和UWA3D Multiview Activity II数据集上该方法分别取得了96.93%和80.50%的识别结果。实验结果表明该方法能对人体动作进行有效地识别且对视角变化具有较高的适应性。     

基于ResNet-SSD的铁路扣件缺损检测方法

铁路轨面扣件的缺失、损坏状态与行车安全密切关系。为进一步提高铁路扣件检测性能,提出基于残差网络-单发多框检测器（Residual network-single shot multibox detector,ResNet-SSD）的铁路扣件缺损检测方法。首先,采用虚拟图像技术进行扣件缺损状态图像建模来扩展扣件样本特征信息,完善样本库以解决各类扣件图像不均衡问题。其次,使用ResNet构建特征提取网络,SSD模型进行目标检测,完成对扣件缺损状态的检测。实验结果表明,采用虚拟图像扩展现场采集扣件图像集后,ResNet-SSD网络有更快的收敛速度且mAP提高了3.06%（95.47%-98.53%）;ResNet-SSD在召回率为98.8%时,检测准确度可达98.5%,达到了在交并比（Intersection over union,IoU）为0.5时较VGG16-SSD高、与Faster-RCNN相同的评价指标;就检测速度而言,该方法为Faster-RCNN的6倍,VGG16-SSD的1.4倍。该方法可满足铁路扣件实时自动检测的需求。