基于卷积神经网络车身颜色识别技术研究

研究车身颜色识别技术可为公安部门打击套牌车辆等交通犯罪行为提供技术支持,并为道路行车安全提供理论依据。文章基于Caffe深度学习框架,提出了一种基于深度卷积神经网络车身颜色识别技术的研究方案,分析了网络层数、迭代次数和学习率对模型的影响,对卷积神经网络CNN模型进行优化,并将优化的网络模型与支持向量机SVM、改进后的HSV模型进行对比分析。结果表明:卷积神经网络最优模型的神经网络层数为8,最大迭代次数为30万,学习率为0.001;支持向量机SVM、改进后的HSV颜色模型及卷积神经网络识别率分别为80.05%、85.25%、90.20%。     

利用支持向量机和高阶累量实现飞机类型识别

为了探讨短波语音通信的飞机类型识别问题,根据短波语音通信下的飞机舱内背景声信号的物理特性,利用小波包分解和高阶累量提取出目标声信号的特征向量,分别采用BP神经网络和支持向量机作为分类器进行飞机类型的识别分类.仿真实验结果表明,小波包分解及高阶累量与支持向量机的结合算法,能够抽取出有效的飞机舱内背景声信号特征,并且能以93%以上的识别率识别出5种类型飞机.     

多样性病毒入侵环境下的网络空间安全态势智能估计方法

针对多样性病毒入侵环境,提出一种网络空间安全态势智能估计方法。基于卷积神经网络和双向长短时记忆网络提取网络空间信息的空间维度特征、时间维度特征,将提取的特征输入Softmax分类器,完成病毒入侵类型的识别;建立基于支持向量机的网络空间安全态势智能估计模型,改进鲸鱼优化算法训练支持向量机,智能估计所识别入侵环境中的网络空间信息安全态势值。实验结果表明,在多样性病毒入侵环境中,所提方法具备准确识别网络空间入侵行为的能力,并能准确估计多种入侵行为下的网络空间安全态势。     

CNN-SVM模型在抽油机井故障诊断中的应用

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。     

基于小波分析-最小二乘支持向量机的转子碰摩故障诊断

针对不同材料碰摩声发射信号分类识别的问题,利用小波分析良好的时频特性和最小二乘支持向量机解决小样本、非线性、高维模式识别问题的优势,提出一种小波分析与最小二乘支持向量机结合的分类方法.声发射信号进行小波多尺度分解,将分解获得的各尺度能量百分比作为最小二乘支持向量机的输入,用于声发射信号分类识别.实验结果表明:该方法可以明显识别出转子碰摩故障信号以及分类不同材料的碰摩信号.     

基于改进双向循环神经网络的变压器故障诊断模型研究

针对传统神经网络对变压器时序关系挖掘缺失、分类泛化性差、对异构数据分类准确率低的问题,提出了一种基于改进的双向循环神经网络的变压器故障诊断模型。该模型通过双向循环神经网络进行特征提取,将前后时刻的特征进行融合,采用多核学习支持向量机方法对特征数据进行分类,在多核学习支持向量机中进行核融合,从而提高特征数据分类的准确性。数值仿真分析了时序通道对长短时序网络诊断性能的影响,以及多核学习对支持向量机泛化能力和对异构数据处理能力的影响,通过变压器故障数据分类试验验证了基于多核学习支持向量机的双向循环神经网络模型的正确性和有效性。结果表明,基于多核学习支持向量机的双向循环网络诊断性能较好,与几种常用的神经网络相比,模型预测正确率更高。     

支持向量机改进的神经网络的函数逼近

为了避免神经网络的收敛速度慢和局部极小点 ,采用统计学习理论中的支持向量机代替梯度下降法对三层神经网络中隐层到输出层的过程进行改进 .分别采用由支持向量机改进的神经网络和传统的神经网络对昆明市“一二一”大街交通交流的实时预测 ,实验结果验证了改进后的神经网络的优越性和先进性     

基于AIT方法的雷达辐射源信号识别效能评估

为了有效对雷达辐射源信号识别效能进行评估,建立了基于识别测试结果的评估指标体系,提出了利用AHP法求解权值、采用区间TOPSIS法计算综合评分值的识别效能评估方法（AIT）．以复杂度特征作为实验所用的特征参数,采用概率神经网络（PNN）、支持向量机（sVM）、基于遗传算法的支持向量机（GA-SVM）和基于粒子群算法的支持向量机（PSO-SVM）四种识别算法进行了仿真实验．仿真结果验证了所得结果是合理的．该评估方法是可行的．     

基于卷积神经网络与时频图纹理信息的信号调制方式分类方法

通信信号的调制方式识别是通信侦察、频谱监测的重要工作内容之一,提出一种利用深度学习提取信号时频图纹理信息的分类方法。该方法利用不同调制方式在时频图细节上的微弱差别,并使用卷积神经网络提取图像纹理特征,最终输入SOFTMAX分类器进行分类。结果表明,该方法在大样本条件下,可取得良好的分类效果。与传统基于特征参数的支持向量机分类方法或前馈神经网络方法相比,其提取特征更优、分类效果更好,同时减少了人工设计特征参数的工作量和不确定性。     

基于特征选择和支持向量机的数字调制识别方法

针对基于决策树的数字调制识别方法在低信噪比和小样本情况下的不足,提出了一种改进的基于特征选择和支持向量机的数字调制识别算法。首先选择信号训练样本的循环谱截面作为备选特征集合,然后利用基于支持向量机的特征选择方法保留有效特征参数并训练分类器,最后将待识别信号选择后的特征输入支持向量机分类器,完成对ASK、MSK、PSK、QAM等4类信号的识别。仿真表明,本文算法在低信噪比和小样本情况下的识别性能优于基于决策树的调制识别方法。     

基于PSO-ConvK卷积神经网络的肺部肿瘤图像识别

针对卷积核随机初始化以及梯度下降法训练卷积神经网络易陷入局部最值问题,提出粒子群算法优化卷积核(particle swarm optimization-convolution kernel, PSO-ConvK)的图像识别方法。使用参数迁移法构造卷积神经网络,并提取卷积核,利用PSO不断更新粒子的速度和位置,寻找全局最优值以初始化卷积核,将其传递到卷积神经网络,用肺部肿瘤数据训练卷积神经网络,结合梯度下降法修正网络权重,使得PSO算法的全局优化能力与梯度下降法的局部搜索能力相结合。试验通过批次大小、迭代次数以及网络层数3个角度验证方法的有效性,并与高斯函数优化卷积核进行对比。结果显示, PSO优化卷积核的识别率始终高于随机化卷积核和高斯卷积核,识别率最终达到98.3%,具有一定的可行性和优越性。     

基于改进CNN的阀门泄漏超声信号识别方法

为了检测输气管道阀门泄漏，对改进AlexNet网络结构进行了研究，提出了基于改进卷积神经网络（CNN）的阀门泄漏超声信号识别方法.针对泄漏信号短时稳定的窄带线谱特征，从图像邻域信息密度角度出发，将卷积核形状由图像识别领域通常使用的"正方形"改进为"扁横状".同时，对AlexNet层数进行优化，重新确定卷积核和全连接层神经元数目，并选择小尺寸卷积核，在减少参数量的同时增加网络容量和模型复杂度，防止模型出现过拟合.分别建立二分类和不同泄漏量下的多分类模型，通过输气管道实验平台采集阀门泄漏数据集，生成对应时频图样本，包括不同阀门开度、不同管道压力下的泄漏及背景声信号.结果表明，对比传统的CNN分类模型，改进CNN分类模型在测试集上取得了更高的识别性能.     

基于双路式卷积神经网络的车辆与行人检测

针对低能见度状态下对车辆与行人的视觉特征难以提取的问题, 提出一种将2路卷积神经网络融合从而实现对车辆与行人识别的方法。采用高斯背景差分法实现图像去模糊, 在双路网络中分别采用不同尺寸的滤波器, 调整滤波器的大小得到不同环境下图片的特征值, 采用反向传播算法计算梯度。实验结果显示, 与单路式卷积神经网络对比, 在能见度低的环境中, 该方法对车辆的辨识率提高至83.49%, 对行人的辨识率提高至87.36%, 表明在低能见度环境中, 双路式卷积神经网络识别准确率高于单路式卷积神经网络。     

半径间隔界驱动卷积神经网络模型的图像识别

基于支持向量机（SVM）的卷积神经网络（CNN）模型结合了大间隔原理,在图像识别中表现出了优异的泛化性能。然而,该方法忽视了一个关键:SVM的泛化性能不仅取决于不同类之间的间隔,还与所有样本的最小包含球（MEB）的半径有关。针对这一事实,文章提出一种基于半径间隔界（RMB）驱动的CNN模型的图像特征提取和识别的方法。与传统CNN模型相比,该模型采用基于SVM泛化误差界的策略来指导CNN深度模型学习和相应分类器构建,不仅考虑了不同类别之间的间隔,还考虑了MEB的半径。该模型能提高深度卷积模型的泛化能力而不会额外增加网络的复杂度,还能够应用于不同的深度模型中而不受限于某一特定的网络结构。在多个数据集上的实验结果表明,相比于基于Sofmax损失的CNN模型、基于中心损失的CNN模型以及基于 SVM 的 CNN 模型,该模型能够提取到鉴别性更强的图像特征,取得更高的识别率。     

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.     

Two-Dimensional Images of Current and Active Power Signals for Elevator Condition Recognition

In this paper, an improved two-dimensional convolution neural network(2DCNN) is proposed to monitor and analyze elevator health, based on the distribution characteristics of elevator time series data in two-dimensional images. The current and effective power signals from an elevator traction machine are collected to generate gray-scale binary images. The improved two-dimensional convolution neural network is used to extract deep features from the images for classification, so as to recognize the...     

多尺度卷积神经网络的单幅图像去雨方法

雨天气会影响户外拍摄图像质量,模糊和覆盖图像信息.为提高受雨天气影响的户外拍摄图像的清晰度,恢复图像特征信息,提高很多计算机视觉算法在雨天气条件下的准确性,提出一种基于多尺度卷积神经网络的单幅图像去雨方法.首先建立多尺度卷积神经网络网络结构,通过多尺度卷积提取图像信息,用于去除雨线和重建图像,然后结合雨线在图像中的低饱和度、高亮度的特征,对网络进行训练,获取网络最优参数值,最终得到可以有效去除雨线的卷积神经网络.实验结果表明:提出的方法相较于现有算法有更好的雨线去除效果,并且可以更好地保持图像的原有信息,避免图像模糊现象.同时,利用多尺度卷积提取图像特征信息可以使特征信息更加丰富,有利于提升卷积神经网络的去雨能力.     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

新型高光谱图像的超分辨率制图方法

由于高光谱图像的应用在很大程度上受限于其较低的空间分辨率,为此提出了一种结合支持向量机和小波变换的高光谱图像超分辨率制图方法．先对高光谱图像进行光谱解混得到分量图,然后对分量图进行一级小波分解．各局域窗内中心像元的3个高频系数与邻域像元低频系数之间的对应关系表示为训练样本,用于支持向量机的学习．训练好的模型用来对低分辨率图像即分量图进行超分辨率制图．实验表明,这种借助小波变换来获取训练样本的学习方法无需先验信息,相比采用BP神经网络学习的方法,支持向量机的超分辨率制图效果更佳．     

一种多尺度嵌套卷积神经网络模型

卷积神经网络模型要求训练图像与测试图像在空间尺度上一致.为弱化这一限制,对卷积层特征提取器进行多尺度改进,提出了一种尺度不变卷积神经网络模型,以自动适应输入图像在平面空间上的尺度变化.同时,将多层Maxout网络嵌入新模型中,以进一步提高特征提取能力,提高图像识别与分类的准确性.实验测试结果表明,该模型提高了传统卷积神经网络模型的尺度不变性和分类精度.