基于一维WConv-BiLSTM的轴承故障诊断算法

针对不同信噪比噪声干扰下的轴承故障诊断问题,文中建立了一种基于一维宽卷积核卷积神经网络和双向长短记忆神经网络的轴承故障诊断模型。向该模型输入轴承振动信号,通过短时傅里叶变换将振动信号转化为时频图。然后利用首层为宽卷积核的卷积神经网络和长短记忆神经网络分别提取其空间与时间特征,并结合全连接层实现分类。为增强抗噪性,模型采用数据增强、mini-batch和批量标准化的方法。试验采用CWRU的轴承故障数据集,通过添加不同信噪比噪声构造噪声干扰试验。试验表明该模型有较好的抗噪性,在信噪比为2 dB的噪声干扰下仍能取得98%以上的故障识别准确率。     

基于卷积注意力机制的电视节目评论情感分析方法研究

本文提出一个基于卷积注意力机制的文本分类方法,该方法利用卷积神经网络抓取上下文信息,自适应生成注意力权重,并与LSTM模型相融合进行分类。在IMDB影评分类测试中,本文所提方法的分类准确率比基准模型高3.6%,证明了本文所提方法的有效性。     

基于注意力机制和CNN-BiLSTM模型的在线协作讨论交互文本自动分类

针对当前的在线协作讨论交互文本分类仅采用深度学习方法时,存在无法充分获取上下文语义关联以及忽略关键特征词,造成分类结果准确率下降的问题,文中提出一种结合注意力机制的深度学习网络模型—CNNBiLSTM-Attention,进一步强化文本的语义特征。利用该模型对在线协作讨论活动中产生的12000条交互文本进行分类,分类结果表明,CNN-BiLSTM-Attention的分类准确率整体上可达到82.40%,有效提升了文本分类的效果。     

多尺度CNN结合自注意力特征融合机制的轴承故障诊断方法

针对轴承故障诊断模型输入信息单一,且变负载、噪声工况下诊断精度受限的问题,提出一种多尺度卷积神经网络结合自注意力特征融合机制(SA-MCNN)的故障诊断方法。该方法首先使用不同核大小的卷积层并行提取振动信号的多尺度信息后,采用自注意力特征融合机制,为并行的多尺度特征加权融合;最后根据融合后的特征,区分轴承的健康状态。实验结果表明,与其它故障诊断模型相比,SA-MCNN模型能够根据多尺度信息有效捕捉高质量的状态特征,在跨负载工况和噪声工况下表现出强鲁棒性。     

基于SWT与改进卷积神经网络的轴承故障诊断

针对传统轴承故障诊断依赖专家经验且存在时频特征提取效果不佳,导致故障诊断效率和精度较低的问题,提出一种基于同步压缩小波变换（SWT）与改进卷积神经网络（CNN）的轴承故障诊断模型（SICNN）。首先,将一维的非平稳轴承振动信号通过SWT转换为高频率表达的二维时频图像,作为卷积神经网络的输入;然后,引入SRM对提取的特征进行风格池化与融合,调整卷积通道合适的特征权重,提高重要特征的关注度进而提高网络的表征能力;最后,通过Softmax层输出故障诊断结果。为了验证所提出的模型性能,使用凯斯西储大学采集的轴承数据集开展实验。结果表明,该模型故障诊断准确率可达到99.88%,与其他传统方法相比,具有良好的可行性和收敛性能,实践层面应用价值较高。     

融合空间注意力机制的图像语义描述算法

图像语义描述模型通常采用编码器-解码器方式实现图像语义描述,模型存在对图像特征利用不充分,图像目标的位置信息提取不足等问题.针对此问题,提出在编码器部分融合注意力机制的图像语义描述算法,通过解码器上下文信息对不同图像特征的注意力权重分配,从而提高图像语义描述的表达能力.并在Flickr30k和MSCOCO数据集上进行了...     

基于S变换和卷积神经网络的滚动轴承故障诊断

针对传统方法在机械故障诊断时存在特征提取困难、分类器训练复杂等问题,提出了一种基于S变换和卷积神经网络(CNN)的滚动轴承故障诊断方法.首先,将轴承的原始数据经过S变换得到时频图,再通过CNN进行二次特征提取.然后,通过分类器对故障进行分类,并对滚动轴承进行故障诊断.实验结果表明,相比长短时记忆网络、CNN和支持向量机...     

基于深度神经网络的微表情识别

微表情是一种极为短暂的面部表情,当人们想要掩饰内心的真实情感时,就会不自觉的流露出来。由于微表情的持续时间短,动作幅度小等特点,检测和识别微表情就变得尤为困难。为了解决传统图像识别的方法的识别率低和预处理复杂等缺点,本文提出了采用深度神经网络的方法来对微表情进行识别。该深度神经网络由卷积神经网络(CNN)和长短时记忆型(LSTM)递归神经网络组合而成,CNN层负责提取微表情的静态图像特征,LSTM层将提取到的卷积特征进行整合,而得到这些特征在时域上的信息,进而对这些信息进行分类训练。在CASM2数据集下,该方法对5类表情的识别率比传统方法高。     

基于多输出一维卷积神经网络的轴承故障诊断

轴承作为用途最为广泛的零部件之一,其可以有效减缓旋转部件之间的摩擦力从而避免损坏,并且可以固定旋转轴。然而,在恶劣条件下连续工作会导致不可避免的故障。因此,对于工厂来说,进行轴承故障类型以及故障程度诊断越来越有必要。近些年来,随着深度神经网络,特别是卷积神经网络(convolutional neural network,CNN)的出现,使得智能诊断方法在精度方面取得了显著的提升。然而,在复杂的实际工业场景下,除了准确性之外,效率问题也需要提起重视。针对目前的多数CNN网络或效率低或不能检测故障程度的问题,提出了一种基于一维卷积神经网络的多输出分类的方法。方法利用提取的相关特征同时进行轴承故障类型分类和故障程度(裂纹尺寸)分类,与传统的基于CNN的多类分类相比,在多输出分类中利用相关特征提高了诊断的准确性和效率。     

基于ARIMA结合ConvLSTM的燃气负荷预测

燃气负荷预测对于燃气资源的优化调度至关重要.燃气负荷预测除了具有趋势性、周期性等时间特性外,相邻燃气调压站的负荷数据与温湿度数据之间也存在空间特性,导致燃气负荷预测机理建模困难且模型预测精度较低.针对以上问题,提出了一种基于自回归移动平均模型(ARIMA)与卷积长短时神经网络(ConvLSTM)结合的燃气负荷预测模型.首先,选取皮尔逊相关系数对燃气负荷数据进行分析,筛选与燃气负荷相关性强的变量作为模型的输入.其次,采用ARIMA模型去除数据的趋势性使其平稳化,利用ConvLSTM模型提取数据中的时空特征,并对ARIMA-ConvLSTM模型的参数进行寻优.最后,通过燃气负荷数据对模型进行训练和验证.实验结果表明,ARIMA-ConvLSTM模型的预测准确率为98.65%,在均方根误差、平均绝对误差、绝对误差百分比方面均优于ARIMA模型、ConvLSTM模型和CNN-LSTM并行组合模型.