基于忆阻神经网络的锂电池SOC检测技术研究

锂电池荷电分布状态(SOC)是衡量电动汽车锂电池状态的工作标准之一。在分析SOC检测技术的基础之上,提出了利用BP神经网络技术来构建电池组SOC数据模型的研究思路。并结合实际的仿真数据对BP神经网络进行了有效的改造,从而形成了以忆阻器为神经元突触的神经网络SOC检测体系。仿真结果表明,该方法适应性好,对实际具有良好的指导作用。     

基于忆阻器的混沌电路研究

忆阻器被认为是除电阻、电感、电容外的第四种基本电路元件,是一种有记忆功能的非线性电阻。用simulink软件对其VI特性进行仿真。混沌现象是一种确定性的非线性运动,在非线性控制领域,混沌电路的设计则是混沌技术研究和应用的基础,采用一种新型的非线性元件（忆阻器）对一种典型的产生混沌现象的电路——蔡氏混沌电路进行分析研究,并且与原蔡氏电路波形进行比较,观察其变化。     

忆阻神经网络在智能电网监控系统中的应用

随着能源危机的到来,智能电网技术成为世界各国所关注的重点。而与此同时,智能发电、输电、变配电、用电以及智能调度等各个环节所取得的技术性突破也为智能电网的大规模实现提供了可能。然而,智能电网结构复杂,电气设备分布广泛,应用需求多,这些特点都给电网运行的安全性和可靠性提出了挑战。针对智能电网的安全运行问题,提出了将忆阻器与人工神经网络相结合,构建出基于忆阻神经网络的智能电网运行状态监控系统,从而可以利用忆阻器所具有的记忆功能,节省人工神经网络的权值传输时间,提高神经网络的数据训练效率,保证了监控系统的及时性和有效性。     

基于卷积神经网络的表情不变三维人脸识别

针对三维人脸识别中的表情问题,提出一种基于卷积神经网络的三维人脸识别方法.根据人脸先验知识,构建基于测地线距离的三维人脸特征点模型;利用该模型,提取输入三维人脸的局域Gabor特征和测地线距离特征,进而获得表情不变的人脸表述;将上述特征输入类Lenet-5卷积神经网络,获得最终的识别结果.在Facewarehouse三维人脸数据库上的实验结果表明,该方法的正确识别率达到97.60%,优于几种经典三维人脸识别方法,对表情变化均有较强的稳健性.     

基于注意力机制的CNN人脸表情识别

人脸表情识别在人机交互、情感计算等计算机视觉领域具有十分重要的应用前景.针对人脸表情识别的复杂性、多样性、遮挡性、光照等方面的挑战,提出了一种新的端到端网路,并将注意力力机制应用于表情自动识别.新的网络体系结构由特征提取模块、注意力模块、重构模块和分类模块四部分组成.通过LBP特征提取图像纹理信息,捕捉人脸的微小运动,...     

基于卷积神经网络的生产日期识别

为了提高识别效率并减少人工成本,采用深度学习的方法对生产日期图像进行识别。首先对生产日期图像进行预处理,使用水平投影分割算法并提出一种区域最大值分割的方法将图像中的干扰字符去除,只留下数字、字母和汉字字符。然后创建一个由生产日期图像中常包含的数字、英文、汉字字符所组成的可扩展的数据集。最后构建一个卷积神经网络模型并将数据集送入训练以获得较高的识别准确率。经测试基于卷积神经网络的识别方法对生产日期识别的准确率高达98%。     

基于忆阻器的锂离子电池RC模型混沌特性

以车用锂离子电池为研究对象,建立一阶RC等效电路模型,并以荷控忆阻器、电感及电阻组成的混联电路作为负载,建立动力学数学模型.分析动力学数学模型随等效电路中欧姆内阻(R0)变化的动力学特性,包括时频特征分布、相轨迹图、李雅普诺夫指数图及庞加莱映射图等.当R0∈[0.125 mΩ,0.250 mΩ)时,系统处于双涡卷混沌状态;R0∈[0.250 mΩ,0.300 mΩ)时处于单涡卷混沌状态;R0∈[0.300 mΩ,1.000 mΩ)时处于周期轨道运行状态.随着R0的增加,系统通常经混沌进入倍周期分岔序列,且R0越小,混沌现象越明显.     

大功率忆阻器的实现方法及应用

由于纳米尺度的忆阻器件不能直接用于电路研究,目前仍通过搭建等效电路的方法实现忆阻元件的功能。有别于采用模拟器件的忆阻器等效电路模型,本文提出了几种基于电力电子变换器的大功率忆阻器实现方法,这些方法的共同特点是电路模型的功率等级由功率半导体器件参数决定。接着,本文制作了一台磁控型忆阻器原理样机,仿真和实验结果证明该忆阻器电路模型具有功率调节范围大、忆阻特性易于调整等优点。最后,本文探讨了忆阻器在直流断路器等大功率场合的应用,为拓展忆阻器今后的应用提供了参考。     

基于改进型混沌映射窗函数的忆阻器模型研究

忆阻器被认为是除了电阻,电感,电容外的第四种基本的电路元件,是一种具有记忆功能的非线性电阻。目前,忆阻器原理及其应用是电路学研究的热点和前沿问题之一。本文总结了忆阻器在不同环境下的常见的几种模型,并对模型进行了改进,另外对忆阻器在滤波电路上的应用进行了仿真。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

基于卷积神经网络的LED灯类字体数字识别

针对自然场景下由LED灯组合形成的数字具有易受光照、背景和成像扭曲等因素影响识别困难的特点,提出了一种LED-LeNet卷积网络识别算法。对自采集LED灯类字体数据集按数字进行分类,将图像ROI操作、分辨率调整至32×32和数据增强等预处理后,在LeNe-5网络架构上通过卷积核重构、使用Swish激活函并数引入Dropout正则化等方法改进网络。采用自然场景下采集的交通信号灯倒计时数字图像数据库TST对算法进行了验证,算法识别正确率可达99.52%,识别速度为1 ms。实验结果表明在调整网络结构与卷积核参数并通过改变训练策略后算法识别LED灯类字体具有明显优势。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于直方图加权HCBP的人脸表情识别

针对局部二值模式(Local binary pattern,LBP)及其改进算法所提取的特征维数过长、局部特征描述不够充分的缺点,提出了一种基于直方图加权HCBP(Haar-like centralized binary pattern,HCBP)的人脸表情识别方法。首先将人脸图像分成大小均匀的若干子块,利用HCBP算子提取各子块的纹理特征;然后通过信息熵的计算求得各子图像的权值,将加权子块HCBP特征直方图和原图像的HCBP直方图进行联合作为表情特征;最后,使用最近邻分类器对特征进行分类。Haar型特征与CBP相结合使得本文特征提取算法对局部特征的描述更为充分,信息熵的引入区分了人脸不同部位对表情的贡献程度。通过在JAFFE和Cohn-Kanade人脸表情库的实验证明:本文方法具有更高的识别率和识别效率。     

基于一维卷积神经网络的癫痫发作检测

癫痫是一种最常见的危及生命且具有挑战性的神经系统疾病。癫痫脑电信号复杂多样,人工检测癫痫信号耗时耗力,误判率高,不同的医务人员检测出来的结果也不相同,而且临床的原始脑电数据经常会包含多种噪音和生理伪迹,干扰癫痫检测性能。因此,非常有必要进一步研究高效可靠的癫痫自动检测技术,从而减轻医护人员负担。本文针对来自中国301医院收集的临床原始脑电数据进行分析训练,引入了一种基于一维卷积神经网络具有连续双层卷积结构的模型,可以高效稳定地检测到癫痫信号。结果为灵敏度、特异性、准确率和F1-score分别达到96.8%、99.8%、99.6%和96.1%,而且利用GPU进行模型训练的运行时间比对比模型低2到3倍。结果表明,本文引入的基于一维卷积神经网络模型优于现有方法,在癫痫检测性能上高效稳定,对癫痫的辅助诊断具有重要意义。     

基于卷积神经网络和语义特征的眼型分类

眼睛是人脸特征最重要的构成部分,研究眼睛的特征点定位和形状分类问题,对扩充智能模拟画像系统中的眼睛库起着至关重要的作用。提出一种基于级联卷积神经网络与语义特征的人眼分类方法,采用三级的级联卷积神经网络,检测并由粗略到细致地定位出106个特征点,根据定位眼睛的20个特征点对眼睛进行形状建模并定义3个确定眼型的形状参数,对这3个参数进行分段处理,通过每一区间对应不同的语义描述来达到眼型分类的目的。实验结果表明,此方法定位准确,能达到良好的眼睛分类效果。     

基于SoC的卷积神经网络系统设计

近些年，卷积神经网络（CNN）出色地完成了许多机器视觉任务。但现有的软件实施方案无法很好地在便携式设备中实现，为此设计一种基于Xilinx 全可编程SoC的CNN系统，在固定资源的SoC平台下，只需较少资源即可实现快速的检测系统。系统实现多级流水线和输入数据复用的方法提高计算效率。系统硬件部分实现CNN计算，软件实现图片预处理及图片检测后处理，从而提高运行效率，系统可实现多种卷核的卷积操作，平均值池化，非极大值抑制抑制算法，实现图片中多人脸的准确定位。实验结果表明，在100 MHz的工作频率下，系统的平均计算速率为0.19 Gops/s，功耗仅为通用CPU的4.07%。     

航拍绝缘子卷积神经网络检测及自爆识别研究

无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。绝缘子是输电线路中极其重要且用量庞大的部件,在图像视频中快速准确地检测出绝缘子可为无人机贴近铁塔和输电线路进行细节巡视的测距和避障飞行提供可靠的依据;同时绝缘子为故障多发元件严重威胁电网的安全,需充分利计算机技术对其进行故障诊断。通过搭建卷积神经网络,在由5个卷积池化模块和2个全连接模块组成的经典架构的基础上,对网络进行改进,实现在复杂航拍背景中绝缘子检测。同时在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测,结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模,提出一种针对绝缘子自爆故障的识别算法,取代人工分析,降低由人为经验判断可能造成的误差。经测试,复杂航拍背景下的绝缘子检测精度达90%以上,自爆识别准确率达到85%以上,均满足工程需求,有效提升巡检的效率和智能化水平。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。