多工况下基于EEMD-ICNN的输油管道泄漏识别

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。     

基于VMD-WOA-ELM的电缆外力破坏振动信号在线识别

保障电力电缆的安全运行是建设新型智能电力系统的基础，为实现对外力破坏事件的数字化预警，提出基于VMD-WOA-ELM的外力破坏振动信号在线识别方法。首先，利用VMD将采集到的异常振动信号分解为若干本征模量函数分量(IMF),然后提取各IMF分量的时、频域特征值组成特征向量，最后采用极限学习机(ELM)进行振动信号类型识别，为解决ELM模型随机性选取初始权值和阈值导致的分类稳定性较差的问题，将鲸鱼优化算法(WOA)应用于ELM的参数寻优，从而获得最优分类模型。将该方法应用于施工振动信号类型识别实验，分别采集四种典型外破事件的振动信号各100组，将其中80%作为训练集，20%作为测试集检验算法的识别性能，并与传统ELM、PSO-ELM、GA-ELM进行了对比。结果表明：在相同计算机运行条件下，WOA-ELM对外破振动信号的分类准确度达98.75%,相比传统ELM识别精度提高了5%,且整体运行时间仅为4.10 s。与另外两种算法相比，该算法识别精度最高、收敛速度最快，具有最优综合性能。     

基于WiFi信号的老年人家居行为识别算法

针对老年人家居行为识别中的隐私保护、跌倒检测和识别率低的问题，本文提出了一种新的基于WiFi信号的人体行为识别算法。首先，在模拟家居环境中自主采集了10种老年人日常行为(喝水、跌倒、坐-躺下等);然后对提取到的WiFi信道状态信息用巴特沃斯滤波器降噪，并使用主成分分析方法数据降维；最后将处理后有清晰特征的CSI信号输入到基于注意力的双向长短时记忆模型用于行为分类，高效的双向结构和注意力机制不仅产生了信息更丰富的特征，还提高了行为识别的泛化性能。实验结果表明，与一些基准方法相比，本文算法在公共数据集和自主采集的数据集上都能实现对所有行为的最佳识别性能，准确率分别为98%和96%。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于机器学习的网络流量特征选择

互联网技术水平不断提高的同时,也带来了日益复杂的网络安全问题,传统地利用端口检测和深度包检测等流量识别技术已经难以应对当下日趋复杂的网络环境.伴随着机器学习理论的成熟,机器学习方法已经成功的应用于图像识别、声音辨别、医疗等各个领域,机器学习使用计算机模拟人类的活动,通过学习现有的知识,建立有效的学习模型,进一步对未知的数据进行预测或者分类.将机器学习方法应用在网络流量识别领域,首先对网络流量识别的研究现状和机器学习作了相关的介绍,其次基于3种机器学习分类算法,对比分析了不同特征选择算法对网络流量识别准确率的影响,提出了改进的特征选择算法,并经过实验验证了改进后特征选择算法的有效性.     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

基于一维CNN的时域超声信号识别技术研究

超声检测缺陷是一种主流的缺陷识别手段,二维卷积神经网络一直是该领域的主要技术,一般从二维C扫、D扫等图像中提取属性特征来进行识别分类,这些研究主要采用二维卷积层,会产生较大的资源消耗。在所有类型的缺陷识别方法中,超声回波信号分析是最主要和有用的工具之一,本研究从原始时域超声信号中提取特征,首先使用来自实验室的JPR-600C空气耦合超声波无损检测系统采集数据;然后通过使用不同的超参数进行实验、t-sne可视化等手段构建并优化一维CNN网络模型;最后实现超声信号缺陷识别分类。实验结果表明,所提出的CNN模型的性能令人满意,缺陷识别准确率为97.57%,高于其他机器学习方法,为实现缺陷识别自动化的需要提供辅助。     

基于 FCN 的阀门内泄漏声发射信号识别方法

针对石化工业中输气管道阀门的内泄漏故障,将声发射检测技术与深度学习技术相结合,提出了一种基于全卷积神经 网络(FCN)的阀门内泄漏声发射信号识别方法。 该方法利用声发射技术采集阀门内泄漏的声发射信号,基于 FCN 搭建阀门内 泄漏分类诊断模型,充分发挥了声发射技术在阀门内泄漏检测领域的优越性,以及 FCN 在时间序列分类任务上的高性能。 该 方法相较于传统的识别方法,无需对原始采集数据进行特征提取或繁重复杂的预处理,而是将特征提取的任务也交于神经网络 模型来学习和完成,可实现端到端的阀门内泄漏声发射信号分类识别。 搭建阀门内泄漏检测实验平台,采集并制作阀门内泄漏 声发射信号数据集,建立了基于 FCN 的阀门内泄漏声发射信号的二分类模型,实验结果表明,该模型的分类识别准确率可达 98. 72%,相比较于其他先进的分类模型在数据集上表现出了更加优越的分类识别性能和训练效率,同时对环境噪声具有良好 的抗干扰性能。     

基于多特征融合的卷积神经网络的电能质量扰动识别方法

电能质量扰动的识别是电力系统故障预警与识别的重要手段。电网中,变压器系统存在的电能质量扰动通常为叠加扰动波形。为提高扰动智能识别框架的准确度,提出了一种基于多特征融合卷积神经网络（multi feature convolution neural network,MFCNN）的电能质量扰动的识别模型。提出的MFCNN模型具有2个子模型,将原始的时域数据和经过快速傅里叶变换（fast Fourier transform,FFT）所得频域数据分别作为2个子模型的输入,通过对时域、频域信息的特征融合来实现复杂扰动信号的识别;利用多组电能质量叠加扰动数据,训练传统机器学习模型和MFCNN模型,对比不同模型对电能质量扰动识别的准确率,验证MFCNN模型的有效性。实验结果表明,MFCNN模型对于7种扰动信号的识别准确率均可达到91.6%以上,其中,谐波和陷波叠加扰动信号的准确率为92.9%,具有更强的识别能力。     

基于一维多尺度深度残差网络的电能质量扰动分类

针对传统电能质量扰动识别和分类方法存在分类准确率低、泛化能力差、鲁棒性弱的问题,提出了一种基于深度学习的一维多尺度深度残差网络(1D-MDR)对电能质量扰动进行识别分类的方法。该方法首先引入多尺度熵对扰动信号进行预处理,有效地表征扰动信号的多尺度特征;然后将多尺度特征信号输入到基于自适应软阈值的深度残差网络中,对多尺度电能质量扰动信号进行特征提取并融合;最后,利用全连接网络实现电能质量扰动信号的分类。仿真实验表明,提出的方法能够自动、准确地进行特征提取,并进行有效的识别分类。通过对比实验,证明该方法具有更高的准确率。     

基于多重分形谱及支持向量机的水电机组轴系故障识别

针对水电机组轴系振动故障诊断,提出多重分形谱和支持向量机相结合的故障分类识别方法。该方法首先利用多重分形谱算法提取振动信号的特征数据,然后将该特征数据作为支持向量机的输入向量来实现故障的分类识别。实验数据表明,该方法能比较准确地识别轴系常见故障,为水电机组轴系故障智能识别提供了一种新的思路。     

基于FPGA加速的行为识别算法研究

为提高行为识别算法的实时性,适用于资源有限的嵌入式设备,提出了一种行为识别算法硬件加速方法,并在FPGA平台实现。传统的基于可穿戴传感器的行为识别算法需要严格标记的数据进行训练分类,但传感器序列的标注过程消耗大量的人力和计算资源,针对该问题,在传统的卷积神经网络模型中引入注意力机制,用于基于弱标签数据的行为识别。算法中的卷积、池化和注意力机制等计算模块使用高层次综合设计。针对模型的运算特性,通过流水线约束、多像素多通道并行计算和数据定点化等方法,提升运算速度。在Ultra96_V2平台上使用弱标签数据集进行实验,实验结果表明：所设计的行为识别系统识别准确率达到了90%的同时,计算速度达到25.89frams/s,相较于ARM_A53处理器实现了54.15倍的加速效果。系统的平均功耗为2.204W,功耗效率为11.75 frames/J,满足了低功耗、低延时设计要求。     

久坐人群无器械训练动作识别与计数算法研究

针对久坐人群长期缺乏运动导致身体呈现亚健康状态和现有训练方法缺乏监督性的现状,提出一种人体动作识别与计数方法实现4种无器械训练动作精准识别与计数.以手机摄像头捕获训练者的视频信息作为输入,通过BlazePose网络模型处理得到的人体骨骼点数据经过数据滤波处理、特征提取后,利用3种常见的机器学习算法进行动作分类,将分类的...     

基于聚类加权随机森林的非侵入式负荷识别

非侵入式负荷识别是实现用能管理的重要监测手段,而随机森林因其良好的泛化能力和鲁棒性应用于负荷识别领域。针对传统随机森林算法忽略决策树分类能力的差异、投票不公平的问题,提出了一种基于层次聚类的加权随机森林算法。首先,提取各类负荷开关状态下负荷特征量,建立特征数据库用于训练原始随机森林模型。然后,利用有功功率差检测总线信号中的开关事件,并提取负荷特征量作为验证集和测试集;验证集采用层次聚类选择法获得每个聚类中分类精度最高的决策树,测试集采用加权投票策略实现负荷识别。通过实验验证,说明相比于传统的机器学习算法,该算法可以实现更高的识别精度,准确率可达96.2%。     

基于小波支持向量机的数字通信信号调制识别

通信信号自动调制识别在电子战、电子侦察中起着重要的作用。通信信号调制识别的任务是确定信号的调制类型和参数。支持向量机是一种新的通用机器学习方法,这种方法被广泛地应用在模式识别、回归估计和概率密度函数估计中。本文在详细分析了数字调制信号的特点以及小波变换提取瞬态特征原理的基础上,提出了一种利用小波变换支持向量机对数字调制信号进行识别的新方法。该方法通过小波变换将输入向量映射到一个高维特征空间,在这个特征空间内,通过构建最优分类面,即可以用支持向量机对数字调制信号进行分类。计算机仿真结果验证了该方法在不同信噪比条件下具有良好的性能。     

基于多维度特征提取的电弧故障检测方法

针对当前含多种电气故障的复杂电路电弧故障识别率低、训练速度慢的问题,提出一种窗口划分结合小波分解与经验模态分解(empirical mode decomposition,EMD)分别从时域、频域及时间尺度等多个维度提取电流特征量,利用机器学习分类模型进行电弧故障识别的方法.首先,利用搭建的电气故障实验平台采集故障及正常电流数据,并将电流数据进行窗口分段,然后分别使用小波变换与EMD方法对电流信号进行分解并计算不同维度上的特征量,将该特征信息作为分类算法的输入进行电弧故障诊断.经实验验证,该特征提取方法在梯度提升决策树(gradient boosting decision tree,GBDT)上的电弧故障检测准确率高达98％,相比电流不分段的方式分类准确率提升了1.87％,能有效获取电弧故障特征,实现对电弧故障高效率与高准确率检测.     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

基于关键帧定位的人体异常行为识别

近年来,基于视频的人体异常行为识别算法取得了一定的研究成果,但由于监控视频中存储的数据量庞大且视频时间跨度较长,在进行长视频或多行人异常动作检测与识别时,现有的识别方法并不适用。为此,提出了一种基于关键帧定位的人体异常行为识别模型,首先,通过基于标准化流和注意力增强时空图卷积的关键帧定位网络学习正常帧的概率分布,筛选和提取出长视频中的异常帧（关键帧）序列,并将其作为后续网络模型的输入。然后,为了更好地捕捉人体姿势的运动特征和异常情况,提出一种融合注意力和增强残差的时空图卷积异常行为识别算法,将关键帧序列输入到该模型网络中以实现对监控视频中的人体异常行为的高效准确识别。使用公开数据集和自建数据集对该方法的有效性进行验证,实验结果表明,在公开数据集ShanghaiTech Campus上人体异常行为识别的TOP-1准确率达到82.86%,TOP-5准确率达到98.10%,该方法可以更好的完成监控视频中的人体异常行为识别。     

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。     

结合深度学习和随机森林的电力设备图像识别

为了解决电力系统海量非结构化图像数据智能化分析和识别这一问题,提出了一种结合深度学习和随机森林的电力系统关键电力设备图像识别方法。在特征提取方面,通过卷积神经网络提取了电力设备图像的特征;在识别算法方面,借鉴传统机器学习方法的优势,提出了结合深度学习的随机森林分类方法。使用8 500幅电力设备图像对该方法进行了测试。研究结果表明:对于绝缘子、变压器、断路器、输电线电杆和输电线铁塔这5种电力设备,该方法的平均识别准确率达到了89.6%,比常规卷积神经网络分类器和传统随机森林分类器的平均识别准确率分别高出了6.8%和12.6%。该方法为海量非结构化电力设备图像智能化分析提供了一种新的解决办法。