基于多尺度卷积网络的视频压缩算法设计

未压缩的视频体积较大且难以传输,而传统的视频压缩算法则主要通过去除时空冗余信息来实现,但这类算法实时性低、性能较差,难以满足多样的场景需求。针对上述问题,文中使用视频插帧的方法完成了视频压缩,并采用深度光流算法实现中间帧的生成,再通过多尺度卷积网络对相邻帧数据特征加以训练与挖掘。在实验测试中,所设计的视频压缩算法可对视频进行解压缩,且实时性较好。同时,所提算法的PSNR及SSIM指标参数均优于对比算法,在复杂场景下的处理时间也要少于对比算法,这表明该算法具有一定的工程应用价值。     

基于多尺度混合卷积网络的高光谱图像分类

针对高光谱图像数据分布不均匀、空谱特征提取不够充分以及随着网络层数增加而导致的网络退化等问题,提出一种基于多尺度混合卷积网络的高光谱图像分类方法。首先,使用主成分分析对高光谱数据进行降维处理;接着,利用邻域提取将邻域内的像素点作为一个样本,补充相应的空间信息;然后,使用多尺度混合卷积网络对预处理后的样本数据进行特征提取,并加入混合域注意力机制来加强空间和光谱维中有用的信息;最后,使用Softmax分类器对每个像素样本进行类别划分。实验结果表明：将所提出的模型在Indian Pines和Pavia University两个高光谱数据集中进行实验,其总体分类精度、平均分类精度、Kappa系数分别能达到0.987 9、0.983 3、0.986 2和0.999 0、0.996 9、0.998 6。该算法能够更加充分地提取高光谱图像的特征信息,与其他分类方法相比取得了更好的分类效果。     

大型水电厂设备远程状态监测与故障诊断系统的构建

当前,在对水电站的大型设备进行计划检修的过程中存在着一定的弊端,在设备状态检修的过程中,基层的状态监测子系统不能够与电厂层监测系统之间形成良好的信息传输。本文针对该问题提出了构建远程诊断中心的方案,提出了大型设备远程状态监测与故障诊断系统。     

基于无线通讯网的牵张设备状态监控系统研究

文中提出了目前张力架线施工过程中牵张设备通讯指挥系统出现的人员语言表述不清晰、语言不通、他人干扰、信号干扰、多套牵张系统通讯干扰等问题,研究了一种基于无线通讯网的牵张设备状态监控系统。该系统通过将工作信号数字化,实现了替代语音命令及运行状态监控的功能。     

基于多尺度卷积特征融合的癫痫脑电信号识别

脑电信号(electroencephalography,EEG)已成为医生诊断神经系统疾病最 广泛使用的工具,实现癫痫EEG的自动识别对 于癫痫患者的临床诊断和治疗具有重要意义。为了提高癫痫EEG的识别精度,提出了一 种基于多尺 度卷积特征融合的癫痫EEG自动识别模型。首先采用多尺度卷积特征融合方法提取多粒 度数据特征, 实现卷积神经网络(convolutional neural network,CNN)中不同层次的信息互补;然后经过长短期记忆网络(long short-term memory network,LSTM)提取时间 特征,利用 softmax分类器给出最终的识别结果。为了评估提出方法的识别性能,在波恩大学癫痫病研 究中心数据集 中进行实验,并与CNN-LSTM模型、单一的LSTM等模型的识别性能进行了比较,实验结果表 明,提出 方法的识别精度明显高于其余方法, 平均可达到99.19%。该模型能够 有效识别癫痫EEG类别,具有较高的识别性能和临床应用潜力。     

基于网络的远程时统设备监控系统

设计了一套应用于航天靶场内多个时统工作站的远程监控系统。该系统就如何解决现有网络布局基础上对多个时统站的管理维护问题,针对时统设备的功能模块组成特点,提出了建立管道通信方式对设备进行主动查询和轮询的远程监控系统的设计方案。详细阐述了远程监控系统的监控软件和数据通信软件的设计和实现方法。该系统的实现将有效地解决设备分散难以监控的问题,为多个时统站的维护管理提供了一种实用的技术手段。     

基于卷积神经网络的电力通信网络故障诊断

针对电力通信网络故障诊断在噪声条件下性能不佳的问题,提出了一种基于卷积神经网络的故障诊断方法。该方法以卷积神经网络为基本架构,基于Inception模块设计了多尺度特征提取架构,实现故障信息的最大化提取;引入注意力机制,提升特征提取的针对性;构建了含有跳跃连接的卷积结构,有效利用了前后层数据的相关性。实验结果表明,该方法能够有效实现电力通信网络故障诊断,具有较好的抗噪声,且诊断结果稳定性较高。     

手机智能终端的实验室设备状态远程监测

为提高实验室设备状态远程监测效率,提出手机智能终端的实验室设备状态远程监测方法.通过振动仪采集设备振动信号,经小波包变换去噪处理后,利用经验模态分解提取振动信号特征,经信号特征匹配识别出设备运行状态,将设备运行状态传输至手机智能客户端,实验室管理员可通过手机智能终端界面远程查看监测结果.实验结果表明,该方法的监测精度高...     

基于远程诊断和状态监测的设备管理系统研究

提出了基于远程诊断和状态监测(RDCM)的设备综合管理信息系统(PIMS)的总体方案和体系结构，建立了系统的功能模型和信息模型，讨论了系统的一些关键技术，并给出了系统的具体配置。     

基于多尺度一维卷积神经网络的入侵检测模型

随着信息技术的快速发展,网络安全问题日益严峻,入侵检测成为保护网络系统的关键任务之一。为了获得更好的网络流量特征,提出了一种基于多尺度一维卷积神经网络的入侵检测模型。首先,利用一维卷积块提取数据的原始特征;然后,采用三种不同尺度的一维卷积对网络入侵数据分别提取特征;最后,将不同尺度的特征融合,以构建出网络入侵检测模型。文中所提方法在两个公开的网络入侵检测数据集上进行了实验验证,结果表明,基于多尺度一维卷积神经网络融合的特征向量包含更加丰富网络流量特征,能够有效提高入侵的性能。     

基于PXI总线的远程监测系统

针对转子实验台，研制开发了一套基于PXI总线和网络TCP／IP协议的远程监测系统。该系统打破了在同一地点进行数据采集、分析和显示的传统模式，而且有着良好的可移植性、稳定性和安全性。实验结果表明，达到了预期的设计目标，具有在大型企业良好的推广应用前景。     

基于多尺度偶数卷积注意力U-Net的医学图像分割

为了提高U-Net网络性能的同时尽可能减少额外计算量,本文提出了一种新的多尺度偶数卷积注意力UNet(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络。该网络在编码端采用2×2偶数卷积代替3×3卷积进行特征提取,并借鉴多尺度思想,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销,同时还采用对称填充解决偶数卷积提取信息过程中产生的偏移问题。此外,在2×2偶数卷积模块后加入卷积注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。最后,在两个医学图像数据集上进行仿真实验,实验结果表明提出的MECAU-Net网络相对于U-Net在稍微增加计算成本的情况下,分割性能得到了较大的提升,并比其他对比网络取得更好的分割性能的同时还降低了参数量。     

基于多尺度编解码器网络的运动图像盲去模糊

为避免因模糊核估计不准确而使得复原后的图像易造成欠去模糊或过度去模糊等问题,提出了一种基于多尺度编解码器网络去模糊模型.首先,在传统的编解码器网络中加入跳跃连接和多尺度循环连接,结合各层图像特征信息的同时使网络训练得更加稳定.其次,将提出的编解码器网络与改进的嵌套残差网络结合,采用由"粗"到"精"的方法进一步提取不同尺...     

IPv6远程监控网络下无状态通信数据的多尺度离群点挖掘算法

为了准确挖掘离群点,降低离群点对通信数据造成的影响,对IPv6远程监控网络无状态通信数据多尺度离群点挖掘算法进行了研究。通过IPv6远程监控网络获得无状态通信数据,依据提取的无状态通信数据的季节性、趋势性和自相似性特征,运用傅里叶变换将无状态通信数据分为两类。再用K均值法对两类分别进行聚类,确定无状态通信数据的邻域,将其作为基础。采用卷积神经网络对无状态通信数据进行离群点挖掘,初始化卷积神经网络;根据卷积神经网络输出值,判别该网络是否符合停止条件,反复重复卷积神经网络的运算步骤,挖掘全部离群点,实现无状态通信数据多尺度离群点挖掘。实验结果表明,无状态通信数据类别的个数越少,挖掘效率越高;所提方法能准确挖掘IPv6远程监控网络无状态通信数据多尺度离群点的个数,准确分析离群原因。     

多尺度卷积神经网络的噪声模糊图像盲复原

图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像,传统盲去卷积算法采用简化模型估计模糊核,导致预测模糊核与真实值误差较大,最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型,采用端到端模式,无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN （WGAN）,增加了一层输入限制层,能够限定参数初始值,提高了网络收敛速度。设计了多重损失函数,融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明:所提方法在定量和定性评价指标上优于已有的代表性方法,并且运行速度比相近算法快了4倍。     

基于多尺度卷积神经网络的高光谱图像分类算法

为了提高高光谱图像的分类精度,提出了一种基于多尺度卷积神经网络的高光谱图像分类算法.首先,利用等距特征映射算法处理高光谱数据,以挖掘数据的非线性特性,保持数据点的内在几何性质;然后,构建以标记像元为中心的训练图像块,训练多尺度卷积神经网络;最后,利用softmax分类器预测测试像元的标签.提出的方法在Indian Pines、University of Pavia和Salinas scene高光谱遥感数据集上进行分类实验,并与CNN、R-PCA CNN、CNN-PPF、CD-CNN等算法进行性能比较.实验结果表明,在3个数据集上提出的方法的总体识别精度分别达到98.51％、98.64％和99.39％,与CNN算法相比分别提高了约8.35％、6.37％和7.81％.本文提出的方法无论是在分类精度还是Kappa系数上都优于另外4种方法,是一种较好的高光谱遥感数据分类方法.     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。