改进孪生神经网络的控制图模式识别方法

深度学习在控制图模式识别的运用上,易受控制图样本量和控制图质量特征数据点数的影响,针对这个问题,本文提出基于感知器-卷积神经网络的孪生神经网络(Perceptron-Convolutional Siamese Neural Network,PCSNN)模型,该模型先使用两层感知器将控制图原始数据映射到高维空间,再通过一...     

基于Bi-LSTM和图注意力网络的多标签文本分类算法

针对当前大多数分类算法忽略标签之间相关性的问题,提出一种基于双向长短时记忆(Bi-LSTM)网络和图注意力网络(Graph Attention Network, GAT)的多标签文本分类算法。使用词嵌入工具对文本序列和标签中的词向量进行预处理后的文本序列和标签分别输入到Bi-LSTM网络和GAT网络中;提取文本序列的上下文信息和全局特征,以及GAT网络捕获标签之间的相关性;将特征向量和标签相关性进行组合对标签文本分类任务进行预测。实验结果表明,所提算法通过有效关注标签之间的相关性使得文本分类任务的精度得以明显提高,在多个评估指标的测试结果优于其他对比方法。     

基于Simulink仿真的质量控制图不确定异常模式识别

当控制图上出现点子临界、点子数接近判异规则规定的数目或多种异常模式并发时,控制图呈现不确定异常状态,常规的方法无法正确完成异常识别。针对趋势模式与周期模式并发的情况,提出了应用小波分解原始信号,选用相应系数重构不同频率的异常信号,并对重构信号进行拟合,以拟合度作为异常模式的特征数,作为模式发生度隶属函数的输入,获取控制图不确定异常模式的发生度,最后在Matlab/Simulink环境下,建立了上述方案的仿真模型,并以具体的应用实例验证了方案的可行性。     

基于PSO优化Bi-LSTM的交通流量预测

针对城市交通流量强随机性的问题,为克服非线性和时变特点的影响,提出了基于粒子群（PSO）优化双向长短时记忆网络（Bi-LSTM）的交通流量预测模型,达到城市交通流量高精度预测效果。首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过对比实验分析,验证了该交通流量预测模型具有更优的性能。     

基于Bi-LSTM和多通道注意力的电网施工中违章量预测方法

针对配电网施工中违章现象频发导致监管工作中出现的频繁调度问题，提出一种基于双向长短时记忆（Bi-LSTM）和多通道注意力机制的电网施工作业违章量预测方法。首先，通过Word-Embedding将文本转换为词向量；其次，通过Bi-LSTM网络来捕捉违章数量影响因素的浅层语义和时序特征；最后，设计多通道注意力机制，通过多组权重向量来学习多个影响因素以及各因素之间的复杂关系，从而提高模型的特征学习能力。以云南地区真实数据为算例开展实验，所提模型在一天预测中的平均绝对百分比误差（MAPE）与均方根误差（RMSE）两个指标分别达到了2.58%和5.2，从而验证了模型在预测精度和算法鲁棒性方面的优越性。该方法不依赖于任何具体情境，在实际工况环境中具有较好的推广价值。     

基于概率神经网络的控制图模式识别

近年来,人工神经网络被广泛应用于复杂过程质量异常的监控中.文献表明人工神经网络方法存在结构选择困难的问题,其解决主要通过研究人员的经验,耗时多且识别率低.本文提出使用概率神经网络来识别六类典型控制图模式,以改进神经网络识别器的设计效率.研究和仿真试验结果表明,概率神经网络不仅拓扑结构设计简单,而且识别率高.     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络(Bi-LSTM)及全连接神经网络(FC)的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。     

基于支持向量机的控制图模式识别

为了提高控制图模式识别效果，提出混合核函数支持向量机的模式识别方法。在模型构造中采用一对一多类分类支持向量机，并利用遗传算法优化混合核函数支持向量机参数。仿真和应用结果表明，混合核函数支持向量机对各种模式控制图的总体识别率，I型错判均优于单独核函数、概率神经网络和小波概率神经网络，且具有良好的泛化能力，适合生产现场实时在线工序质量控制。     

基于Bi-LSTM的人机语音交互

人的语音具有一定的上下文相关性,传统语音识别模型对历史信息记忆能力不足,无法充分学习语音序列的相关性.根据人对机器人控制的语音特点,设计了一种基于双向长短时记忆(Bi-LSTM)网络的控制机器人的语音识别模型,并在自己制作的语音库中训练,优化了模型参数.实验结果表明:远端控制命令通过语音识别模型转化为控制命令,传送到机...     

基于遗传优化的PCA-SVM控制图模式识别

针对SVM和PCA-SVM进行质量控制图模式识别时泛化能力不足和识别精度不高的问题,提出一种基于遗传优化的PCA-SVM控制图模式识别方法。该方法的基本思想是首先基于特征子空间降维方法,运用PCA算法对原始特征样本进行主元分析,有效降低原始特征样本维数并突出聚类,提取各模式之间的主元特征;然后把此特征看成遗传算法中一组染色体,对支持向量机分类器核参数和惩罚因子进行二进制编码,通过对随机产生的一组染色体进行模式识别,并将此识别率作为遗传算法的适应度函数,通过选择、交叉和变异操作,对其参数进行自适应寻优;最后用优化的支持向量机分类器进行控制图模式识别。通过仿真进行验证,结果显示基于遗传优化的PCA-SVM分类器模型的控制图模式泛化能力强、识别精度高,可适用于生产现场质量控制。     

基于堆叠双向LSTM的雷达目标识别方法

现阶段雷达目标检测识别主要依赖人工算法提取目标的特征,难点在于环境自适应能力弱,高强度杂波背景下难以有效检测到目标;针对上述问题,结合深度学习在图像识别等领域表现出的强大的学习表示能力,提出基于堆叠双向长短期记忆网络的雷达目标识别方法;网络模型以雷达多普勒维的回波数据构建数据集,采用双向LSTM提取雷达回波数据在时间序列上的正向和逆向信息,通过RMSProp优化算法对神经网络参数迭代训练,实现了对无人机这种低空慢速小目标的有效识别;实验结果表明,基于堆叠双向LSTM的雷达目标识别方法优于传统的SVM分类算法和卷积神经网络分类算法.     

基于双向LSTM网络的流式文档结构识别

流式文档结构识别对于排版格式自动优化和信息提取等具有重要作用。基于规则的结构识别方法泛化能力较差,而基于机器学习的方法未考虑文档单元之间的长距离依赖关系,识别准确率较低。针对该问题,提出一种基于双向长短期时间记忆(LSTM)网络的流式文档结构识别方法。从文档单元的格式、内容与语义3个方面筛选关键特征,并将文档结构识别看作序列标注问题,使用双向LSTM神经网络构建识别模型,以实现对18种逻辑标签的识别。实验结果表明,该方法能够对文档结构进行有效识别,其识别效果优于方正飞翔软件。     

基于控制图算法的质量自动控制

对控制图原理进行研究，采用计算机实现统计量的计算和控制状态的判断，并与生产线上的自动检测设备、调节设备连接，实现质量自动控制的目的。避免手工绘制控制图的繁琐。     

结合CNN与双向LSTM的心律失常分类

心律失常是心血管疾病中常见的病症之一,实现心律失常的自动分类对心血管疾病的诊治具有重要意义.基于一维心电信号的心律失常分类方法以若干节拍作为输入,通过模型提取特征并用于分类.针对现有方法预处理时间成本高以及未按医疗仪器促进协会(AAMI)标准分类等问题,提出了一种基于原始一维心电信号并按照AAMI推荐标准类别进行心律失常自动分类的方法.该方法首先利用卷积神经网络(CNN)学习心电信号的形态特征,之后通过双向长短期记忆网络(BLSTM)获取特征中的上下文依赖关系,最后借助softmax函数完成分类任务.方法采用mish函数作为激活函数,使得模型在训练中更为稳定.在公开数据库MIT-BIH上进行五折交叉验证,评估结果达到了99.11％的平均准确率,表明该模型可以有效地提取心电信号的特征,适用于监测系统中心律失常疾病的诊断.     

基于控制图算法的质量自动控制

对控制图原理进行研究,采用计算机实现统计量的计算和控制状态的判断,并与生产线上的自动检测设备、调节设备连接,实现质量自动控制的目的,避免手工绘制控制图的繁琐。     

基于图象识别的浮选控制系统

研究了通过提取煤浮选泡沫层图象的特征量 ,建立数学模型预测精煤泡沫的灰份和浓度 ;将泡沫图象按结构进行分类 ,利用泡沫结构特征识别的LVQ神经网络模型建立浮选控制系统。     

基于LSTM神经网络的管道缺陷模式识别方法研究

针对复杂环境下,管道振动信号特征微弱难以提取的问题,提出一种基于长短时记忆网络(LSTM)深度学习神经网络的管道缺陷模式识别方法;首先利用改进型自适应噪声的完全集合经验模态分解(ICEEMDAN)对采集的原始信号进行分解得到若干个固有模态函数(IMF)分量,随后根据信息熵理论计算IMF分量的近似熵作为管道典型状态的特征值构造特征向量集合,然后构造LSTM深度学习神经网络训练模型并调节深度神经网络在训练过程中的相关参数进行网络的结构优化,最后将特征向量输入到LSTM神经网络模型进行训练和识别;结果表明:针对管道振动信号特征微弱难以提取的问题,该方法对管道缺陷模式识别的准确率达到了95％,在消除管道振动信号的背景噪声、挖掘特征信息和保证识别准确性方面优势明显.     

基于Time-aware LSTM双向自动编码器的患者疾病分型

医学领域中, 患有相同疾病的患者之间也存在差异性, 看似简单的疾病也可能表现出不同程度的复杂性, 这给患者的识别、治疗和预后都带来巨大挑战. 本文使用以纵向非结构化时序存储的电子病历来解决患者异质性, 通过抓住就诊时间间隔不规律的特点增强对于隐藏信息的获取, 经过前向和后向的双向学习捕捉当前就诊记录与过去和未来信息的联系, 加深对于原序列特征提取的层次, 使模型做出更为精准的决策. 本文提出的BT-DST模型使用time-aware LSTM单元构造双向自动编码器学习患者强大的单一表示, 然后将其用于患者聚类, 通过统计分析得到患者针对当前疾病的亚型分型, 可针对不同群体采用不同类型的治疗干预, 为不同类患者提供针对其健康状况的精准医疗.     

基于双向LSTM和两阶段方法的触发词识别

生物事件抽取是生物文本挖掘领域的一个重要分支,而触发词识别作为事件抽取的重要子过程,已经吸引了众多的关注。现有的触发词识别方法多为浅层的一阶段方法,训练代价较大,且需要丰富的领域知识抽取大量特征,人工成本较高。因此,该文提出了一种基于两阶段和双向LSTM神经网络的触发词识别方法。首先,将触发词识别分为识别和分类两个阶段,有效地缓解了训练过程中存在的类不平衡问题;其次,在两个阶段中均采用目前性能较好的双向LSTM神经网络来完成二分类任务和多分类任务,避免了浅层机器学习方法抽取人工特征时的代价。此外,利用PubMed数据库下载大规模语料训练带有依存关系的词向量,获得了更加丰富的语义信息,从而有效地提高了触发词的识别性能。该文方法在生物事件抽取通用语料MLEE上已获得目前最好抽取性能,F值为78.46%。