基于SVM和归一化技术的音视频特征融合身份识别

针对噪声环境下人脸识别率和说话人识别率低的问题,在研究特征层融合的基础上,结合归一化技术和SVM理论,提出了一种融合人脸和语音的多生物特征识别模型。首先采用离散余弦变换和局部保持投影算法提取人脸特征及SVM方法提取语音特征,在特征层进行融合得到融合特征后,计算测试身份与模板间的距离,为了减少计算量和提高识别性能,对匹配距离进行归一化处理,最后输入到SVM进行识别。仿真结果表明,在噪声环境下,当信噪比降低时,融合识别率要明显高于单个系统的识别率,达到了身份识别的目的。     

基于CBAM-ResNet和多域特征融合的配电网故障选线方法

传统配电网故障选线模型大多采用零序电流时频特征作为选线判据，单一信息域特征无法全面反映故障信息差异、适用范围存在局限性。为了提高模型复杂工况下选线准确率，提出一种基于卷积注意力机制优化双分支残差网络(CBAM-ResNet)和多域特征融合的配电网故障选线方法。首先，利用变分模态分解-希尔伯特变换和格拉姆角场将采集的零序电流信号分别映射为二维时频域和空间域图像，构建能够全面的反映故障信息的多域图像训练集；其次，通过CBAM-ResNet网络深层次挖掘并融合多域特征信息，卷积注意力机制能对多域特征的重要性进行区分，加快网络训练速度，提高分类准确性；最后，将融合特征输入全连接层实现对配电网故障线路的选取。仿真结果表明，该方法相比传统选线方法具有更高的选线精度和噪声鲁棒性。     

基于多特征评估与XGBoost的高压断路器故障诊断

高压断路器是电力系统中的关键设备,其可靠运行是维护电网安全的重要保障。在智能电网的建设下,高压断路器的故障诊断研究受到广泛关注。文中研究了高压断路器不同工况下的机械振动信号,并提出一种基于多特征评估与XGBoost的故障诊断模型。从时域、频域以及时频域提取振动信号的多维特征量,采用融合特征重要性的方法并结合XGBoost模型对多维特征评估筛选,剔除冗余特征量,同时采用贝叶斯优化算法对XGBoost模型中的参数进行优化,提高了分类的准确率。结果表明,基于多特征评估与XGBoost的诊断方法准确率较高,能够有效实现对高压断路器机械振动信号的准确分类。     

基于 A-DResUnet 的语音增强方法

为了更精确地从语谱图中提取特征信息,提出了一种基于A-DResUnet的语音增强方法。A-DResUnet模型在ResUnet模型的基础上融合了空洞卷积,提升捕获语音上下文信息的能力;同时在编码器中加入卷积注意力模块(CBAM),提高对噪声谱图特征的关注。实验结果表明,与模型输出目标为干净语音语谱图相比,用噪声谱图作为模型输出目标时,该模型对未知噪声具有更强的分离能力;相较ResUnet模型,提出的A-DResUnet模型减少了语音细节信息的损失;对比基于DNN、GAN的语音增强方法,PESQ平均提升了22.81%、33.11%,STOI平均提升了9.62%、15.33%,为复杂环境下的语音增强提供了一种更有效的方法。     

联合频谱映射与掩蔽估计的协作式语音增强方法

为提高目前基于掩蔽与基于频谱映射的语音增强方法性能上界以及复杂环境下的泛化能力,提出了一种在联合复频谱 与复掩蔽学习框架下的协作式单通道语音增强方法。 该方法采用编码器-双分支解码器结构,在编解码部分设计了一种交互协 作学习单元(ICU)来监督交互语音信息流,并提供有效的潜在特征空间;中间层则是设计出一种多尺度融合 Transformer,以少 量参数在空间-通道维度上多尺度地提取细节信息后融合输出,同时对语音子频带与全频带信息建模。 在大、小数据集与 115 种噪声环境下进行实验,结果表明该方法仅以 0. 57 M 的参数量,取得比大部分先进且相关方法更优的主、客观指标,具有良好 的鲁棒性与有效性。     

基于多特征融合的GIS局部放电状态检测方法

为了优化GIS局部放电状态检测效果,提高检测率,引入多特征融合方法原理,开展了基于多特征融合的GIS局部放电状态检测方法研究。首先,需要采集GIS设备的局部放电数据并对其进行预处理,为后续放电状态检测提供有力的数据支持。其次,提取GIS局部放电特征,包括时域特征与频域特征。在此基础上,融合提取到的时域特征和频域特征,根据融合处理后的GIS局部放电特征,检测GIS局部放电状态。实验结果表明,提出的方法应用后,4种不同类型的局部放电绝缘故障模型的放电状态检测率均达到了98%以上,能够更好地捕捉到GIS设备的局部放电特征,从而更准确地判断其放电状态。     

复杂声学环境下语音空调语音降噪方法研究及应用

通过研究语音空调在复杂声学环境下的回声消除和混响消除方法,以此来解决远场语音空调识别率低及鲁棒性较差的问题.采用频域分块自适应滤波方法进行回声消除,对大混响环境优化收敛速度,设计基于时频掩码多通道线性预测方法来自适应降噪.首先使用深度学习技术来构建信号时频掩码模型,然后采用多通道线性预测自适应晚期混响抑制技术,结合掩码模型获取时频掩码信息,快速有效地抑制掉信号中混响成分,最后采用基于瞬态数据与特征值分解的空域滤波技术,结合掩码信息,准确估计多维空域信号导向矢量与噪声统计量,设计空域滤波器,有效抑制掉噪声干扰,提高识别鲁棒性.     

基于MHA与LSTM的滚动轴承性能退化趋势预测

滚动轴承是机械传动设备的重要组成部件,对其进行性能退化趋势预测是保障设备安全稳定运行的关键。为了提高滚动轴承性能退化趋势预测的准确性,提出一种多头注意力机制（Multi-head-attention, MHA）与长短期记忆网络（long short-term memory, LSTM）相结合的滚动轴承性能退化趋势预测方法。首先构建时域、频域、时频域和威布尔参数的多域特征,并根据综合性能退化指标对多域特征进行筛选。其次,采用注意力机制增强关键特征的权重,并采用PCA进行特征融合,进一步采用LSTM模型预测滚动轴承性能退化趋势。最后,采用NSF I/UCR中心的轴承疲劳寿命实验数据对本文所提出的方法进行验证,并与其他几种模型进行对比分析,表明本文所提出的方法可以更加准确地预测滚动轴承性能退化趋势。     

复杂声学环境下语音空调语音降噪方法研究及应用

通过研究语音空调在复杂声学环境下的回声消除和混响消除方法,以此来解决远场语音空调识别率低及鲁棒性较差的问题.采用频域分块自适应滤波方法进行回声消除,对大混响环境优化收敛速度,设计基于时频掩码多通道线性预测方法来自适应降噪.首先使用深度学习技术来构建信号时频掩码模型,然后采用多通道线性预测自适应晚期混响抑制技术,结合掩码模型获取时频掩码信息,快速有效地抑制掉信号中混响成分,最后采用基于瞬态数据与特征值分解的空域滤波技术,结合掩码信息,准确估计多维空域信号导向矢量与噪声统计量,设计空域滤波器,有效抑制掉噪声干扰,提高识别鲁棒性.     

阻性负载下含分段噪声的间歇性直流电弧阻抗模型

构建准确且能够较为全面地反映出电弧特征的阻抗模型,对于电弧故障定位与检测的研究具有重要意义。针对现有的电弧阻抗模型无法反映出间歇性和完整噪声特性的问题,提出了含分段噪声的间歇性电弧阻抗模型。首先,通过对阻性负载条件下间歇性直流电弧的实验数据进行时频域特征分析,其结果表明时域上电弧阻抗随电流变化且随机性较强,频域上电弧噪声在高、低频段呈现的频谱分布存在差异。然后,提出了具有概率分布规律的阻抗模型以反映电弧在时域上的随机性与间歇性,同时采用分段噪声模型来体现其频域上噪声频谱分布的特点。最后,基于实验数据验证了模型的性能,结果表明所提出的模型能够同时在时域和频域上准确刻画出间歇性电弧的随机特性。     

Research on Rotating Machinery Fault Diagnosis Based on Improved Multi-target Domain Adversarial Network

Aiming at the problems of low efficiency, poor anti-noise and robustness of transfer learning model in intelligent fault diagnosis of rotating machinery, a new method of intelligent fault diagnosis of rotating machinery based on single source and multi-target domain adversarial network model (WDMACN) and Gram Angle Product field (GAPF) was proposed. Firstly, the original one-dimensional vibration signal is preprocessed using GAPF to generate the image data including all time series. Secondly, the residual network is used to extract data features, and the features of the target domain without labels are pseudo-labeled, and the transferable features among the feature extractors are shared through the depth parameter, and the feature extractors of the multi-target domain are updated anatomically to generate the features that the discriminator cannot distinguish. The model t through adversarial domain adaptation, thus achieving fault classification. Finally, a large number of validations were carried out on the bearing data set of Case Western Reserve University (CWRU) and the gear data. The results show that the proposed method can greatly improve the diagnostic efficiency of the model, and has good noise resistance and generalization.     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

基于深度学习融合网络的含噪电能质量扰动识别方法

针对强噪声环境下电能质量扰动识别精度不高的问题,提出一种自适应小波降噪和深度学习相结合的电能质量扰动识别方法。首先,通过改进峰和比分层自适应阈值和能量优化的阈值函数算法对含噪扰动信号进行降噪处理。然后,通过残差神经网络对降噪后的扰动信号进行深层特征提取,在此基础上融入多头注意力机制下的双向长短时记忆网络,建立时序特征依赖关系,构成适用于噪声环境下的扰动识别框架。最后,在不同强度噪声环境下对20类扰动信号进行仿真实验。由仿真结果可知,该方法具有良好的噪声鲁棒性,在不同噪声环境下均有较高的识别正确率。     

基于降噪自动编码器与一维卷积网络的风机故障诊断方法

针对风力发电机在发生不同故障时相应的传感器数据会发生变化的特点,提出了一种基于自动降噪编码器与一维卷积网络的故障诊断模型。通过构建在时序上能同时识别多个特征的一维卷积层,实现对所有传感器时序数据的特征提取,提取的特征在全连接层的作用下,通过合理设置网络结构与参数,实现对故障的准确识别。同时,针对在复杂生产环境中,传感器的数据会含有噪声的情况,提出了基于自动降噪编码器的降噪方法,通过降噪编码器的降噪作用,将噪声信号重构成原始信号,从而提高在噪声环境下的故障识别效果。仿真算例表明,与基于模型的方法和其他基于数据驱动方法……相比,所提出的方法在精度、鲁棒性上都有明显优势……。     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

基于 RA-LSTM 的轴承故障诊断方法

为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表 性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题。 提出基于反向注意力机制( reverse attention mechanism,RA)的特 征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显。 并通过长短期记忆网 络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。 通过实验选取了最优数据截取长度、剪枝超参 数并对信号添加噪声后模型的稳定性进行了验证。 实验结果表明所提出的 RA-LSTM 轴承故障诊断方法具有优异的故障诊断 性能,故障诊断精度能达到 100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。     

基于 FAST 角点和 FREAK 描述符改进的无人机景象匹配算法

在无基准图的无人机返航过程中,实时图和航路点的景象匹配是无人机返航成功的关键。为提高景象匹配的实时性和鲁棒性,提出了基于加速分割检测特征(FAST)角点检测和快速视网膜关键点(FREAK)描述符的无人机景象匹配算法。首先,针对FAST角点检测方法的无尺度不变性、特征点数量冗余的缺点进行了改进;接着,对FREAK二进制描述符进行简化,以提高匹配速度;然后,采用K近邻比值法和RANSAC方法进行特征的初匹配和精匹配,并建立定位模型,从而获得航路点与无人机当前位置的实际距离和方位信息;最后,对算法的各项性能做实验验证。所提出的算法定位方向偏差在1°以内,像面距离偏差稳定在0.6 pixel,运行时间0.43 s,远小于尺度不变特征转换(SIFT)和加速鲁棒特征(SURF)算法的处理时间。在尺度变换和噪声等条件变化的情况下,相比SIFT和SURF等算法,所提算法取得了较好的正确匹配率,具有更好的鲁棒性。实验结果表明所提出的算法鲁棒性好,运算速度快,尤其在视角变换方面表现优秀,更适合无人机视觉辅助导航。     

融合多级注意力机制和信息融合的车型识别

不同车型类间外观特征高度相似，同车型类内外观差异大，这对特征提取网络提出了更高的要求。现有的车型识别方案仅依靠车辆外观特征识别，整体识别准确率不高。为此，首先在主干网络设计了多级注意力机制，提高主干网络对车型特征提取和识别能力；其次根据卡口环境下不同车辆位置车辆外观特征的变化提出了车辆位置和外观特征融合结构，从而提取出融合位置信息的复合图像特征，减小类内特征距离，增强主干网络所提取的特征的表达力和稳健性；最后在分析了难例样本注意力热力图基础上，对难例样本注意力区域进行干预，使网络聚焦于车辆细小差异的局部区域。实验结果表明，本文所提出的车型识别方法整体性能比现有方案有显著提升。