卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

卷积神经网络优化算法研究

为了解决卷积神经网络结构复杂,样本训练神经网络时间过长的问题,本文提出了采用分数阶理论优化卷积神经网络中的节点函数,使Sigmoid函数的收敛速度加快,在不影响卷积神经网络进行音频识别的正确率的前提下,减少了训练所需时间,达到提高整个神经网络的训练效率的目的。实验结果表明,在保证正确率的前提下该方法有效的减少了训练所花的时间,并可广泛应用于虚拟人运动控制系统中。     

基于深度卷积生成对抗网络的植物图像识别方法的研究

提出使用深度卷积生成对抗网络进行植物图像识别方法.首先,利用生成式对抗网络生成植物图像样本,然后,利用判别网络中的卷积神经网络来提取图像特征,实现对生成网络产生的样本进行判别,以提升模型对图像数据分布的理解,从而达到了通过构建卷积神经网络对生产样本的质量进行测试的目标.实验结果表明,该方法生成的植物图像能够有效的提高卷积神经网络的识别准确率.     

基于深度学习VGG网络模型的海洋单细胞藻类识别算法

为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速。结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317%。研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别。     

基于残差网络的食物图像识别研究

深度卷积神经网络在图像识别领域有着优异的表现。应用卷积神经网络的一种模型残差网络模型,并进行对其改进,实现一种50层的压缩残差网络模型,进行食物图像识别。使用压缩残差网络模型进行食物图像识别,不仅能够减少训练时间,而且在不降低准确率的前提下可以缩小模型大小。实验数据表明,相对于普通神经网络以及普通的残差网络,使用压缩后的50层残差网络模型能够很好满足食物图像识别的要求。     

基于卷积神经网络的典型雷暴云下地面电场识别研究

雷暴云产生的闪电危害巨大,雷暴发生时其地面电场的特征可应用于关键系统的雷电预警和雷电防护。笔者依据雷暴云偶极子模型,研究典型雷暴云下地面电场的特征,提出基于卷积神经网络(Convolutional Neural Network, CNN)的雷暴云地面电场识别方法。该方法考虑不同天气情况下地面电场的特征,对大量样本数据进行训练和识别,证明了卷积神经网络用于识别雷暴云下地面电场的可行性,划分了基于卷积神经网络识别结果的雷电预警等级。结果表明：所提方法区分各类别电场样本的整体准确率高于93%,通过对典型雷暴云下地面电场特征的学习,实现了雷暴云电荷中心的地理区域识别。所提方法可为局部区域的雷暴云大气电场识别和雷电预警提供思路。     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于卷积神经网络的图像大数据识别

针对现有的图像大数据识别方法具有收敛速度慢和识别精度低的问题,提出了一种基于卷积神经网络的图像大数据识别方法。首先,对传统的卷积网络结合改进的软最大化分类器进行分析,设计了卷积-软最大化分类器模型;对该模型中的卷积层、池化层、全连接层以及分类层均进行了描述。为了验证所提方法的优越性,在MNIST数据集上进行仿真,结果表明:与其它类似算法相比,所提的方法具有更低的误识率,在更短的时间内,能达到更低的分类均方误差。     

基于交叉验证和神经网络融合的医学数据分类

在医学诊断过程中采集到的数据具有低样本数量、少特征的特点,作为神经网络输入会导致网络收敛速度过慢或者陷入局部最优。针对这一问题,在现有神经网络和交叉验证算法的基础上,给出将留一法和神经网络融合的医学数据分类方法。首先对获取到的医学数据进行预处理,然后使用深度学习Keras框架搭建神经网络模型,最后对网络模型训练和预测分析。实验表明,给出的方法能在较少的迭代次数内使网络模型达到收敛,避免陷入局部最优,有效地提升网络模型的拟合程度和稳性,与传统机器学习算法相比有更高的分类准确性。     

基于神经网络的立体钢桁架损伤初步定位研究

本文探讨了用神经网络对立体钢桁架损伤初步定位法。为了使大型复杂结构的损伤识别成为可能,引入了子结构的概念。避免了将结构损伤指标一次性输入网络进行训练时,向量维数太多,导致网络不收敛的现象。用PNN神经网络诊断出损伤杆件所在的子结构;数值仿真证明了这种方法的有效性。     

基于轻量级CNN的电机轴承故障诊断研究

针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法。首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练。使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99%。通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力。     

神经网络方法在变电站消防管理的应用研究

为了提升变电站消防管理科学化水平,实现视频图片火焰特征提取及识别定位。接入视频监控码流数据,构建基于卷积神经网络的火焰识别模型,进行实时识别火焰特征并预警预报。实验表明,该方法能够自动提取火焰特征,有效提高复杂背景下的火焰识别的准确率,具有良好的鲁棒性和泛化能力,在变电站消防管理中有较大应用前景。     

基于深度学习的腹膜腔脱落细胞病理图像识别

针对体液细胞病理诊断自动分类识别的问题,构建一种基于深度卷积神经网络的自动化识别模型(CNN-LS)。首先对图像样本进行灰度级转换、ZCA白化、归一化与标注处理,降低图像特征间的相关性与数据冗余。其次,在CNN-LS模型构建过程中引入改进的激活函数(LReLU-Softplus)用于提高模型的收敛速度和避免可能出现的饱和非线性问题,并通过实验验证获取CNN-LS模型的最佳卷积核数量和尺寸大小。最后将CNN-LS与CS+SVM,PCA+QSOFM,ANN,CNN这4种分类方法做性能对比。实验表明CNN-LS模型在针对腹膜腔脱落细胞病理图像的癌细胞分类识别过程中具有较明显的优势。     

基于卷积神经网络的手写数字识别研究

随着科技的不断发展,卷积神经网络被广泛应用于各个领域之中,研究热点之一就是手写数字的识别。文章基于深度学习卷积神经网络,用MNIST数据集作为训练集和测试集,同时对卷积神经网络中的卷积层、池化层和全连接层以及激活函数进行介绍,并在Python的环境下输入手写数字图片,然后通过卷积神经网络经典模型运用到所提供的数据集进行效果识别,将卷积神经网络数据集进行训练,在训练好的卷积神经网络中取得了较好的实验效果,最终该手写数字识别实验准确精度可以达到99.1%。     

资料索引

基于位置和程度指标的结构损伤识别研究为提高结构损伤识别的精度,提出基于动、静态数据融合的位置指标和完全基于频率的位置指标,并采用学习速率自适应调整的新型BP神经网络学习算法,其特点是在网络迭代过程中根据网络学习误差来调整学习速率的取值。该方法有效地克服了传统BP网络学习过程中容易陷入局部极小和收敛速度慢、学习效率不高的缺点,进一步讨沦了参数输入方式对网络识别效果的影响,并分别采用两步诊断法和一步诊断法进行损伤识别。结果显示,两步诊断法对损伤位置和程度的识别正确率较高,而一步诊断法识别效果却不令人十分满意;…     

基于RBF神经网络的网架结构损伤识别试验研究

针对网架结构损伤识别中模态密集、自由度高等困难,利用RBF网络良好的容错性和鲁棒性,依据损伤前后的网架结构模态参数发生变化理论,提出了基于模态参数和RBF神经网络的网架结构损伤识别方法。以一个6 m×7.5 m的正放四角锥网架结构为研究对象,首先依据连续倒塌理论计算各杆件的重要性系数,确定模拟损伤杆件位置;然后以损伤前后结构的标准化频率平方变化率及标准化位移振型的组合参数作为RBF神经网络的损伤指标,利用有限元分析得到学习样本,试验分析结果作为测试样本。采用二阶段损伤识别方法,首先在所有杆件中排查出可疑受损杆件位置,最后再精确识别损伤位置和程度。结果表明,该方法能够很好地识别网架结构的损伤位置和程度。     

基于递进式级联卷积神经网络的混凝土裂缝识别方法

基于深度学习的卷积神经网络方法是目前图像裂缝识别鲁棒性较高的方法,主要分为滑动窗口法和图像分割法。滑动窗口法存在后期阈值分割裂缝精度不高的问题;全局图像分割法存在裂缝区域数据和背景区域数据严重不均衡问题,会对裂缝分割精度产生影响。采用了基于递进式级联卷积神经网络的方法对混凝土表面裂缝进行识别:首先采用全卷积神经网络一次性判断图像中所有密集重叠窗口区域内是否含有裂缝,然后将含有裂缝的窗口区块提取出来作为感兴趣区域,再基于轻量化的U-Net图像分割网络作用于感兴趣区域,将裂缝区域精确地提取出来。试验结果表明,所提出的基于递进式级联卷积神经网路的裂缝识别方法优于直接使用滑动窗口法和全局图像分割法,有着可靠的应用前景。     

基于高效神经网络的框架结构节点损伤的多重分步识别方法

提出了基于神经网络的框架结构节点损伤的多重分步识别方法,建立了用于框架结构节点损伤识别的高效神经网络法。根据节点损伤的多重分步识别思路,把节点损伤识别主要分为四步:第一步利用神经网络建立损伤异常过滤器对节点损伤进行预警;第二步以频率构造的组合指标作为神经网络输入向量,对节点损伤进行初步定位;第三步以归一化的应变模态差绝对值作为神经网络输入向量,对节点损伤进行具体定位;第四步以应变模态差绝对值作为神经网络输入向量,对节点损伤程度进行识别。针对三跨四层的框架结构进行了节点损伤识别数值模拟,结果表明:应用神经网络技术,采用多重分步识别方法,简化了网络的结构,能够有效地对框架结构节点损伤进行预警、定位和定量。     

基于多标签卷积神经网络的结构损伤识别

准确识别结构多位置损伤一直是结构损伤识别的难题。为提升结构多位置损伤识别的准确率,提出一种基于卷积神经网络(CNN)的多标签分类(MLC)方法(CNN-MLC)进行结构损伤识别。该方法将结构多个位置损伤识别转换为多标签分类问题,每个损伤位置均用一个对应的标签表示;利用CNN强大的特征提取能力,深入挖掘不同损伤工况之间公共损伤位置的相关性,实现结构多位置损伤识别。通过四层框架结构和一座铁路连续梁桥多位置损伤识别验证了CNN-MLC方法的识别准确率,并将其识别结果与基于CNN的多类别分类(MCC)方法(CNN-MCC)和基于示例差异化算法(InsDif)的多标签分类方法(InsDif-MLC)进行了对比。结果表明：框架结构在两位置和三位置损伤工况下,CNN-MLC方法比CNN-MCC方法的识别准确率分别提升2.50%和9.64%,比InsDif-MLC方法识别准确率提升17.50%和29.28%;对于铁路连续梁桥的两位置损伤和三位置损伤,CNN-MLC方法比CNN-MCC方法识别准确率提升1.63%和6.85%,比InsDif-MLC方法识别准确率提升4.18%和18.49%;随着损伤位置...     

面向子结构的空间网格结构损伤定位方法

为了提高诊断效率与诊断结果的可靠性,根据空间网格结构的构成特点提出了面向子结构的损伤定位方法,即根据网格结构的组成规律,将其细分成子结构,采用概率神经网络识别损伤可能发生的子结构。以某单层柱面网壳试验模型为例进行模拟损伤的定位研究,论述了训练样本确定的优先准则,为提高损伤诊断的准确率采取了并集策略。计算结果表明,面向子结构的初步损伤定位法对大型网格结构进行损伤定位是可行的,为现有的面向节点的损伤定位提供了有效的补充,且该方法具有一定的工程实用价值。