基于深度子领域适应卷积神经网络的结构损伤识别

针对卷积神经网络(convolutional neural networks, CNN)结构损伤识别模型泛化能力差的问题,提出了一种基于深度子领域适应卷积神经网络(deep subdomain adaptation convolutional neural networks, DSACNN)的结构损伤识别方法。以实际结构为目标域,以有限元模型为源域,根据损伤类别将源域和目标域划分成一系列子领域。在CNN中嵌入子领域适应模块,构建DSACNN模型,通过最小化源域上的损伤分类误差和领域之间的局部最大均值差异,对齐两个领域对应子领域的特征、建立特征与损伤类别之间的映射,从而将源域上的损伤识别能力迁移到目标域之上。模型的训练无需已知目标域样本的损伤标签,采用预训练全局领域适应提高其伪标签的准确率。试验结果表明：与全局领域适应模型相比,基于预训练全局领域适应的DSACNN模型在模拟目标域上准确率最大提高幅度达到21.8%,在实测目标域上提高了9.6%,具有更强的泛化能力。     

基于深度学习的人体行为识别研究

为解决传统人体行为识别算法存在的运动前景检测不准确、特征提取模糊以及训练识别耗时长等问题,本文提出了基于深度学习的人体行为识别研究方法。利用骨架提取方法对运动前景进行检测及特征提取;针对人体行为动作的时序性,提出了连续帧组合方法;在模型训练环节,对比了不同的网络模型参数,选择了最优的激活函数、优化算法以及dropout系数。最后,结合网络模型,分类识别测试样本集中的各种行为,并将识别的结果和当前流行的算法进行比较,通过对比实验,最终实验结果证明了本文所提方法优于其他方法,平均识别率相比其他方法有较大的提高。     

基于知识迁移的深度学习无线电信号聚类方法

现有的无线电信号调制识别方法在先验数据不足时通常很难对无类标信号进行有效识别.针对这个问题,本文提出了一种基于知识迁移的深度学习无线电信号聚类方法(DTC).该方法基于样本对比,分析样本间的相似性,并利用卷积神经网络(CNN)提取无线电信号的特征,同时设计了一种预训练框架,通过迁移同领域数据集的知识,有效提升了CNN特征提取能力,实现了引导聚类方向、提升聚类性能的目标.实验结果表明,该方法在多个公开数据集上的聚类性能都显著优于现有的聚类方法.与现有方法相比,DTC在RML 2016.10A和RML 2016.04C数据集上的聚类精度分别提升了30.34%和28.04%.     

流场特征识别的无量纲时程深度学习方法

流场的特征直接影响结构的流致振动状态,对结构绕流流场的特征分析具有重要的研究意义。在中高雷诺数与不同流速的情况下,尾流中隐含的流场特征不同,传统数学物理方法很难对其特征进行提取与识别。该文提出了采用无量纲的物理量时程进行流场特征识别的深度学习方法,消除了不同来流速度的影响,仅通过时程的时变特征进行特征识别,扩大了特征识别方法的应用范围。采用两种不同深度学习模型对三种棱柱的尾流进行了特征提取与识别,通过比较可以发现：归一化的时程中仍包含不同形状物体所引起流场的关键特征,可用于流场的特征提取;使用归一化时程进行流场特征识别可降低模型训练难度,又提高了特征提取的精度,是一种流场特征提取的新方法。     

基于深度学习的人体姿态识别系统设计与实现

当一个运动的物体作用于人眼时,眼睛通过分析人体的关键特征点随时间的变化趋势,在动态标记特征点的基础上对运动状态进行识别,从而做出相应的判断。在对眼睛物理机理和目标识别过程进行研究的过程中,有学者结合神经网络运算方法提出了OpenPose姿态识别算法,该算法是实现人体姿态识别的主流算法。该文结合OpenPose算法研究了人体姿态识别系统的实现过程。在实现算法的过程中,利用RNN网络的预测值对辨识结果进行修正,从而进一步提高姿态识别的精度。     

基于多层深度特征融合的行人再识别研究

本文采用多层深度特征融合方法,首先,利用经典卷积神经网络对行人图像进行处理;然后,对卷积神经网络每一层得到的特征进行PCA降维,保留其主要成分,并将各层降维后的特征进行融合;最后,基于欧氏距离判断待查询行人与图像库中各行人的相似性,得到再识别结果.实验结果表明,与已有的行人再识别方法相比,本文方法准确率更高.     

基于深度学习的验证码图像识别

验证码是一种区分用户是计算机还是人的公共全自动程序.为了尽可能大批量地获取某网站的信息,就需要让机器可以全自动地识别该网站的验证码.为了破解验证码,对深度学习的验证码图像识别方法进行了研究.提出使用图像标注的方法来生成验证码图像中的字母序列.实验采用深度学习框架Caffe,将卷积神经网络与循环神经网络相结合进行训练.将卷积神经网络的输出用于训练循环神经网络,来不断地预测出序列中下一个最有可能出现的字母.训练的目标是将输出的词尽量和预期的词一致.测试结果表明,该模型能够对该网站的验证码图像做到97%的识别准确率.该方法比只采用卷积神经网络进行识别效果好.     

深度卷积神经网络在混沌振动识别中的应用研究

针对混沌振动信号识别中,混沌特征指数计算量大、运算耗时长,难以满足实时性的要求,提出一种基于深度卷积神经网络的智能混沌识别方法.首先通过相空间重构技术,得到不同振动信号的吸引子图;在此基础上,优化设计了经典网络模型AlexNet的结构参数并进行训练;最后将改进后的模型用于混沌信号的智能识别.仿真和实测信号的结果表明,该...     

水下瞬态信号的检测与识别

对于水下瞬态信号这种突发性很强、持续时间又非常短、且出现后一般不再重复的信号,如何才能进行全自动的快速有效的检测与识别,是近期国内外研究的热点。针对水下目标快速变速所产生的瞬态信号的自动检测与识别问题,传统信号处理方法难以适用,文中引入了图像处理的有关理念和技术,提出了\"取重心处理\"的方法,并提出了一种便于工程实现的快速算法。对海试数据的分析结果表明,该方法稳定可靠,有望应用于工程实践中。     

基于浓度特征向量的目标识别与分类

提出了一种新的基于零件浓度特征向量的目标识别与分类技术,以及由零件图像特征信息所构成的浓度特征信息的合理性验证方法。该技术不仅能够准确地反映目标图像的局部结构特征与整体结构特征之间的关系,而且较好地解决了计算机描述零件图像的特征信息的负担过重问题。实验表明,该技术具有识别准确、计算机负担小的优点。     

目标地震动信号的特征提取及识别研究

地面目标的地震动信号是目标识别的关键,本文研究了机动目标地震动特性,总结出目标的地震动信号的特征提取规律,并将神经网络方法用于目标的地震动信号的分类识别中。给出了识别结构及改进的BP算法,并将改进的BP算法用于实际目标的地震动信号的分类识别,得到令人满意的结果。     

Multi-Resolution Wavelets Analysis Approach for the Recognition of Concurrent Control Chart Patterns

Process control charts have been commonly used as a tool to achieve and maintain acceptable process quality control. The use of Artificial Neural Networks (ANN) for control charts pattern recognition has been studied in recent years. Most of the research has focused on the recognition of single trend, shift, or cyclic patterns, and used simple coding techniques to process the observed data for the neural network. In this article, Multi-Resolution Wavelets Analysis (MRWA) and ANN were used to recognize single and multiple concurrent patterns of control charts. MRWA extracted distinct features for the patterns by providing distinct time-frequency coefficients. A reduced set of parameters was derived from these coefficients and used as input to an ANN classifier. Results have shown that the approach produced adequate recognition of single and concurrent patterns.     

Recognition of a Life Distribution Based on a Neural Network

In general, we describe three different methods to select an appropriate distribution form:histogram, probability plots, and hypothesis test. The life distribution is recognized by a neural network method. The relationship among life distribution with life data is described through threshold and weight of neural networks. The method is convenient to use. An example is presented to validate this method, and the results are satisfactory.     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...     

表面结构的分类与识别

表面结构的测量与特征描述是精密计量技术的一个重要方面,传统上包括将轮廓情况根据不同的波长范围划分为粗糙度、波纹度和形状及后续的数字量化．按算得的参数检查它是否为公差允许,以保证零件执行其指定的功能．当技术特性已经经过仔细确定,并且其过程稳定时,该方法是令人满意的;但是,当制造过程正在进行中或过程的不稳定、过程变化使技术特性失效时。就需要研究和功能表现及过程评定相关的表面参数．讨论了表面结构的分类与识别问题．同时阐述了为此目的而开发的先进技术及其应用．所研究的技术对从纳米尺度到传统的微米尺度的较大带宽范围内的表面特征描述都是有效的．     

一种快速的基于稀疏表示的人脸识别算法

基于稀疏表示的人脸识别算法（SRC）识别率相当高,但是当使用l1范数求最优的稀疏表示时,大大增加了算法的计算复杂度,矩阵随着维度的增加,计算时间呈几何级别上升,该文提出利用拉格朗日算法求解矩阵的逆的推导思路,用一种简化的伪逆求解方法来代替l1范数的计算,可将运算量较高的矩阵求逆运算转变为轻量级向量矩阵运算,基于AR人脸库的实验证明,维度高的时候识别率高达97%,同时,计算复杂度和开销比SRC算法大幅度降低95%。     

基于OpenCV的人工神经网络字符识别研究

为克服传统模板匹配方式识别字符存在的缺陷,采用BP神经网络技术,有效识别字符特征,快速识别字符.运用C++编程以及OpenCV计算机视觉库,降低系统实现的复杂程度,实现了字符的快速准确识别.     

Application of Local Wave Time-Frequency Spectrum and Neural Networks to Fault Classification in Rotating Machine

A new method of fault analysis and detection by signal classification in rotating machines is presented. The Local Wave time-frequency spectrum which is a new method for processing a nonstationary signal is used to produce the representation of the signal. This method allows the decomposition of one-dimensional signals into intrinsic mode functions(IMFs) using empirical mode decomposition and the calculation of a meaningful multi-componentinstantaneous frequency. Applied to fault signals, it provides new time-frequency attributes. Then the moments and margins of the time-frequency spectrum are calculated as the feature vectors. The probabilistic neural network is used to classify different fault modes. The accuracy and robustness oftained during the different fault modes( early rub,the proposed methods is investigated on signals obloose, misalignment of the rotor) .     

基于多分辨率时频特征融合的声学场景分类

声学场景分类是计算机听觉中最难的任务之一,在单一特征条件下采用基本的卷积神经网络相对于传统的分类方法精度已经有所提升,但是效果依然不够理想。针对这一问题,在卷积神经网络框架下,提出了一种基于时频特征融合的声学场景分类方案。在分类模型构建方面,提出一种多分辨率卷积池化方案,构造多分辨率卷积神经网络,以更好地适应提取特征的时频结构;在特征选取方面,融合低层次包络特征对数——Mel子带能量和高层次结构特征——非负矩阵分解系数矩阵,把两种二维特征堆叠为三维特征送入分类模型。在2017年和2018年声学场景分类和事件检测挑战赛的开发数据集上进行了训练和测试。实验结果表明,文中提出方案比基线系统的分类精度分别提高7.5%和10.3%,可有效改善分类效果。