基于改进CEEMDAN分解与时空特征的低压供电线路串联故障电弧检测

针对低压线路中的串联故障电弧检测难题,提出基于改进CEEMDAN分解与时空特征的串联故障电弧检测方法。首先,采用CEEMDAN算法实现电流信号的完备分解,并以各IMF分量的峭度指标、裕度指标、能量特征和能量熵特征为判定依据,实现高频段信号粗选。然后,提出空间尺度和时间尺度相融合的特征构建方法,捕获各粗选高频IMF分量的局部特征,增强电流特征对比度和判别力。最后,采用子空间变换算法实现电流时空特征集合的二次降维,并基于SVM实现串联故障电弧检测。实际试验证明,所提算法的平均故障电弧检测准确率达88.33%,能够实现高效的串联故障电弧检测。     

基于深层图卷积的EEG情绪识别方法研究

针对浅层图卷积提取的局部脑区空间关联信息对情感脑电表征不足的问题,本文提出了一种深层图卷积网络模型。该模型利用深层图卷积学习情绪脑电全局通道间的内在关系,在卷积传播过程中应用残差连接和权重自映射解决深层图卷积网络面临的节点特征收敛到固定空间无法学习到有效特征的问题,并在卷积层后加入PN正则化扩大不同情绪特征间的距离,提高情绪识别的性能。在SEED数据集上进行实验,与浅层图卷积网络相比准确率提高了0.7%,标准差下降了3.15。结果表明该模型提取的全局脑区空间关联信息对情绪识别的有效性。     

注意力机制 CNN 结合肌电特征矩阵的手势识别研究

当前基于卷积神经网络(CNN)的手势识别研究集中于增加网络深度,较少关注改善样本数据分布带来的性能提升。 针对此类问题,提出一种量化表面肌电信号(sEMG)特征相关性的肌电特征矩阵(EFM)样本输入有效通道注意力(ECA)机制 CNN,用于识别 NinaproDB1 中 52 类手势。 首先使用时间窗截取低通滤波后的 sEMG,计算多种信号时域特征;然后利用笛卡尔 积组合并相乘不同特征,对特征相乘值进行归一化后得到 EFM。 同时,引入 ECA 机制使网络关注重要的深层特征,从而提升手 势分类效果。 分别输入 sEMG、肌电时域特征和 EFM 到注意力机制 CNN 进行手势识别,EFM 识别准确率最高,达到了 86. 39%, 高于近年来手势识别研究方法精度。 验证了提出方法的有效性,为多类别手势准确分类提供可行新方案。     

融合时空特征的浓雾短临趋势预测算法

为减少浓雾可能导致的各项损失,浓雾短临趋势预测已成为气象短临预测领域的研究热点。然而,目前相关研究较多侧重于浓雾所具有的时间特征,忽略其空间特征,从而导致预测准确率较低。为此,提出一种融合时空特征的浓雾短临趋势预测算法。该算法通过将多气象站点抽象为图数据的节点,引入图注意力网络,实现空间特征的提取;在此基础上,针对性地调整长短期记忆网络,结合时间信息,对所提取的空间特征进一步提取时间特征,实现特征级融合,并使用全连接层输出能见度预测值;最后根据能见度预测值,对浓雾短临趋势开展预测。本文所提算法针对美国国家环境信息中心的公开气象数据开展了2 h内的浓雾短临趋势预测实验,实验结果表明所提算法的F1-score和TS-score较基线模型有2%~12%的提升,证明所提算法具有良好的实际应用价值。     

多通道 EEG 信号小波相干分析的测谎研究

为区分说谎与讲真两种思维状态下不同脑区之间的功能连接,并且研究这种功能连接在时域与频域的变化,征选了 40 名平均年龄 21 岁、健康右利手受试者作为实验对象,随机分为说谎和讲真两个被试组(各 20 名),采用标准三刺激模式测谎协 议记录了在两种思维状态下 12 导联的脑电信号( electroencephalogram, EEG),然后利用小波相干分析方法,对刺激后 250 ~ 1 300 ms 时段(P300 典型发生时段)上的 θ(0. 5~ 4 Hz)、δ(4~ 8 Hz)、α(8~ 13 Hz)、β(13~ 30 Hz)、γ(30~ 100 Hz)五个频带的 66 个导联对的小波相干系数分别进行计算,分析不同导联对在不同时频域的功能连接. 最后,利用秩和检验对两类受试者的相同 时-频域的相干系数分别对比分析,实验结果表明,在 θ 及 δ 频带对应的时频域上,两类受试者在 OZ-P4、OZ-P3 及 P3-P4 三个导 联对的相干值均存在统计学差异,推测人在面对物证说谎时进行功利和非功利的道德判断时导致视觉联合皮层(P3 和 OZ)和 顶下小叶(P4)相应区域被激活,故而产生不同脑区间功能连接的显著统计性差异.     

深度嵌套注意力下的SlowFast信息融合动作识别网络

视频动作识别在视频监控、自动驾驶等多个领域都有着广泛的应用。SlowFast网络是视频动作识别领域经常使用的网络。目前SlowFast相关网络中使用注意力进行相关信息增强,注意力机制与网络的结合方式是将注意力机制嵌套到网络的各个卷积块之间,如果将注意力机制深层嵌套到卷积块的具体卷积层中,SlowFast网络的信息提取能力将更进一步。首先提出了一种深度嵌套注意力机制,该深度嵌套机制内部包含一种可以提取时空与通道信息的注意力SCTM,使SlowFast网络的3种信息提取能力得到了进一步加强。此外,目前多流网络融合的信息并没有充分的交互与处理。提出了一种基于交叉注意力与ConvLSTM的多流时空信息融合网络,使多流网络中每个流的信息充分交互。改进后的SlowFast网络在UCF101数据集上的Top-1准确率已达到98.5%,在HMDB51数据集中的准确率达到了80.1%。均优于目前已有的模型,比原始SlowFast网络提高了2.64%,且鉴于上述数据,深度嵌套注意力的 SlowFast 时空信息融合网络在信息提取与融合方面具有优越性能。     

基于时空特征自适应融合网络的流量分类方法

针对当前网络流量瞬时涌现导致网络安全事故骤增、网络管理负担加重等问题,基于深度学习技术提出了ResNet和一维Vision Transformer并行的网络结构对网络流量进行识别并分类。其中ResNet可以提取到流量数据在空间上深层次的特征,能够保证流量识别的准确率;一维Vision Transformer可以提取到更具代表性的时序特征。利用注意力机制将两种特征进行自适应融合得到更全面的特征表示,以提高网络识别流量的能力。在ISCX VPN-nonVPN数据集上进行实验表明：所提方法在流量的应用程序分类实验中的准确率达到了99.5%,相较于单独的ResNet和一维Vision Transformer以及经典的一维CNN和CNN+长短时记忆网络分别提高了0.9%、3.6%、6.6%和3.3%。在USTC-TFC 2016数据集上,所提方法在能够轻松识别流量是否为恶意流量的基础上,实现了对13种应用程序的分类,且平均分类准确率达到了98.92%,证明了其具有识别恶意流量并完成细粒度分类任务的能力。     

基于时空注意力卷积模型的超短期风电功率预测

随着风电利用率的不断提高,风电输出功率的准确预测对电力系统的调度和稳定运行具有重要意义。然而,风力发电的随机性和波动性容易影响功率预测结果的准确性。该文提出一种基于时空相关性的风电功率预测方法,由时空注意力模块和时空卷积模块组成。首先,利用空间注意力层和时间注意力层对不同风机之间的时空相关性进行聚合提取。其次,通过空间卷积层和时间卷积层有效捕捉风电数据之间的空间特征和时间演变规律。最后,采用中国两处实际风电场运行数据对预测方法进行实验验证。结果表明,相比于传统预测方法,时空注意力和时空卷积的融合使该文所提出的预测方法具有较高的预测精度和较好的稳定性。     

基于迁移学习多层级融合的运动想象EEG辨识算法

为了准确获取运动想象脑电信号的全局特征和个体间的共性特征,进而提高其分类准确率和模型鲁棒性,提出一种参数共享迁移学习的融合卷积神经网络算法.首先把源域上训练完成的网络逐层迁移至目标网络以获取最佳迁移层.其次,在迁移层后分别连接不同数量的卷积-池化块构成4个不同深度的卷积网络,并将其并行融合后连接分类器得到分类结果.利用...     

基于2D CNN和Transformer的人体动作识别

人体动作识别是计算机视觉领域的研究热点之一,在人机交互、视频监控等方面具有深远的理论研究意义。为了解决2D CNN无法有效获取时间关系等问题,利用Transformer在建模长期依赖关系上的优势,引入Transformer架构并将其与2D CNN相结合用于人体动作识别,以更好地捕获上下文时间信息。首先使用融合通道-空间注意力模块的2D CNN提取强化的帧内空间特征,其次利用Transformer捕捉帧间的时间特征,最后应用MLP Head进行动作分类。实验结果表明在HMDB-51数据集和UCF-101数据集上分别达到了69.4%和95.5%的识别准确度。     

基于便携式脑电信号采集器的脑-机器人交互系统

针对现有高精度脑电信号采集设备体积笨重、成本高、无法普及的问题,开发了便携低成本的多通道脑电信号采集器,并以可编程可定制的乐高机器人为应用实例,搭建了集注意力训练、教育、娱乐于一体的脑-机器人交互系统。脑电信号采集器内置锂电池,体积为65 mm×40 mm×21 mm,重约60 g,以无线方式传输信号。在此基础上,结合典型相关分析(canonical correlation analysis,CCA)与快速傅里叶变换(fast Fourier transformation,FFT),提出了基于CCA-Wx-FFT的SSVEP特征提取算法,对采集器信号进行分析,以确保对机器人的精确控制。10名被试的测试结果表明,本系统获得了与高精度EEG设备相近的信号特征和控制准确率(92.6%vs 94.1%)。这一脑-机器人交互系统极大地降低了系统开发的成本,方便携带,易于扩展,对脑控的普及具有重要的应用价值。     

基于分割注意力的特征融合CNN-Bi-LSTM人体行为识别算法

针对传统人体行为识别算法不能有效抑制空间背景信息,网络间缺乏信息交互,以及无法对全局时间相关性进行建模的问题,提出一种基于分割注意力的特征融合卷积神经网络-双向长短时记忆网络(CNN-Bi-LSTM)人体行为识别算法。首先以一定采样率采样30帧图像,通过分割注意力网络提取图像的深度特征,并引入特征融合机制增强不同卷积层间的信息交互;然后将深度特征输入到Bi-LSTM网络对人体动作的长时时间信息建模,最后使用Softmax分类器对识别结果进行分类。相较于传统双流卷积网络,该算法在UCF101和HMDB51数据集上的准确率分别提高了6.6%和10.2%,有效提高了识别准确率。     

基于直线和SIFT融合特征的物体识别研究

本文阐述了基于直线特征和SIFT（scale invariant feature transform）特征融合的物体识别研究,直线特征是最普遍的图像特征之一,而SIFT特征是最鲁棒的局部特征,其对旋转、尺度缩放、亮度变化保持不变性。本文以家用遥控器作为目标物体,首先提取平行直线特征作为本问中的主要图像特征,通过与物体模型进行匹配可以产生出很多的假设匹配结果,SIFT特征作为辅助特征,用来降低匹配的不确定性,从而提高识别率。试验结果表明该方法在复杂的环境中达到了鲁棒的识别效果。     

基于运行数据时空特征和Stacking集成学习的质子交换膜燃料电池故障诊断EI北大核心CSCD

为实现质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)故障诊断的快速性和准确性,提出基于运行数据时空特征和Stacking集成学习的故障诊断方法。首先,采用客观赋权法为反映PEMFC运行状态的电压、电流、温度和压力等变量进行赋权,基于核主成分分析和长短时记忆神经网络提取其空间、时间特征,基于add思想融合空间、时间特征,构建时空特征集。然后,建立以卷积神经网络(convolutional neural network,CNN)、随机森林、K最近邻算法、极端梯度提升树(extreme gradient boosting,XGBoost)为基分类器,XGBoost为元分类器的Stacking集成学习框架,实现了对PEMFC系统正常、水淹、膜干和氢气泄漏四种运行状态的诊断。最后,算例结果表明,所构建的时空特征集在5种单一分类模型的平均诊断准确率为99.23%,相比空间特征集提升2.83%,在Stacking模型的诊断准确率为99.99%。同时,在满足相同损失函数的前提下,使CNN的运算时间减少28s。因此,所提方法能够实现对PEMFC系统故障的快速准确诊断。     

基于改进 ResNet18 的干香菇等级识别

为解决干香菇等级识别技术复杂及识别精度不高的问题,提出了一种基于残差神经网络ResNet18的干香菇等级识别方法。首先将传统的ResNet18中Stem的7×7卷积层替换为3个3×3卷积层串联,保证在感受野保持不变的情况下进一步减小计算量;其次针对残差块中线性变换和非线性变换不足的问题,引入融合非对称卷积和h-swish激活函数,增加了模型的复杂性,使其能够进行更深层次的特征学习;最后在ResNet18骨干网络中引入高效通道注意力机制,加强模型提取特征的能力。实验结果表明,改进后的ResNet18网络模型准确度达97.04%,相比ResNet18网络模型方法提升了4.81%,且性能优于VGG16、MobileNetV2、DenseNet121、ResNet34等网络模型方法,可提高干香菇等级的识别精度,单幅图像的检测时间为5.91 ms,对干香菇智能分拣过程中的等级识别具有借鉴意义。     

基于交错组卷积神经网络的脑电信号情绪识别研究

利用深度学习算法实现多种情绪的高效准确识别对当前脑电信号情感计算研究具有一定探索价值。常用的卷积神经网络其种类结构较为复杂且存在参数选择问题,针对不同类型刺激素材下脑电信号的情绪分类问题,搭建了一种交错组卷积神经网络的数学分类模型,此模型在经典卷积神经网络的基础上增加了交错组卷积结构。利用增加交错组卷积模块的LeNet-5卷积网络对诱发的不同情绪下脑电信号进行三分类识别,图片、音乐与视频素材刺激下的脑电信号平均识别率分别为98.74%、95.82%与96.06%。对比传统的机器学习分类算法的识别效果,轻量化结构卷积神经网络的收敛速度和情绪识别准确率均有明显提高,且鲁棒性更强。     

基于时空特征图卷积网络的配电网实时状态估计方法

为了在考虑负荷时空特性以及不健全量测的场景下实现配电网的实时、高容错状态估计,本文从时空图的角度提出一种基于时空特征图卷积网络的动态状态估计算法.首先将配电网量测数据组成三维张量;然后利用时空特征图卷积网络分别提取量测数据的空间拓扑、时间序列和节点属性上的特征信息,通过特征融合得到实时状态估计结果;最后根据状态估计结果...     

多视图融合和全局特征增强的车辆重识别网络

车辆重识别是智能交通领域重要应用之一,现有的车辆识别方法大多集中于预定义的局部区域特征或全局外观特征。然而,在复杂的交通环境下,传统的方法难以获取预定义的局部区域,同时很难捕捉有价值的车辆全局特征信息。因此,本文提出一种具有多视图融合的混合注意力机制和全局特征增强的端到端双分支网络。该网络旨在通过增强车辆的特征表达能力和特征质量来获得更完整、更多样的车辆特征。本文通过视图解析网络对车辆图片4个视角的视图进行分割,并通过视图拼接方法缓解分割不准确导致的信息丢失问题。为了更好地突出拼接视图中的显著性局部区域,本文提出一种由通道注意力机制和自注意力机制组成的混合注意力模块。通过该模块从车辆拼接视图中分别获取关键局部信息和局部信息之间的相关性,更好地凸显拼接视图中车辆局部的细节信息。除此之外,还提出了一个全局特征增强模块,通过池化和卷积获得全局特征的空间和通道关系。该模块不仅能提取到语义增强的车辆特征,而且还使车辆特征中包含完好的细节信息,解决获取的车辆图像受视角变化、光照条件变化等因素的影响。在Veri-776和VehicleID数据集上的大量实验表明,mAP、CMC@1和CMC@5分别达到...     

基于改进特征金字塔的目标检测

特征金字塔网络(FPN)已经成为目标检测中提取多尺度特征的有效框架.然而,FPN存在着由于通道减少导致语义信息丢失、高层特征只包含单尺度的上下文信息和具有语义差别的不同层特征直接融合造成混叠效应等问题.针对上述问题,提出了基于注意力增强指导的特征金字塔网络.该模型由通道特征增强模块、上下文增强模块和注意力指导特征融合模...     

基于表面肌电信号的手指关节角度估计方法

为了实现智能假手能够自然地模拟人手的连续运动,提出了基于 sEMG 的 DF-ANN 模型来估计手指关节角度的方法。 该方法引入了通道注意力机制中的 SE-Net 模块增强了 sEMG 的相关特征表达,减少 sEMG 重要特征的损失,有效提高了回归模 型的性能,选取 10 名健康的受试者进行 10 种不同手势的实验,选择 R-Squared(R 2 )等回归衡量指标来评估该方法关节角度估 计的精度,实验结果显示 R 2 为 86. 5%。 与未引入 SE-Net 的 DF-ANN 模型,单独的深度森林和人工神经网络相比,R 2 大约提高 了 4%。 这表明该方法能够有效减小 sEMG 的关节角度连续解码的误差,能够有助于实现智能假手的柔顺控制。