基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一,尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点,导致其构建足量具有时间相关性的图像集十分困难,提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习,获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集,建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上;利用变压器周期性振动信号生成的图像集作为测试集,测试准确率达到99%以上,实现了变压器绕组松动故障的准确诊断,并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于复杂网络描述的图像深度卷积分类方法

为了在不增加较多计算量的前提下,提高卷积网络模型用于图像分类的正确率,提出了一种基于复杂网络模型描述的图像深度卷积分类方法。首先,对图像进行复杂网络描述,得到不同阈值下的复杂网络模型度矩阵;然后,在图像度矩阵描述的基础上,通过深度卷积网络得到特征向量;最后,根据得到的特征向量进行K近邻（KNN）分类。在ILSVRC2014数据库上进行了验证实验,实验结果表明,所提出的模型具有较高的正确率和较少的迭代次数。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

融合深度学习和聚类分析的自适应图像聚类

针对卷积神经网络应用于图像分类任务时需要大量有标签数据的问题,提出一种融合卷积神经网络和聚类分析的无监督分类模型,将无监督算法引入深度学习,并将该模型应用到图像分类领域,来弥补现有分类方式的不足.首先对经典卷积神经网络AlexNet从网络结构和模型训练两个方面进行优化;然后利用改进后的自适应快速峰值聚类算法指导聚类过程...     

基于改进深度神经网络的纱管分类

针对纺织厂实际生产中采用人工分类纱管费时费力不够智能化等问题,提出了基于改进深度卷积神经网络的分类方法.先基于AlexNet模型框架对原有网络结构进行改进,卷积层全部使用3×3大小卷积核,且多个卷积核串联使用,提取物体更抽象高级特征.再融合滑动平均、L2正则化等方法提升泛化能力,采用L ReLU激活函数避免部分神经元出...     

基于改进AlexNet的电力系统暂态功角失稳紧急控制策略

随着新能源渗透率的提升,电网环境日益复杂,电力系统安全稳定运行也面临着新的挑战。为了满足电力系统暂态功角失稳后的实时紧急控制决策,采用深度学习与紧急控制相结合的方法,提出一种基于改进AlexNet网络的电力系统暂态功角失稳紧急控制策略。首先基于改进AlexNet对失稳发电机功角轨迹进行预测,识别临界机群;然后定义紧急控制动作灵敏度指标,建立改进AlexNet灵敏度预测模型,拟合发电机功角特征与紧急控制动作灵敏度的映射关系,从而确定紧急控制的动作母线;最后以切除发电机和负荷容量最小为目标,建立紧急控制优化模型并求解最优策略,并在新英格兰10机39节点系统进行算例验证。结果表明,针对电力系统暂态功角失稳问题提出的基于深度学习的功角轨迹预测模型和紧急控制灵敏度预测模型,均有较高的预测精度。在此基础上制定的紧急控制策略能使失稳系统快速恢复稳定运行,加强电网安全稳定防御体系。     

基于改进1D-AlexNet的海面小目标高维特征检测

目前,海面小目标已成为海洋雷达探测的重点和难点。这类目标具有低信杂比和弱机动性,导致传统检测器性能损失严重,出现检测概率低和虚警率高的问题。为了有效探测目标,常常需要雷达具备长时观测的能力,从而提高目标回波的信杂比。新体制下全极化雷达可保证足够的观测时间,且进一步拓宽信息的维度。为此,本文提出一种基于改进1D-AlexNet的新检测方法,通过充分挖掘全极化雷达的回波信息,全面提高海面小目标探测能力。首先,从时域、频域、时频域、极化域,提取24个有效特征,他们综合反映了海杂波和含目标回波在功率、分形、几何、散射等方面的差异性。其次,联合所有特征构建一个高维特征空间,并将传统二元检测问题转换为高维特征空间中的两分类问题。随后,从结构和参数两个层面,设计一种改进1D-AlexNet的两分类器,用于检测小目标。在结构层面,将传统二维AlexNet模型降低到一维并进行层数精简化,从而加快模型的训练速度。在参数层面,引入具有自适应调整斜率的激活函数,保证模型的稳定性。同时,将幂指数衰减函数替代固定学习率,进一步提高模型的分类精度。最后,通过IPIX实测数据验证,结果表明：相对现有的特征检测器,所提出的检测器具有最佳的检测性能,并在复杂的杂波环境下仍能保持稳健性。此外,改进后的分类器结构简单,训练速度快,有望应用于实际雷达快速探测中。     

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization, BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit, LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率, 相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。     

随机赋值权重的深度网络具有物体分类能力

一些文献中报道,即使深度网络的权重参数随机赋值,对应的深度网络仍有一定的分类能力.以AlexNet为模式网络,从3个侧面分析探讨了随机深度网络是否具有图像物体分类能力.首先,将AlexNet的权重随机赋值;然后,对多类不同的图像物体刺激下的神经元响应的表达不相似矩阵(RDM)与原AlexNet的RDM进行了相关性分析,发现这2类RDM具有显著相关性;鉴于深度卷积网络每层的卷积操作为加权求和,且根据中心极限定理,大量随机变量的和近似服从正态分布,进一步分别拟合了在同一输入图像下原AlexNet神经元响应的分布和随机AlexNet神经元响应的分布与高斯分布的拟合优度,并对上述2种优度进行了相关性分析.大量模拟实验表明,对于来自真实世界的样本,对应高斯拟合优度呈现显著相关性.最后,直接利用赋以随机权重的AlexNet输出的高层响应进行K近邻分类,发现其分类精度高于直接对原始彩色图像进行K近邻分类的精度.因此,与文献报道相似,实验结果再次表明随机深度网络的确具备一定的物体分类的能力.