基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

基于遗传算法的神经网络被动声呐目标分类研究

被动声呐目标识别系统中目标分类器的设计和训练是一项重要内容，本文设计了目标分类器的神经网络结构，提出了一种用改进的遗传算法训练神经网络分类器的新方法，最后，对海上实录的Ａ，Ｂ，Ｃ三类目标噪声进行了分类识别，实验结果表明基于遗传算法的神经网络分类器比传统的基于ＢＰ算法的神经网络分类源泛化性能有明显提高。     

卷烟包装外观缺陷数据集构建及深度学习检测技术研究

目的 为了提升烟包缺陷检测的准确率,构建卷烟包装外观缺陷识别基准数据集,并开展主流深度学习模型在卷烟包装外观缺陷智能检测中的应用研究。方法 首先,从生产运行中的ZB45型细支烟硬盒包装机组采集缺陷图像,经过人工审核与筛选后获取典型的缺陷数据。然后,根据缺陷的特征与成因,将缺陷数据划分为23个类别,并逐一进行目标检测框标注。最终,形成了包含13 000余张缺陷图像的卷烟包装外观缺陷识别基准数据集,并针对烟包缺陷识别、缺陷分类、目标检测、模型迁移4项任务开展实验。结果 结果表明,数据集能够满足高准确率深度学习模型的训练需求;通过模型迁移,能够利用该数据集大幅提高不同牌号卷烟的缺陷检测效果;DenseNet模型在烟包缺陷识别与缺陷分类任务上表现较好,准确率分别达到93.70%和95.43%,YOLOv5模型在缺陷目标检测任务上mAP@0.5值达到了96.61%。结论 该数据集能够作为烟包缺陷检测领域的基准数据集,研究成果将进一步支撑卷烟包装领域的数据应用与数字化转型。     

堆叠自编码器在样本不充足下的轴承故障诊断方法

深度学习作为一种实用的大数据处理工具,在机械智能故障诊断领域也受到广泛关注,许多研究者已经成功地将深度学习模型应用于故障诊断领域。但这些研究往往忽略了两个重要的问题:(1)当原始训练数据集不足时,模型训练过程不理想;(2)网络模型的学习内容不明确。为了克服上述不足,提出一种新的数据增强的堆叠自编码器(DESAE)框架,该框架由数据增强模块和故障分类模块组成。在数据增强模块中,采用SAE生成模拟信号,对不充足的训练数据进行增强。在故障分类模块中,利用增强的数据集训练另一个SAE模型并进行故障样本类型识别。同时,利用轴承数据集验证该方法的有效性。此外,为了更便于理解DESAE工作过程,对其各层学习特性进行可视化分析。     

基于梯度提升回归树的冷水机组能耗预测方法

冷水机组作为空调系统最主要的能耗设备,建立冷水机组能耗预测模型对于节能运行优化具有重要意义。本文针对冷水机组运行参数繁多,能耗预测模型超参数难以调优等特点,提出了基于梯度提升回归树的冷水机组能耗预测方法,并利用冷水机组实测数据对模型进行了训练与验证,同时对比了支持向量回归和决策树模型。结果表明:基于梯度提升回归树的能耗预测模型能够更准确的预测冷水机组能耗。对比其他两种模型,MAE和RMSE分别平均降低了24.5%和45.5%,相关系数达到0.999 7,并且模型对超参数不敏感,能够在较宽泛的范围内比较好地拟合数据,具有较高的实用价值。     

基于DNN和改进K-means的船舶辐射噪声开集识别方法

为提高船舶噪声识别系统的性能,实现开集识别,提出了基于深度神经网络(Deep Neural Network, DNN)和改进K-means的船舶辐射噪声开集识别方法。首先,采用Welch功率谱估计方法提取船舶辐射噪声的特征;然后,设计并应用DNN模型进一步提取特征向量;最后,使用改进的K-means模型实现开集识别。在实测数据上进行了实验,结果表明,所提方法能实现船舶辐射噪声开集识别,对于实测数据的平均识别正确率为93.5%,较DNN+K-means++方法提高了6.2个百分点。对实测数据添加实验船发动机噪声或渔船噪声进行实验,结果表明,识别方法在其他船只噪声干扰下具有较好的鲁棒性。     

非均衡训练集过采样的印刷套准识别方法

目的 针对印刷标志图像训练数据集非均衡性导致印刷标志图像中少类数据套准状态识别准确率低的问题,提出改进的SMOTE训练集过采样方法,以提高少类数据的识别准确率。方法 提取印刷标志图像灰度行程矩阵的纹理特征,组成多维的模型输入特征数据。基于少类样本的邻域信息,得到少类样本的过采样参数。对少类样本采取不同的过采样策略,实现训练集样本的均衡。使用均衡的训练集建立支持向量机模型,实现对印刷套准状态的识别。结果 实验结果表明,文中方法在不同非均衡印刷数据集上,获得的平均分类准确率几何平均数Gmean为0.8507,召回率Re为0.7192,ROC曲线下面积A为0.8549。结论 文中方法在不同非均衡印刷套准数据集上的分类性能要优于实验中的SMOTE,IS和SVM等方法。     

基于改进小波阈值去噪的深度学习水下目标分类

由于海洋环境噪声复杂,噪声等级高,水下待识别目标信噪比低,从而造成了特征提取困难,目标识别率低的问题。基于此,文章提出了基于改进小波阈值的深度学习水下目标分类方法。此方法在传统小波阈值去噪的基础上提出了一种新的小波阈值函数,对于所采用的具体阈值将其与分解尺度相联系,从而实现降低背景噪声,提升水下目标分类识别率的目的。此方法对实测舰船辐射噪声信号进行小波分解,提取每一层的高频小波系数并对其进行处理;对处理完的信号再提取时频特征,最后将其输入后续的深度学习网络中。实验结果发现：在利用原有数据集情况下,利用基于改进小波阈值的深度学习进行水下目标的分类识别,采用卷积神经网络算法可达到88.56%的分类识别率。对前述实验结果进一步分析后,采用生成对抗网络的方法扩充数据样本,可达到96.673%的分类识别率。     

基于粗集的改进对向传播网络结构损伤识别

为了有效地利用结构健康监测系统冗余、互补、不确定的信息进行健康状况评估,提出了一种将粗集和改进对向传播神经网络(RCPN)有机地结合在一起的损伤识别新方法。它先用粗集进行数据处理以降低数据的不确定性和空间维数,然后用RCPN进行损伤识别。为了验证所提方法的有效性,对1个框架结构的单损伤和多损伤模式进行了识别,并重点研究了噪声、神经网络模型、不同数据处理方法的影响。研究发现,所提方法不仅可以降低数据的空间维数,减少神经网络的训练与检验时间,而且具有较好的损伤识别精度和鲁棒性。     

基于脉冲神经网络的钢材表面缺陷识别研究

目的 针对现有钢材缺陷识别算法特征图利用不充分、识别准确率低、参数量大等问题,基于脉冲神经网络,提出一种用于钢材缺陷识别的稠密卷积脉冲神经网络(DCSNN)模型,减少系统消耗和内存占用。方法 首先,采用卷积编码,对输入图片进行特征提取和编码。其次,采用稠密连接算法搭建稠密卷积脉冲神经网络,实现特征重复利用,抑制梯度消失,并通过替代梯度下降算法进行网络训练。最后,在带钢数据集上进行测试,实现带钢缺陷识别。结果 实验结果显示,DCSNN在测试集上的准确率为98.61%,参数量为0.5万,结论 在钢材表面缺陷识别问题上表现出良好效果。     

多波束声呐海底底质半监督学习分类方法

多波束测深声呐的反向散射数据中包含海底表层的声学信息,可以用来进行海底表层底质分类。但实际中通过物理采样获得大范围的底质类型的标签信息所需成本过高,制约了传统监督分类算法的性能。针对实际应用中只拥有大量无标签数据和少量有标签数据的情况,文章提出了基于自动编码器预训练以及伪标签自训练的半监督学习底质分类算法。利用2018年和2019年两次同一海域实验采集的多波束测深声呐反向散射数据,对所提算法进行了验证。数据处理结果表明,相比仅利用有标签数据的监督分类算法,提出的半监督学习分类算法保证分类准确率的同时所需的有标签数据更少。自动编码器预训练的半监督学习分类方法在有标签样本数量极少时的准确率仍高于75%。     

基于卷积神经网络的印刷套准识别方法

目的 针对目前印刷套准识别方法依赖于经验人工设计特征提取的问题,提出一种不需要人工提取图像特征的卷积神经网络模型,实现印刷套准状态的识别.方法 采用图像增强技术实现不均衡训练集的均衡化,增加训练集图像的数量,提高模型的识别准确率.设计基于AlexNet网络结构的印刷套准识别模型的结构参数,分析批处理样本数量和基础学习率对模型性能的影响规律.结果 文中方法获得的总印刷套准识别准确率为0.9860,召回率为1.0000,分类准确率几何平均数为0.9869.结论 文中方法能自动提取图像特征,不依赖于人工设计的特征提取方法.在构造的数据集上,文中方法的分类性能优于实验中的支持向量机方法.     

Transfer Learning-based Computer-aided Diagnosis System for Predicting Grades of Diabetic Retinopathy

Diabetic retinopathy (DR) diagnosis through digital fundus images requires clinical experts to recognize the presence and importance of many intricate features. This task is very difficult for ophthalmologists and time-consuming. Therefore, many computer-aided diagnosis (CAD) systems were developed to automate this screening process of DR. In this paper, a CAD-DR system is proposed based on preprocessing and a pre-train transfer learning-based convolutional neural network (PCNN) to recognize the five stages of DR through retinal fundus images. To develop this CAD-DR system, a preprocessing step is performed in a perceptual-oriented color space to enhance the DR-related lesions and then a standard pre-train PCNN model is improved to get high classification results. The architecture of the PCNN model is based on three main phases. Firstly, the training process of the proposed PCNN is accomplished by using the expected gradient length (EGL) to decrease the image labeling efforts during the training of the CNN model. Secondly, the most informative patches and images were automatically selected using a few pieces of training labeled samples. Thirdly, the PCNN method generated useful masks for prognostication and identified regions of interest. Fourthly, the DR-related lesions involved in the classification task such as micro-aneurysms, hemorrhages, and exudates were detected and then used for recognition of DR. The PCNN model is pre-trained using a high-end graphical processor unit (GPU) on the publicly available Kaggle benchmark. The obtained results demonstrate that the CAD-DR system outperforms compared to other state-of-the-art in terms of sensitivity (SE), specificity (SP), and accuracy (ACC). On the test set of 30,000 images, the CAD-DR system achieved an average SE of 93.20%, SP of 96.10%, and ACC of 98%. This result indicates that the proposed CAD-DR system is appropriate for the screening of the severity-level of DR.     

A transfer learning framework for traffic video using neuro-fuzzy approach

One of the main challenges in the Traffic Anomaly Detection (TAD) system is the ability to deal with unknown target scenes. As a result, the TAD system performs less in detecting anomalies. This paper introduces a novelty in the form of Adaptive Neuro-Fuzzy Inference System-Lossy-Count-based Topic Extraction (ANFIS-LCTE) for classification of anomalies in source and target traffic scenes. The process of transforming the input variables, learning the semantic rules in source scene and transferring the model to target scene achieves the transfer learning property. The proposed ANFIS-LCTE transfer learning model consists of four steps. (1) Low level visual items are extracted only for motion regions using optical flow technique. (2) Temporal transactions are created using aggregation of visual items for each set of frames. (3) An LCTE is applied for each set of temporal transaction to extract latent sequential topics. (4) ANFIS training is done with the back-propagation gradient descent method. The proposed ANFIS model framework is tested on standard dataset and performance is evaluated in terms of training performance and classification accuracies. Experimental results confirm that the proposed ANFIS-LCTE approach performs well in both source and target datasets.     

半导体精密控温技术在航天器包装容器的应用

目的 对某型号航天器包装容器进行温控系统设计,以达到航天器高精度控温的要求.方法 对总体保温布局进行设计,优化被动保温结构,采用半导体控温方式,利用Ansys Workbench进行稳态和瞬态热力学分析.通过试验测试,验证保温结构设计和热力学分析结果的合理性.结果 在外部施加热源温度36℃和0℃情况下,随着热源区域的远离,包装容器内部的温度也趋于平稳,内部装载产品区域温度基本能维持在20.99～22.662℃.实际试验结果显示箱内温度变化不大于±1℃,比传统的空调控温精度高出70％左右.结论 通过优化箱体的被动保温结构,采用半导体精密控温,可以满足未来航天器小型化、高精度运输要求.     

三峡大坝坝基粘弹性应力场与渗流场耦合分析

根据三峡大坝基岩的具体特点,本文提出了坝基岩体粘弹性应力场与渗流场的耦合分析模型,并对坝基开挖过程进行了模拟计算分析。该模型采用伯格斯模型模拟基岩的粘弹性流变特性,并假设其渗透系数与应力的关系为指数函数关系,考虑了应力场与渗流场的耦合效应。结果表明,渗流场的作用是明显的。     

Incremental Learning Framework for Mining Big Data Stream

At this current time, data stream classification plays a key role in big data analytics due to its enormous growth. Most of the existing classification methods used ensemble learning, which is trustworthy but these methods are not effective to face the issues of learning from imbalanced big data, it also supposes that all data are pre-classified. Another weakness of current methods is that it takes a long evaluation time when the target data stream contains a high number of features. The main objective of this research is to develop a new method for incremental learning based on the proposed ant lion fuzzy-generative adversarial network model. The proposed model is implemented in spark architecture. For each data stream, the class output is computed at slave nodes by training a generative adversarial network with the back propagation error based on fuzzy bound computation. This method overcomes the limitations of existing methods as it can classify data streams that are slightly or completely unlabeled data and providing high scalability and efficiency. The results show that the proposed model outperforms state-of-the-art performance in terms of accuracy (0.861) precision (0.9328) and minimal MSE (0.0416).     

基于随机森林的统计控制图模式识别研究

引入随机森林方法进行统计控制图模式识别的研究。提取了控制图的统计特征和形状特征,设计了5种不同的特征组合方法,利用蒙特卡洛仿真方法产生训练数据集和测试数据集,选取了常用的3种模式识别方法（支持向量机方法、人工神经网络方法、决策树方法）进行对比。实验结果表明,随机森林方法相比其他3种分类器方法,在分类准确率和消耗时间两个维度上都有明显优势,可以应用于统计过程控制图模式识别。     

Wavelet packet correlation methods in biometrics

We introduce wavelet packet correlation filter classifiers. Correlation filters are traditionally designed in the image domain by minimization of some criterion function of the image training set. Instead, we perform classification in wavelet spaces that have training set representations that provide better solutions to the optimization problem in the filter design. We propose a pruning algorithm to find these wavelet spaces by using a correlation energy cost function, and we describe a match score fusion algorithm for applying the filters trained across the packet tree. The proposed classification algorithm is suitable for any object-recognition task. We present results by implementing a biometric recognition system that uses the NIST 24 fingerprint database, and show that applying correlation filters in the wavelet domain results in considerable improvement of the standard correlation filter algorithm.     

基于决策树算法的多联机气分插反故障诊断

本文将决策树算法应用于多联机气分插反故障诊断中,搭建了多联机实验平台采集数据,根据专家知识及数据变化模型验证选取了建模的特征变量,采用决策树C5.0算法构建气分插反故障诊断模型,进一步对由模型分类规则生成的最优变量即过冷器的EEV（电子膨胀阀）进行深入分析和验证。结果表明：将决策树算法应用于多联机气分插反故障诊断的方法,准确率为96%,有较高的准确性和可靠性,此诊断方法能满足多联机故障诊断实际运用的需要。由于多联机发生气分插反故障时,系统过热度降低,为保证多联机系统的制冷效果和能效比,可通过增大过冷器EXV开度调节。