基于注意力模型的多传感器人类活动识别

深度循环神经网络适用于处理时间序列数据, 然而循环神经网络特征提取能力差, 时间依赖关系挖掘不足。针对此问题, 提出了3种注意力机制和长短时记忆(LSTM)神经网络结合的模型用于人类活动识别问题, 并研究了3种注意力机制在不同数据集上单独及配合使用时对模型精度的影响。对于UCI_HAR数据集, 3种注意力LSTM模型准确率分别为94.13%、95.15%和94.81%,高于LSTM模型识别准确率93.2%。此外, 针对人类活动识别的传感器时间序列数据的标签特点, 提出将时间段分类任务转化为分割任务, 设计了2个基于分割任务的注意力门控循环单元(GRU)神经网络模型, Bahdanau注意力GRU模型在Skoda数据集和机会(Oppor)数据集准确率为84.61%和89.54%, 高于基准UNet模型的70.40%和88.51%。     

基于深度自编码和LSTM循环网络的脑电情感识别

针对脑电信号情感识别中情感特征信息挖掘不充分、识别准确率低的问题,提出深度自编码方法提取脑电信号情感特征,并结合长短时记忆(LSTM)循环神经网络实现维度情感分类.首先,基于DEAP维度情感生理数据集,分别在唤醒度和效价维度选取情感标签阈值,划分不同情感状态;然后,通过时间窗对脑电信号分段,设计栈式自编码网络挖掘脑电数...     

基于吊索局部振动与神经网络技术的悬索桥损伤定位

基于由吊索局部振动测试构建的吊索张力指标,应用神经网络技术对悬索桥结构损伤位置和程度识别进行了探讨。首先应用经校正的三维有限元模型,对该方法进行了较为详细的数值模拟分析。模拟了多种可能的损伤工况。采用BP网络,以不同损伤程度下基于吊索频率计算的张力指标作为网络的训练与测试输入,由网络的输出向量来指示损伤位置及程度。然后,利用面向健康诊断专门设计制作的悬索桥试验模型,针对个别损伤工况进行了损伤识别的模型试验研究。数值模拟和试验研究均获得较好的损伤识别效果。该方法的突出优点是只用到少量吊索的局部模态的基频,就能获得较好的识别结果。而对少量吊索的局部模态的基频测量要比其它面向损伤检测的测量容易得多。因此,该方法具有重要的实用价值。     

基于贝叶斯优化BiLSTM模型的输电塔损伤识别

结构的加速度响应可以反映结构的状态信息，蕴含结构的损伤特征。针对目前输电塔健康监测系统产生大量数据而无法有效分析和诊断输电塔损伤的问题，利用结构输出加速度响应数据的时序关系，提出了基于双向长短时记忆网络(bi-directional long and short-term memory, BiLSTM)的损伤识别方法，并采用概率寻优方法贝叶斯优化(Bayesian optimization, BO)确定网络模型超参数。首先描述了BiLSTM的基本原理，给出基于贝叶斯优化的超参数选取策略，从而提出了基于BO-BiLSTM模型的损伤识别方法。然后使用该方法对输电塔有限元模型进行了损伤定位与模式识别，测试集的整体识别准确率达到94.2%。为了验证该方法对实际结构的损伤识别效果，提出基于异源数据的损伤识别方式：将输电塔有限元模型数据作为模型训练的样本训练BO-BiLSTM模型，使用试验数据用作验证集检验损伤识别效果。识别结果表明BO-BiLSTM可以较为准确的识别真实结构的损伤情况，识别效果较BiLSTM以及BO-LSTM更稳定。     

基于神经网络方法的框架结构损伤检测的试验研究

首先建立了三层试验框架结构的有限元模型，利用未损伤状态的动态测量数据，采用神经网络方法分步对原结构的有限元模型进行了修正。然后，依据修正的有限元模型，运用神经网络方法对各种实际损伤状况进行了损伤诊断。比较了仅以三阶频率作为神经网络输入向量和三阶频率及一阶振型组合作为网络输入向量对网络训练和损伤检测结果的影响。研究表明，神经网络的输入数据越充分，网络训练的收敛速度越快；利用三阶固有频率能够对该模型结构的各种损伤进行诊断，获得满意层问刚度识别的结果。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

基于卷积神经网络与门控循环单元的气液两相流流型识别方法

提出了一种基于卷积神经网络(CNN)与门控循环单元(GRU)的垂直管道气液两相流流型识别方法。该方法基于电阻层析成像(ERT)系统的重建图像,对其填充处理后进行离散余弦变换(DCT),求取最大、最小 DCT 系数的差值,选取一定帧数长度数据作为网络输入,对流型进行识别。分析了输入序列长度对CNN-GRU、CNN 及 GRU 网络分类准确的影响,确定了最佳输入向量维度分别为 60、65 及 50,使用实验数据对3种网络进行训练、测试,结果表明,CNN-GRU网络分类准确率最高,平均流型识别准确率可达 99.40%。     

基于全局注意力机制和LSTM的连续手语识别算法

目的 为提高连续手语识别准确率,缓解听障人群与非听障人群的沟通障碍。方法 提出了基于全局注意力机制和LSTM的连续手语识别算法。通过帧间差分法对视频数据进行预处理,消除视频冗余帧,借助ResNet网络提取特征序列。通过注意力机制加权,获得全局手语状态特征,并利用LSTM进行时序分析,形成一种基于全局注意力机制和LSTM的连续手语识别算法,实现连续手语识别。结果 实验结果表明,该算法在中文连续手语数据集CSL上的平均识别率为90.08%,平均词错误率为41.2%,与5种算法相比,该方法在识别准确率与翻译性能上具有优势。结论 基于全局注意力机制和LSTM的连续手语识别算法实现了连续手语识别,并且具有较好的识别效果及翻译性能,对促进听障人群无障碍融入社会方面具有积极的意义。     

基于神经网络的桥梁损伤位置识别

损伤位置识别是对大型桥梁结构进行损伤检测的重要一步。以汲水门斜拉桥为背景,对应用神经网络的模式分类技术识别桥面结构损伤位置的方法进行了研究。使用了两种类型的网络,简称动态网络和GA网络,探讨了这一方法的可行性。动态网络的网络结构是根据训练进程而动态地确定的。GA网络是在训练中引进了遗传算法。比较了两种网络对损伤位置的识别效果。结果表明,应用神经网络的模式分类技术对桥梁桥面结构损伤位置识别的方法是可行的。只需要较少的输入数据,两种网络均可产生较好的识别结果。     

利用模态试验参数识别结构损伤的神经网络法

利用结构位移模态试验和应变模态试验参数和神经网络方法对结构损伤定位和定量辨识问题进行了研究。为获得对结构损伤更加敏感的结构损伤识别指标,在分析现有识别指标的基础上,提出了用于神经网络方法的六种基于结构模态试验参数的损伤识别指标,并对它们进行了实例识别和比较研究。它们均能对结构的损伤进行预报,其中应变类型的损伤识别指标对结构损伤的敏感度比位移类型的损伤识别指标高。