白光的衍射分析与仿真

衍射是光学中极为常见的现象,依光源到狭缝的距离与缝屏距可分为夫琅禾费衍射与菲涅尔衍射。许多文献都有研究过相关问题,但较多是夫琅禾费衍射。文章从波动光学的菲涅尔原理出发,利用菲涅尔-基尔霍夫衍射积分定理,分别讨论了夫琅禾费衍射与菲涅尔衍射下单缝、矩孔与圆孔的衍射情况,并利用MATLAB对其进行了衍射图样的仿真。     

基于深度卷积神经网络的γ光子图像分类识别研究

通过对正电子探测成像技术获得的γ光子图像进行分类识别,有利于后续有针对性地快速获取图像所包含的有效信息。在MatConvNet上利用迁移学习的方法搭建深度卷积神经网络,通过对其参数的调整进一步提高网络分类识别的性能。为了验证网络性能,设计了10组不同形状的管材模型,利用仿真得到的扫描时间为1s的γ光子图像样本集对网络进行训练后,将其应用于扫描时间为0.1 s的γ光子图像样本进行分类识别,发现分类准确率在图像质量偏差、扫描时间为0.1 s的γ光子图像样本上仍然达到了94.72%。可见所搭建的深度卷积神经网络对γ光子图像具有很好的分类识别性能。     

基于Spider卷积的三维点云分类与分割网络

针对传统的卷积神经网络（CNN）不能直接处理点云数据，需先将点云数据转换为多视图或者体素化网格，导致过程复杂且点云识别精度低的问题，提出一种新型的点云分类与分割网络Linked-Spider CNN。首先，在Spider CNN基础上通过增加Spider卷积层数以获取点云深层次特征；其次，引入残差网络的思想在每层Spider卷积增加短连接构成残差块；然后，将每层残差块的输出特征进行拼接融合形成点云特征；最后，使用三层全连接层对点云特征进行分类或者利用多层卷积层对点云特征进行分割。在ModelNet40和ShapeNet Parts数据集上将所提网络与PointNet、PointNet++和Spider CNN等网络进行对比实验，实验结果表明，所提网络可以提高点云的分类精度和分割效果，说明该网络具有更快的收敛速度和更强的鲁棒性。     

GCAT-U-Net嵌入全局坐标注意力机制的遥感地块分割网络

遥感影像的地块背景特征复杂,当前地块分割方法不能较好地处理模糊的边缘信息,导致分割精度不理想;文章利用注意力机制处理地块特征,提出了一种基于全局坐标注意力机制的遥感地块分割网络:GCAT-U-Net;该方法在U-Net网络基础上嵌入了全局坐标注意力机制,加强了深度神经网络对于遥感影像数据中重要特征的关注度;在公开的GID数据集上的实验结果表明,文章提出的模型将准确率从0.9041提升到了0.9227,比传统U-Net网络提高了2百分点;结合特征自身重要性和特征位置信息的全局坐标注意力机制有助于更精确的目标定位,其输出相较于嵌入单一注意力机制,地块边界更为清晰,提升效果更为显著。     

基于深度卷积神经网络的塑料垃圾分类研究

针对塑料垃圾识别分类问题,设计标准卷积层、残差卷积层1和残差卷积层2。通过实验仿真验证各卷积层的优势,将其应用于塑料垃圾分类模型的不同部位中。实验表明,塑料垃圾分类模型的分类准确率高于传统的HOG、LBP分类模型约2%～3%,可为塑料垃圾分类工作提供一定的参考。     

基于CNN的塑料光纤信道解码技术研究

为降低塑料光纤中放大自发发射噪声对解码信号的影响,应用卷积神经网络实现塑料光纤信道解码器,并设计三个TInception类型网络。将TanH非线性激活函数应用于解码器网络第一层,将设计的TInception2应用于解码器网络第二层,可提升训练效率,便于从塑料光纤信号中捕获多样且抽象的信号特征,增强模型的特征表达能力。经仿真,本塑料光纤信道解码器在非对称X～2噪声信道、非对称高斯噪声信道、加性高斯白噪声信道上,对于硬判决和软判决,Q因子为5.75时,信号误码率分别为0.082 72、0.000 64、0.007 26、0.001 23、0.006 27和0.001 34,均低于传统Viterbi光纤信道解码器和反馈神经网络解码器。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。