基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。     

PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断

为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。     

PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断

为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。     

卷积神经网络的多尺度行人检测

行人检测在智能监控、自动驾驶、辅助驾驶、智能机器人等研究领域有着广泛的应用.传统的行人检测方法大多使用滑动窗口遍历图片的方式,导致计算量大,检测速度受到限制.目前基于深度学习的行人检测方法进入了一个快速的发展阶段,但是还存在例如小尺寸行人漏检等很多问题.现提出基于卷积神经网络的多尺度行人检测方法,分析了增加检测层、并联卷积层与改变卷积核尺寸对行人检测性能的影响.在KITTI数据集上的实验结果表明,该方法可以实现较好的行人检测效果.     

基于卷积神经网络优化的水轮机振动信号识别

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理,采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化,然后对10 种不同测点的水轮机振动信号进行实验,针对每个测点的振动信号对水轮机8 种不同工况进行区分识别,最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度,能够准确识别振动信号,识别结果准确率均在94 %以上,与传统卷积神经网络对比,信号识别准确率显著提升,最高达到20.78 %。同时可以看出,振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。     

深度卷积神经网络在混沌振动识别中的应用研究

针对混沌振动信号识别中,混沌特征指数计算量大、运算耗时长,难以满足实时性的要求,提出一种基于深度卷积神经网络的智能混沌识别方法.首先通过相空间重构技术,得到不同振动信号的吸引子图;在此基础上,优化设计了经典网络模型AlexNet的结构参数并进行训练;最后将改进后的模型用于混沌信号的智能识别.仿真和实测信号的结果表明,该...     

φ-OTDR识别不同频率振动事件研究

在相位敏感光时域反射计(φ-OTDR)识别入侵事件中,时间域单点振动判断和空间域相邻点振动判断算法是以一段时间和相邻区域内的数据变化幅度为依据,来检测由入侵者产生的光强差异,定位入侵位置。本文在这种算法的基础上,重点研究了三个方面的内容：即研究自适应均值去阈值的方法、分析了该算法可以识别的振动事件的频率响应范围、设计算法对振动事件所包含的频率信息分类,并通过25组不同频率的振动实验验证算法和分析。实验证实研究出的阈值处理方法适应性非常好,频率响应范围与理论分析一致,且设计的频率分类算法能够实现对振动事件所包含的频率信息正确分类,为φ-OTDR的实际工程应用提供参考。     

基于FBG传感器和卷积神经网络的复合材料结构载荷识别研究

复合材料因其优异的性能被广泛应用于飞行器结构(如飞机机翼)中,对作用在复合材料上的载荷进行识别为飞行器的结构设计和可靠性分析提供了重要的保证,在结构的工程应用中具有很高的价值。本工作研究了一种基于光纤布拉格光栅(FBG)传感器和卷积神经网络(CNN)的多点复杂载荷识别方法。在复合材料悬臂梁上布设FBG传感器,利用FBG实际测量得到的应变数据,首先通过支持向量机(SVM)算法对施加载荷的个数进行识别。进一步根据测点排列顺序,再将应变数据转化成矩形图片,经过归一化处理后输入CNN中,实现同时施加多个载荷时载荷的定位和定量,并与反向传播神经网络(BPNN)和梯度提升决策树(GBDT)的预测结果对比。SVM模型识别准确率为99.584%,CNN模型对两点载荷施加位置预测的平均绝对误差(MAE)分别为0.637 9 mm和0.576 2 mm。结果表明,基于SVM和CNN的多点载荷识别方法是一种有效的方法,可以稳定、准确地识别载荷个数、载荷施加的位置和大小,为飞行器飞行载荷测量提供新的解决方案。     

结合多尺度卷积网络和双端注意力机制的水声目标识别

水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。     

基于浅层卷积神经网络的面部表情识别

面部表情识别在人机交互等领域中发挥着重要作用,采用深度学习方法提高了模型精度,但过深的网络加大了计算成本,造成识别滞后和性能低下的问题.本文提出了一种浅层卷积神经网络模型,它受到Xception网络的启发,结合了残差模块和深度可分离卷积,同时引入了功能模块与网络进行融合.微调后的网络结构简单、模型较小,在FER2013...     

基于支持向量机的相位敏感光时域反射仪研究

为了解决实际环境中振动事件易误报的问题,在基于相位敏感光时域反射仪的分布式光纤振动传感系统中,引入了一种融合小波能量谱和支持向量机(SVM)的模式识别方法。首先,利用小波能量谱分析方法,设定最优分解层为5层,并从原始信号中提取出特征向量;然后利用支持向量机的“一对一法”多分类策略对振动事件进行识别分类。考虑到实际环境因素的影响,对沿光纤行走、敲击光纤以及沿光纤慢跑3种模式的振动进行了检测试验;最后,采用准确率、精确率、召回率和F值来综合评价支持向量机分类器的性能。实验结果表明:该模式识别方法实现了84.9%的振动事件分类准确率。     

基于多尺度稠密卷积网络的单图像超分辨率重建

目的针对已有网络对于卷积特征图利用率低下,从而导致高倍数图像重建质量不高的情况,提出一种多尺度稠密卷积网络(SRMD)。方法对SRDenseNet的稠密连接模块进行改进,去除批规范化层,参考已有网络,设计多尺度特征提取层和1×1的信息整合层,从而构成多尺度稠密卷积模块。SRMD通过一个多尺度特征提取层堆叠64个底层特征图,再由8个多尺度稠密卷积模块经过稠密连接堆叠1024个特征图,最后通过信息整合和子像素卷积模块输出超分辨率重建图像。结果在Set5,Set14,B100和U100数据集上进行测试,SRMD重建图像的峰值信噪比分别为30.1570,26.9952,25.7860, 23.4821 dB,结构相似性分别为0.8813,0.7758,0.7243,0.7452。结论与已有网络相比,SRMD与DRCN,VDSR表现相当,优于SRDenseNet和BiCubic方法。     

基于环形特征的卷积神经网络轮毂识别

针对实际生产中不同种类轮毂的混流生产问题,提出了一种基于环形特征的卷积神经网络轮毂识别算法。将直角坐标下的环形轮毂映射到极坐标中,归一化为标准形式的矩形,提取轮毂图像的环形特征信息,减少冗余特征产生的影响;设计了一种改进的VGG网络架构,利用深度可分离卷积打破输出通道维度与卷积核大小的联系,在不损失网络性能的同时降低了计算量,能够在实际生产中轮毂识别任务在有限的算力情况下实时进行计算;从有效性和实时性两个方面对轮毂识别算法进行评估,且通过Inception V3、SVM、KNN等模型的对比实验,验证了该算法可以实时地对轮毂自适应分类。实验表明: 该方法对轮毂图像的处理精度达到99%以上,单幅图像平均处理时间降低至11.78ms。     

基于卷积神经网络的烟火智能识别算法应用研究

事实证明,将深度学习与烟火检测结合所得智能算法,具有成本低、智能水平高以及覆盖范围大的优点,通常只需借助普通相机便能够做到精准检测并识别不同形态的烟火,现已在很多领域得到推广。该文以该算法的应用为研究重点,在对研究背景、算法理论进行介绍的基础上,详细说明了模型建立过程,并对该模型所具有可靠性进行了检测。结果表明,该算法所具有平均精度较传统算法提高了约5.5%,对该算法加以应用可使烟火预警以及险情跟踪等工作得到高效开展,确保人员得到及时救助,与此同时,相关机构对事故灾害进行管理的能力也会得到显著提升。     

基于跨层卷积神经网络的石刻碑文识别

石刻碑文的研究具有重要的历史价值和文化价值,但是由于受到自然环境的风化、腐蚀和人为的破坏,碑刻文字存在很大的识别难度.传统的识别方法通过选择特征的提取方式,得到笔画、部首等浅层特征,准确率不高.卷积神经网络可以利用深层网络自动提取到更抽象的特征用于识别,具有更高的准确率.本文针对碑刻数据收集困难,数据量较少的问题,提出了一种基于VGG-16的跨层卷积神经网络进行石刻碑文的识别,使用投影分割改进法实现碑文的分割,该方法在本文构建的测试数据集上对石刻碑文的识别具有很好的效果.     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。     

基于拉伸装置的光纤应变系数标定及误差分析

在分布式光纤传感系统中,由于生产厂家、材料、掺杂及生产工艺等的不同,传感光纤的折射率、应变系数及温度系数等基本参量各有差异,在投入使用前必须对其进行标定。提出了基于拉伸装置标定光纤应变系数的方法并系统地进行了误差分析。采用G.652单模光纤,针对不同初始长度进行了多次标定实验,标定的应变系数在0.050 2～0.051 2(MHz/με)之间,重复性好。通过BOTDR验证,实测应变值与理论计算结果吻合的得较好。实验结果表明:该标定方法切实可行、易于实现,既可用于对光纤传感系统的标定,也能用于BOTDR在生产过程中的应变校准。     

基于GNSA多尺度模型的人脸识别

考虑近似图像信息和细节图像信息,提出了 GNSA 多尺度模型。该模型利用具有 1 个隐含层和 50 个隐单元的神经网络建立不同尺度图像间的映射关系;使用反向传播算法训练神经网络,确定这种映射关系;根据该映射关系由低分辨力图像估计高分辨力图像。采用亮度相似性和对比度相似性量化估计图像与目标图像间的相似程度。实验表明,以该模型分析得到的两种相似性分别为 89.907%和 96.196%;以该模型为基础的人脸识别系统对光照具有很好的鲁棒性。