基于多层融合振动数据分析的GIS设备机械缺陷诊断方法研究

气体绝缘金属封闭开关设备(gas insulated metal enclosed switchgear,GIS)机械缺陷是导致设备故障的重要因素,针对单测点、单证据机械缺陷诊断模型信息缺失和精度不足问题,该文提出一种多层融合振动数据分析的GIS设备机械缺陷诊断方法。首先,基于真型GIS设备振动模拟平台试验研究测点位置与缺陷类型对振动行为的影响特性;然后,联合统计分析、模态分解、尺度变换方法提出机械振动信号整体与局部信息关注的复合参数分析方法,引入主成分分析开展多测点振动信息的特征层融合降维;最后,提出改进放缩权重的Dempster-Shafer(DS)证据理论和Bagging投票机制的强/弱基学习器决策层融合机制,联合构建多层融合振动数据分析的GIS设备机械缺陷诊断模型。结果表明:不同类型机械缺陷信号的响应幅值、特征频点和畸变程度存在显著差异,复合特征参量大小及分散程度各不相同;同时,测点位置对缺陷信号的复合振动特征参量的表现形式及分布区间也具有一定影响;基于多层融合数据分析的诊断模型实现缺陷有效识别,辨识准确率为98.66%,相比单一分类器诊断效果提升5.83%。该文可为GIS设备机械缺陷诊断方法提供有价值的参考。

时空图表征与规则特征多层融合的电信网反诈防骚扰机制

目前,在防范打击电信网络骚扰诈骗领域,对骚扰和诈骗的在线判定,要么是基于业务经验并结合统计分析的规则识别方法,要么是利用对特征信息库进行标签学习训练得到的分类器模型。单一领域的传统模型分析效果已无法满足新形势下的模型精度要求。在此背景下,本文提出时空图表征与规则特征多层融合模型及基于该模型构建的电信网反诈防骚扰分析机制。该集成模型跳出单域分析框架,挖掘多源异构大数据深度特征,具有稳定性强、识别精准率高、可兼容小样本学习场景、能进行自适应优化等特征。

带多层融合结构的广义系统Kalman融合器

对带多传感器的线性离散随机广义系统,用奇异值分解将其化为两个降阶耦合子系统,应用现代时间序列分析方法,基于自回归滑动平均(Autoregressive moving average,ARMA)新息模型和白噪声估计理论,提出了带三层融合结构的分布式稳态Kalman融合器,它由两个加权融合器和两个复合融合器组成.第一层给出子系统状态融合器,实现了每个子系统分量解耦融合;第二层给出变换后状态融合器,实现了两个子系统的解耦融合;第三层给出原始状态融合器,它可统一处理状态融合滤波、平滑和预报问题.为计算最优加权阵,给出了计算局部估计误差互协方差阵公式,证明了它的精度比每个局部估值器精度高.Monte Carlo的仿真实例说明了其有效性.

多层融合深度局部PCA子空间稀疏优化特征提取模型

子空间方法是主要利用全局信息的经典模式识别方法,随着深度学习思想的引入,局部自学习结构特征模型得到大家的关注.利用深度学习原理,本文提出一种多层融合的深度局部子空间稀疏优化特征自学习抽取模型解决目标识别问题.首先,对训练样本集通过最小化重构误差得到第一层的主成分(Principal Component Analysis,PCA)特征映射矩阵;然后,通过L1范数约束对特征映射结果进行稀疏优化,提高算法鲁棒性.接着,在第二层映射层以第一层的特征输出为输入,进行同样的特征矩阵学习操作,最终将图像映射至深层PCA子空间;然后,对各个映射层的特征提取结果进行加权融合,进行二值化哈希编码和直方图分块编码,提取图像的深度子空间稀疏特征.在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明,该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性,并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点.

门控多层融合的实时语义分割

针对语义分割任务中因模型下采样过程中的像素损失而导致的上采样像素难以精确还原的问题,提出一种基于门控多层融合的实时语义分割方法.考虑分割的实时性,采用轻量级模型作为基础网络进行特征信息的提取.为解决像素难以精确还原问题,设计了一种横向连接的门控注意力结构,此结构可以对目标特征进行筛选,并通过横向传递增强上采样特征图信息的多样性,从而提高特征图的还原精度.此外,还提出采用多层融合结构来整合不同网络层的语义信息,利用不同网络层间的语义表达差异对缺失像素进行补充.实验以CamVid和VOC为数据集,以512×512大小的图像为输入,测试结果表明,方法的图像语义分割精度达到72.9%,平均分割速度为43.1帧/s.

基于CNN多层融合特征与Fisher准则的分类算法

针对目标物体的多分类问题,提出基于CNN多层融合特征与Fisher准则的分类算法。首先,应用卷积神经网络提取图像的各层特征;然后,通过穷尽搜索法确定各层特征融合的权值系数,得到多目标分类特征;最后,采用Fisher多分类准则,求出使模式具有最大可分性的最佳投影方向,实现目标分类。在ORL、Yale库上进行实验研究,分类准确率分别达到了97. 5%和97. 3%。结果表明,该方法能够解决模式多分类的问题,与传统方法相比有效地提高了识别能力,具有很好的鲁棒性。

一种多层融合处理的GPR B-Scan双曲线提取方法

针对探地雷达B扫描(GPR B-Scan)图中双曲线特征自动提取、不规则曲线消除和不完整双曲线拟合等问题,设计了一种多层融合处理的GPR B-Scan图像双曲线提取模型。首先,预处理层采用OTSU阈值分割算法和形态腐蚀方法预处理图像,然后通过聚类层连接聚类算法完成双曲线特征自动提取,消除不规则曲线,最后双曲线拟合层采用鲁棒正交距离拟合算法,简化双曲线拟合过程。最后先搭建了GprMaxs平台仿真实验,平均拟合正确率达到了97.64%,接着进行了混凝土和潮湿土两个实际工况中真实GPR B-Scan图数据实验验证,平均拟合正确率达到92%以上。结果表明所设计模型的有效性和正确性,为后续的应用推广奠定基础。

基于Swin Transformer和三维残差多层融合网络的高光谱图像分类

卷积神经网络(CNNs)具有出色的局部上下文建模能力,被广泛用于高光谱图像分类中,但由于其固有网络主干的局限性,CNNs未能很好地挖掘和表示光谱特征的序列属性。为了解决此问题,提出了一种基于Swin Transformer和三维残差多层融合网络的新型网络(ReSTrans)用于高光谱图像分类。在ReSTrans网络中,为了尽可能地挖掘高光谱图像的深层特征,采用三维残差多层融合网络来提取空谱特征,然后由基于自注意机制的Swin Transformer网络模块近一步捕获连续光谱间的关系,最后由多层感知机根据空谱联合特征完成最终的分类任务。为了验证ReSTrans网络模型的有效性,改进的模型在IP,UP和KSC 3个高光谱数据集上进行实验验证,分类精度分别达到了98.65%,99.64%,99.78%。与SST方法相比,该网络模型的分类性能分别平均提高了3.55%,0.68%,1.87%。实验结果表明该模型具有很好的泛化能力,可以提取更深层的、判别性的特征。

一种实时多层融合注意力机制的语义分割方法

采用深度学习技术处理语义分割中像素损失问题的难点在于上采样过程不能完全还原像素,且现有多数网络模型为追求过高的预测精度导致结构复杂,预测效率降低,难以满足实时需求。针对以上问题,提出一种实时多层融合注意力机制的语义分割网络模型。该模型从两个方面精确还原像素,在保证较高处理精度的情况下达到更好的实时性。首先在U型网络横向连接中采用注意力机制与深浅层特征融合的方式构建高效的横向连接模块,其优势在于通过注意力机制关注更全面的上下文特征,以便为后续上采样过程提供尽可能多的像素信息;然后考虑到深层网络产生的特征点定位性更强,模型在上采样过程中采用深层特征进行像素定位修正,使得像素还原更加精确,并且可以更好地解决预测结果边缘平滑问题;最后采用轻量级模型作为基础模型,在融合过程中多处采用1×1卷积进行降维。实验结果表明,在VOC和Cityscapes数据集输入图像大小为512×1024时,该模型可保持64帧/s的处理速度,平均交并比最高可达75.3%。

一种多层线性融合的内窥镜图像增强算法

针对内窥镜图像中因光照不充分、不均匀而造成的细节模糊问题,提出了一种用于人体上消化道内窥镜图像对比度和亮度增强的算法。通过对自适应伽马校正亮度增强算法和有限对比度自适应直方图均衡化算法改进并进行线性融合。通过对输入图像分别进行亮度增强和对比度增强处理,最终得到线性融合增强图像。将提出的算法应用于开源数据集中的上消化道胃部组织图像,并与现有算法进行了对比,采用峰值信噪比(PSNR)、结构相似度(SSIM)和自然图像质量评价(NIQE)作为图像评价指标。实验结果表明,所提出的图像增强算法与现有算法相比,提高了图像质量,为医疗诊断提供更多的细节信息。

基于图神经网络的多层银企网络融合研究

针对金融行业内潜在系统性风险难以精准识别问题,基于直接系统性风险传染渠道的借贷数据以及间接渠道的互联网文本信息,构建多层银企网络,并利用图卷积神经网络(GCN)设计多层银企网络融合模型,根据融合网络量化评估29家银行和75家房地产机构的不同渠道系统性风险传染过程。实验结果表明,在多层金融网络融合任务上,本文融合模型的准确率达到0.8559,优于对比模型。融合网络分析表明,多层网络共同冲击下的银企系统性风险传染能力明显大于单一或者2层网络的系统性风险,且基于间接渠道的企业间网络系统性风险更明显。金融审慎监管应该更多关注文本数据、深度学习等技术对于整合庞大金融资源的能力和有效提高风险监测预警的能力。

天空地多层异构融合网络性能分析及切换协议优化

针对多层异构融合网络(Multi-layer heterogeneous integrated network, MLHetINet)切换复杂的问题,提出通过凝视波束及干扰消除算法获取切换分析的有效数据,简化波束对准及捕获过程,扩展空基网络覆盖范围,进而降低跨层切换的复杂度。首先,针对地面终端和空中基站间的相对高速运动特性,提出空基凝视多波束形成算法,自适应地调整天线相位和权值,在目标方向生成主瓣并对干扰源进行零陷实现空域隔离,简化切换分析的复杂度。然后针对空地信道的复杂性,提出了基于列范数分组排序的多阶干扰消除算法,进一步提高目标信号的检测精度,提高切换分析的准确性。最后,依靠凝视波束技术和干扰消除算法,针对空天地三维多层异构融合网络中的切换事件设计了独立的切换协议,显著降低了网络资源的消耗。仿真结果表明,相较于传统地面网络和天地融合网络,所提波束赋形辅助的天空地多层异构融合网络中的用户信息速率有显著提升。

基于多层动态融合的中文医疗命名实体识别

针对基于预训练模型的命名实体识别方法仅使用了预训练模型最后一层隐状态,忽略了各Transformer层对应不同文本信息的问题,提出一种预训练模型多层动态融合方法。采用预训练模型进行特征提取,获得模型各层隐状态序列;通过多层动态融合方法对各层隐状态信息进行结合,作为预训练模型最终输出;采用条件随机场对序列进行解码,完成序列标注。多层动态融合方法可以充分利用预训练模型各层知识,使结果中包含丰富的句法、语义等特征信息,提升模型在任务中的表示能力,增强模型灵活性。通过对医疗文本数据集CMeEE、CCKS2017与通用领域数据集Resume、Weibo进行实验验证,结果证明,加入多层动态融合方法可以有效地提升命名实体识别效果。

多层特征融合与混合注意力的物体位姿估计

在工业机器人抓取过程中,针对物体无纹理、存在遮挡、场景杂乱的情况下的6D位姿精确估计问题,提出一种多层特征融合与混合空间通道注意力的物体6D位姿估计算法。设计了一种垂直连接的双向特征融合金字塔网络,实现多层特征融合,提升对目标关键点的检测性能。嵌入混合空间通道注意力机制,聚焦空间和通道两个维度上的特征信息,增强模型的局部表征能力。在LineMod数据集及Occlusion LineMod遮挡数据集上的实验结果表明所提出算法的优越性及有效性,且能够有效处理背景杂乱及遮挡问题。

基于多层空间特征融合的三维人体姿态估计

在三维人体姿态估计任务当中,人体关节之间的连接关系形成了一种复杂的拓扑结构,利用图卷积网络对该结构进行建模,可以有效捕捉局部关节间的联系;尽管不相邻关节之间没有直接的物理连接,但由于人体的运动和姿态受到生物力学约束以及人体关节之间的协同作用,利用Transformer编码器建立关节之间的上下文关系,可以更好地推断出人体姿态;在大模型的背景下,如何在保证模型性能的同时,降低参数量,也显得尤为重要.针对上述问题,设计了一个基于图卷积和Transformer的多层空间特征融合网络模型(MLSFFN),在使用相对少量的参数基础上,有效地融合了局部和全局空间特征.实验结果表明,本文提出的方法在仅需2.1M参数量的情况下,在Human3.6M数据集上达到了49.9 mm的平均每关节误差(MPJPE).此外,模型在MPI-INF-3DHP数据集上也展示出了较强的泛化能力.

基于特征融合和模板更新的孪生网络跟踪算法

针对现有孪生网络跟踪算法仅使用主干网络最后一层的特征进行相似度匹配,以及缺少有效模板更新策略的问题,提出基于多尺度特征融合和自适应模板更新的孪生网络跟踪算法。首先,结合深度过参数化卷积设计非填充单元,提取更深层的前景特征和语义背景;然后,设计新的全局-局部特征融合模块,充分聚合浅、中层特征的全局和局部信息,捕获丰富的浅层外观特征和中层过渡特征;最后,采用自适应模板更新机制在线更新模板。为验证算法的有效性,在公开数据集上对所提算法进行详尽评估,实验结果显示,所提算法在OTB2015和VOT2018数据集上的精确度分别达到0.878和0.588,GOT10K数据集上平均重叠率达到0.526,优于其他主流算法。

LSTM逐层多目标优化及多层概率融合的图像描述

使用计算模型对图像进行自动描述属于视觉高层理解,要求模型不仅能够对图像中的目标及场景进行描述,而且能够对目标与目标之间、目标与场景之间的关系进行表达,同时能够生成符合一定语法和结构的自然语言句子.目前基于深度卷积神经网络(Convolutional neural network,CNN)和长短时记忆网络(Long-short term memory,LSTM)的方法已成为解决该问题的主流,虽然已取得巨大进展,但存在LSTM层次不深,难以优化的问题,导致模型性能难以提升,生成的描述句子质量不高.针对这一问题,受深度学习思想的启发,本文设计了基于逐层优化的多目标优化及多层概率融合的LSTM(Multi-objective layer-wise optimization/multi-layer probability fusion LSTM,MLO/MLPF-LSTM)模型.模型中首先使用浅层LSTM进行训练,收敛之后,保留原LSTM模型中的分类层及目标函数,并添加新的LSTM层及目标函数重新对模型进行训练,对模型原有参数进行微调;在测试时,将多个分类层使用Softmax函数进行变换,得到每层对单词的预测概率分值,然后将多层的概率分值进行加权融合,得到单词的最终预测概率.在MSCOCO和Flickr30K两个数据集上实验结果显示,该模型性能显著,在多个统计指标上均超过了同类其他方法.

深层融合对称子空间学习稀疏特征提取模型

提出深层融合对称子空间学习稀疏特征提取模型.在深度子空间基础上,引入对称性、稀疏性约束,通过构建深层映射网络,完成深层特征提取.首先根据最小化重构误差准则构建基本子空间模型,并在构建过程中加入对称性、稀疏性约束.然后对基本子空间模型进行深度化改造,得到深层对称稀疏子空间模型.最后将各个层特征进行融合编码,得到深层特征提取结果.在人脸数据库及目标数据库上的实验表明,文中算法可以取得较高识别率及较好光照、表情、人脸朝向的鲁棒性.相比卷积神经网络等深度学习框架,文中算法具有结构简洁、收敛速度快等优点.

深层融合度量子空间学习稀疏特征提取算法

特征提取作为模式识别中的重要步骤,一直是图像处理研究的重点,逐渐兴起的深度学习理论,作为一种新的深层特征提取模型,越来越受到广大学者的关注。本文提出一种基于深层融合度量学习的稀疏特征提取算法,在深度学习的框架内,构建度量映射矩阵,对图像进行分层映射,最大化保留样本集类间区分信息,并且通过稀疏迭代来保证特征提取结果的稀疏性。首先构建图像集距离度量函数,然后通过求解最大化类间距离来确定最优度量映射矩阵,同时对特征映射结果进行L1范数稀疏迭代,提高噪声鲁棒性。然后对这个基本特征提取单元进行深度化改造,在第二层中进行同样操作,最终通过多层融合提取得到分层深度稀疏特征。相对于已有子空间方法,本文在特征映射过程中引入度量自学习机制,并着重对各个特征映射层进行视觉合理性稀疏约束,融合多层特征语义描述生成最终特征提取结果。在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明,该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性,并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点。

一种适用于轴承故障诊断半监督学习分类的多层图卷积注意力融合网络

图卷积网络的平滑运行会导致其无法通过深度网络堆叠捕获深层信息,为了解决这个问题,提出了一种适用于滚动轴承故障诊断半监督学习分类的多层图卷积注意力融合网络(MGCAN)。首先,采用频域构图法将数据转换为图模型,捕获了数据的内在结构信息,将构建好的图数据输入网络,逐层提取特征信息,从浅层到深层逐步加深对数据特征的理解;然后,对每一层图卷积信息进行了有序拼接,同时引入了图注意力机制,使网络能够自动关注对分类任务比较重要的信息,从而提高了网络的性能和鲁棒性;最终,通过迭代学习,网络能够不断优化模型参数,对故障信息进行了准确识别;对不同工作条件下的滚动轴承进行了多次实验,并将该方法与传统的基于深度学习的方法进行了分析比较。研究结果表明:即使在标记数据只有10%的前提下,采用该网络依旧能够达到88%以上的识别准确度,并且适用于匀速和变速等不同的工况。上述结果证明,在选择适当方法保留多层图卷积中的有用信息后,深度图卷积网络可以成为诊断滚动轴承故障的一大利器。