基于卷积神经网络的心律失常分类研究

心律失常是引起心肌梗塞、突发性心脏死亡等严重疾病的重要原因,常借助心电图进行早期诊断。然而,传统的心电信号分类方法有着复杂的特征提取任务,计算量大、费时费力。为此通过在经典卷积神经网络的基础上加入Dropout层,设计了一种改进的卷积神经网络模型,该模型可以进一步提升模型的泛化能力、提高准确率。其利用CNN自动提取特征,将经过预处理的心电信号直接作为模型的输入,自动识别5种不同类型的心拍。在MIT-BIH心律不齐数据库上进行实验,准确率达到99.68%,特异性为98.94%,灵敏度为99.76%。实验结果表明,相较于经典卷积神经网络,本文提出的方法能够精确、高效地识别不同类型的心律失常疾病。

应用改进卷积神经网络的客户服务业务中台资源异常信息主动报警

针对客户服务业务中台资源异常信息人工诊断不及时、故障辨识率低等问题,提出一种基于改进卷积神经网络的故障诊断方法。卷积层后引入批量归一化层提高模型的泛化能力,在全连接层引入Droupout函数来缓解过拟合问题,还对数据进行了增强处理以及运用灰狼算法对超参数进行寻优。该模型在Pytorch和Pycharm环境下进行仿真,得出经典卷积神经网络的测试集准确率在85%左右,而改进后的测试集准确率在94%左右,表明所提设计具有明显效果。

基于注意力机制的U-Net眼底图像分割算法

视网膜眼底血管的半径、宽度等是评估眼部疾病的重要指标,因此精确分割眼底图像具有十分重要的意义。为了有效辅助医生诊断眼部疾病,本文提出一种新的神经网络分割眼底血管图像,基本思想是通过改进传统的U-Net模型,借助一种注意力融合机制,使用Transformer构建通道注意力机制和空间注意力机制,将2个注意力机制获取的信息进行融合,减少信息的丢失。此外,视网膜眼底图像的数量比较少,神经网络的系数比较大,训练时容易发生过拟合,所以引入DropBlock层解决此难题。在公开数据集DRIVE上面进行验证,与多种最新的方法进行对比,本文提出的方法获得最高的ACC值0.967和最高的F1值0.787。实验结果表明,本文提出的方法能够有效地分割眼底图像。

PSdropout 卷积神经网络在危化品巡检车中的应用

危化品仓储环境复杂多变,基于卷积神经网络的视觉巡检车需要快速的训练方法以便适用不同的环境,提高卷积神经网络的训练速度是当前亟待解决的问题。迅速在网络中提取有效的神经元,是提高算法训练速度的关键。传统的算法中,全链接层神经元的去留问题通常采用基于伯努力分布假设的Dropout方法,本文提出一种基于泊松分布的Dropout方法。理论上看,在充分利用神经元历史行为的基础上,基于泊松分布与基于伯努力分布的最大似然函数类似。实验结果表明,在保持正确率的情况下,训练提前收敛,节约了训练时间。

一种基于修正激活函数的CNN车载毫米波雷达目标检测方法

为了提高车载毫米波雷达在复杂城市道路环境中目标检测的抗杂波与干扰能力,本文利用卷积神经网络(CNN)特征参数提取和目标分类特性,提出了一种改进的基于CNN的车载毫米波雷达目标检测方法。该方法首先将毫米波雷达回波信号距离-多普勒二维数据运用滑窗进行分割,并采用CNN网络模型处理分割后的二维矩阵,训练二维CNN网络模型及其参数,使其具有提取回波特征并基于特征参数模型进行目标分类的能力,从而实现目标检测功能。通过对卷积神经网络模型结构进行优化,增加批量归一化层,优化Dropout层使得低权重特征失活,自适应地删减部分神经元节点修正该层非线性激活函数,进一步降低了CNN模型目标检测的虚警概率。实验结果表明,在相同虚警概率条件下,CNN网络检测方法目标发现概率优于传统的单元平均恒虚警检测方法,并且在低信噪比的条件下仍然能够保持较高的发现概率;在同等发现概率水平下,修正后CNN网络检测方法的虚警概率较修正前可提高约1个数量级。

用于带限DML-IMDD系统中的深度神经网络均衡器简化方案

为提升基于带限光电器件及直接调制激光器(DML)的强度调制直接检测(IMDD)系统性能,解决传统均衡器计算复杂度过高的问题,提出深度神经网络(DNN)均衡器简化方案。首先,利用自适应动量估计(Adam)算法更新DNN的权重系数,优化了传统梯度下降算法的迭代速度和收敛性能;然后,在此基础上引入丢弃层和剪切操作以降低DNN的高计算复杂度,减少网络结构的冗余连接,并避免过拟合现象的产生。最后,在80 Gb/s带限DML-IMDD仿真系统中验证了DNN均衡器简化方案的有效性和可行性。

基于深度神经网络的电压暂降经济损失评估模型

为进一步简化电压暂降经济损失评估流程、提高经济损失预测的适用性和准确度,提出了一种基于深度神经网络(DNN)的电压暂降经济损失评估模型。首先分析了影响电压暂降经济损失的特征因子,分别从电压暂降故障信息、工业过程信息、敏感设备信息和用户基本信息中提取19维特征向量作为DNN预测模型的输入向量,将经济损失结果作为输出,并基于Tensorflow深度学习架构对DNN预测模型进行训练。在此基础上,提出2种数据增强的策略,有效解决了电压暂降样本数据少的窘境,并通过构建4种DNN架构,对比了不同随机失活概率、神经元数量、架构深度对经济损失预测准确度的影响。训练后的DNN模型可以准确提取特征,快速实现收敛并对经济损失进行合理预测。最后,基于我国某大型电子工业企业的电压暂降实际采样数据,对DNN模型进行了训练和性能评估,结果表明了所提方法的有效性。

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network,IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory,LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。

结合产品特征的评论情感分类模型

结合不同产品的评论词信息来构建智能化的情感分类器,提出一种结合产品特征的在线商品评论情感分类模型PWCNN(Product Weight Convolution Neural Network)。模型首先进行产品词特征的词向量训练,将评论文本以及产品信息进行向量乘法组合,结果作为模型输入。然后根据句子的重要性,采用池化加权的卷积神经网络来学习评论的文档级表示。为了防止过拟合且提高泛化能力,在输出层采用dropout策略。实验结果表明,PWCNN模型在平均准确率和F1值等指标上取得最好结果,且提高了模型训练速度。

OCTA技术在原发性青光眼中的应用研究进展

随着科学的发展和社会的进步,近年关于原发性青光眼眼底血流动力学的研究有了革命性的突破,诞生了一种非侵入性的影像学辅助检查方法—光学相干断层扫描血管成像技术(OCTA)。该技术与传统的检查方法相比具有很多优点,其利用分频谱振幅去相关血管成像(SSADA)的方式获取眼底三维立体血流图像,可以分层并量化眼底血流密度,具有无创、迅速、可重复、分层成像和高分辨率等特点,可用于监测青光眼眼底血流的早期改变、病情进展及疗效评估。但OCTA在临床实际应用中目前还存在一定的缺陷,需要进一步研究,才能更广泛地应用于青光眼疾病的更多领域,本文就OCTA技术在原发性青光眼中的应用及研究进展做一综述。

基于卷积神经网络的木材缺陷识别

跨层卷积神经网络模型由输入层、两个交替的卷积层、池化层、全连接层和输出层组成。池化层输出到全连接层,将网络的高层次特征和低层次特征相结合构造分类器。在网络中加入Dropout技术,以防止过拟合的发生。

深度图注意力CNN的三维模型识别

针对现有基于深度学习的三维模型识别方法缺乏结合三维模型的上下文细粒度局部特征,可能造成几何形状极其相似,局部细节信息略有不同的类识别混淆的问题,提出一种基于深度图注意力卷积神经网络的三维模型识别方法。首先,通过引入邻域选择机制挖掘三维模型的细粒度局部特征。其次,通过空间上下文编码机制捕捉多尺度空间上下文信息,且与细粒度局部特征相互补偿以增强特征的完备性。最后,采用一种多头部机制,使图注意力卷积层聚合多个单头部的特征以增强特征的丰富性。此外,设计选择性丢弃算法,根据度量权重值对神经元重要性进行排序,智能地丢弃重要性较低的神经元来防止网络过拟合。算法在ModelNet40数据集上的三维模型识别准确率达到了92.6%,且网络复杂度较低,在三维模型识别准确率和网络复杂度之间达到最佳平衡,优于当前主流方法。

基于改进多层感知机的手写数字识别

针对传统多层感知机(Multi-Layer Perceptron,MLP)模型在手写数字识别方面识别精度不高、识别效率较低的问题,提出改进的多层感知机模型,引入Dropout解决过拟合问题,Adagrad优化参数调试过程,ReLU解决梯度弥散问题,并在TensorFlow软件平台上实现该改进模型。实验表明,该改进的MLP模型能够有效地进行特征学习,在提高识别性能上表现优秀。与传统MLP算法模型相比,识别准确率提高了将近7.0%,识别效率提高了27.3s。