基于深度学习技术的心律失常诊断与个体识别算法研究

针对传统机器学习算法的弊端,提出一种基于深度学习的心率失常信号诊断和心电信号个体识别的改进算法.该方法通过加入改进的卷积注意力模块,将一维卷积神经网络和双向长短时网络结合,提出一种新的模型L-CNN对心律失常心电信号进行诊断识别.实验结果表明:L-CNN算法模型比现有研究的算法模型的识别精度最低提高了1.23%.与传统识别技术相比,基于心电信号的识别技术具有广阔的应用前景.

基于深度学习的面部微表情识别

微表情图片具有高度的相似性和密集性的细节信息,传统的微表情识别主要采用手工制作的方法,其识别种类与识别精度均无法满足精确的特征提取训练,因此提出一种深度学习方法,可以有效解决微表情识别在种类数量、准确度和速度上的问题.采用数据增强后合成的图像训练数据集,以处理后的数据集来训练卷积神经网络CNN模型.实验结果证明了所提出的基于深度学习的CNN方法在面部微表情识别中的有效性.将该方法与传统方法进行比较,结果显示提出的基于深度学习的CNN方法相较于传统方法其识别精度明显提高.

横向磁通永磁电机定子系统受力分析

横向磁通永磁电机磁路与电路分离,提高磁密或提高电负荷时相互不受影响,在保证二者的同时实现电机的高转矩密度,适用于某些特殊场合,故对该类电机的研究受到越来越广泛的关注.径向结构与盘式结构永磁电机,其振动与电磁噪声特性已经得到深入研究,并取得一定成果,而对于横向磁通永磁电机,其结构复杂,定子系统振动及电机电磁噪声特性极少被研究.由于定子所受电磁力是电机振动及电磁噪声的主要原因,拟对一台15 kW横向磁通永磁电机定子系统进行受力分析.为分析该类电机的振动及电磁噪声特性,文中计算了样机空载气隙磁场、反电动势、定子内外齿气隙磁密、定子内外齿所受径向与切向电磁力,并得出相应结论.