基于深度学习的列车轴承故障诊断研究

作为列车运行的重要部件,轴承的健康状态是决定列车安全运行的重要因素。轴承的故障诊断一直是行业研究热点。本文针对传统模型提取特征不足、特征信息丢失严重、模型准确率低以及分析识别时间长等问题,结合胶囊神经网络的特征结构,提出了基于深度学习的列车轴承故障诊断研究方法。模型以凯斯西储大学的轴承故障数据为数据集。改进后的神经网络模型在识别准确率、识别速度方面均有提升,本文算法具有一定的先进性。

基于胶囊神经网络的车型精细识别研究

车辆型号精细识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景。针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,提出一种基于胶囊神经网络(capsule network,CapsNet)的车型图像识别模型CapCar。以CompCars数据集作为样本,首先通过加权平均值法进行图像的灰度化处理,减少数据集训练计算量,提高模型的训练速度。然后通过胶囊神经网络提取车型图像的全部特征和局部特征,实现车型分类识别。相较于现有的车型精细识别方法,该方法在提高识别精度的同时,有效压缩了模型参数规模。在基准数据集CompCars下进行大量实验的结果表明,CapCar模型进行车辆精细识别精度可达98.89%,其识别率高于一些其他经典的网络模型。CapCar模型参数大小仅为6.3 MB。该算法具有一定的先进性。

基于胶囊神经网络的交通标志识别研究

交通标志识别作为智能交通技术的研究热点,是保障自动驾驶安全的重要一环。针对传统神经网络出现的特征抓取不足,池化层信息丢失引起的识别率较低的问题,给出了基于胶囊神经网络(Capsule Network,CapsNet)进行交通标志识别的方法。以德国GTRSB交通标志数据集作为样本,首先通过加权平均值法进行图像的灰度化处理,减少数据集训练计算量,提高模型的训练速度。然后提出用胶囊神经网络提取交通标志图像的全部特征和局部特征,实现交通标志识别。算法在GTRSB基准数据集上获得98.6%的识别准确率,超过了当前交通标志识别的主流方法,算法具有一定的先进性。

基于胶囊网络在复杂场景下的行人识别

大数据环境下,对行人检测的需求度不断提高,然而视频中的信息越来越丰富,视频中所获取的场景也愈加复杂。在如此背景下,目前大多使用卷积神经网络进行识别,但识别率不高。在原有的胶囊网络模型的基础上,增加了两层卷积层并将胶囊维度进行了扩展,同时使用了动态路由迭代算法,提出了一种基于改进胶囊网络的行人识别模型(PRM-ICN),该网络能够更有效地减少复杂背景中多余信息的干扰。实验在TensorFlow框架下使用三个国际知名且有一定难度的公开通用数据集CUHK01、CUHK03和Market-1501上进行验证,并将结果与PRM-AlexNet和PRM-VGG-16两个著名的行人识别网络相对比。实验结果表明在三个数据集上,所提出的网络模型在CMC曲线和MAP指标下都要优于其他两个网络,证明了所提模型在复杂场景下识别效果的优越性。

基于生成对抗网络的图像识别

随着深度学习的迅速发展,图像识别技术也在日益提高。但在日常的人脸识别、物体识别的应用中常有识别内容错误、识别准确率过低的问题。对此,提出了一种基于生成对抗网络的图像问答模型(GAN-QA)。首先生成对抗网络显示出了强大的图像识别能力,通过生成对抗网络的生成器、判别器原理可以更好地提取图像特征,显著提高了图像识别的准确率。同时根据视觉识别的自然语言处理(NLP)也取得了极大的提升。该模型通过长短期记忆网络(LSTM)将两者结合起来,通过生成对抗网络识别图像,而后问题和视觉信息被输入到长短期记忆网络中,通过模型的训练可以对图像上的问题给出答案。在数据集DAQUQR上的验证结果表明,所提出的基于生成对抗网络的图像问答模型能够有效地提高对带问题图像的识别问答能力,由此明显提升了图像问答的准确度。

基于胶囊神经网络的轴承故障诊断方法研究

轴承故障诊断作为轨道交通技术的研究热点,是保障安全运行的重要一环。针对传统神经网络出现的特征抓取不足,池化层信息丢失引起的识别率较低的问题,给出了基于胶囊神经网络进行轴承故障诊断的方法。以凯斯西储大学的滚动轴承数据作为样本,提出通过改进胶囊神经网络提取数据的全部特征和局部特征,实现轴承状态识别。算法在基准数据集上获得97.58%的识别准确率,超过了当前轴承故障诊断的主流方法,该文算法具有一定的先进性。