融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

基于Inception-BiLSTM的小样本刀具磨损状态识别研究

针对工业生产中故障数据不足难以准确进行故障诊断问题,以Inception模块为主体结构,结合双向长短时记忆网络(BiLSTM),提出了Inception-BiLSTM故障诊断方法,并用刀具磨损状态识别进行实验验证。首先,将振动信号通过连续小波变换(CWT)得到时频特征图,利用Inception网络对时频图进行特征提取;然后,使用全局平均池化(GAP)将特征向量降维;最后,使用BiLSTM提取数据信息,以识别刀具磨损状态。实验结果表明,在小样本条件下,该方法相较于对比方法对刀具磨损状态识别的准确率更高。

基于SMOTE和Inception-CNN的种植和组培金线莲鉴别

金线莲是一种珍贵中药材,其治疗、保健作用十分显著。金线莲培育方式主要有种植、组培等,不同培育方式的金线莲,在性状上仅表现出细微差异,但药用、市场价值差异显著,培育方式鉴别能有效保证药用疗效、维护良好市场秩序,然而由于不同品系、产地、培育时间等复合差异的影响,增加了培育方式鉴别难度与复杂度。提出一种基于改进1D-Inception-CNN模型的金线莲培育方式鉴别方法。采用近红外光谱仪采集种植、组培金线莲的光谱,首先使用合成少数类过采样技术(SMOTE)进行过采样以解决种植品、组培品样本比例不平衡问题,其次构建基于改进Inception结构的一维卷积神经网络对来自不同品系、产地、培育时间的金线莲进行种植品、组培品鉴别,最后采用贝叶斯优化方法对构建的卷积神经网络模型超参数进行优化;最终五折交叉验证平均鉴别准确率、精确率、召回率、综合评价指标高达97.95%、 96.16%、 100%、 98.02%。研究表明,实验提出的鉴别模型为快速鉴别金线莲种植品、组培品提供一种有效方法。

基于时空Inception残差注意力网络的脑电情绪识别

为了提高脑电情绪识别分类精度,最大限度利用脑电信号的空间和时间信息,提出一种Inception残差注意力卷积神经网络与双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络相结合的新型架构时空Inception残差注意力网络。将脑电信号采集电极位置映射到二维矩阵中,采集信号作为通道,构成三维数据;将得到的三维数据输入到时空Inception残差注意力卷积网络之中,提取时空信息;将得到的特征输入到全连接层进行分类;将Inception结构引入脑电情绪识别领域,实现多尺度特征提取,并将电极映射到矩阵之中,保留电极位置信息,使用时空Inception残差注意力网络从时空两个维度获取脑电相关信息。实验表明,使用该模型对DEAP数据集进行情绪四分类可得到93.71%的准确度,相较于对比模型,识别精度提高了10%~20%。提出的模型在脑电信号情绪识别领域具有优良性能。

基于孪生Inception网络的燃烧器火焰状态监测

燃煤电厂炉膛火焰的实时监测关系到发电经济性和锅炉的安全运行,而基于光能、热能和辐射能等能量信号的传统火检技术仅能探测火焰的有无,已无法满足日益迫切的火力发电精细化“调峰”需求。本文以实际电厂燃烧器火焰图像为研究对象,应用基于改进的Inception深度卷积神经网络(deep convolutional neural network,DCNN)的火焰状态分类方法,通过深入分析燃烧器火焰图像特点,对火焰多维度特征进行提取并制作数据集,同时将预处理后的不同类别火焰图像制作成火焰图像数据集,构建Inception DCNN,实现自动特征提取的火焰状态分类,并提出基于孪生Inception DCNN对燃烧器火焰状态进行分类。结果表明,改进的孪生Inception DCNN网络模型将火焰的状态分类问题转化为评价状态相似度问题,间接实现分类目标,识别准确率达到99.86%。

神经网络搭载Inception模块的框架结构集成故障诊断

针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on Inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。

基于Attention-Inception网络集成的雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(High Resolution Range Profile,HRRP)序列识别方法依赖于人工提取特征,并且在使用现有的经典深度学习方法识别小数据集时存在梯度消失和过拟合问题,导致收敛速度慢,识别率低。针对上述问题,提出了一种基于注意力机制的集成Inception网络模型,通过集成Attention-Inception单分支网络,实现了HRRP序列更深层次特征的提取;通过对模型的损失函数加入L2正则化,缓解小数据集在集成网络中的过拟合问题;利用Inception Ⅰ和Inception Ⅱ结构提取HRRP序列多尺度特征,并引入注意力机制计算特征序列的分配权重;加入残差结构,减缓了集成网络梯度消失问题。在预处理后的HRRP序列上进行实验结果表明,所提方法的目标识别率达到93.3%,并且与未去除噪声的HRRP序列相比目标识别率提高了14.67%。

融合Inception与SE-Attention的加密流量移动业务识别

移动设备通常接入无线局域网,并依赖WiFi加密协议对网络中数据链路层流量进行加密,以维护通信安全。然而,现有加密流量识别方法主要针对网络层及以上的流量载荷进行分析,无法有效识别链路层加密流量的移动业务类别。针对该问题,提出了一种在WiFi加密场景下基于链路层流量的移动业务识别方法。通过被动嗅探WiFi数据帧,提取链路层中可用的流量侧信道特征,将流量数据转换为二维直方图矩阵。融合Inception网络和SE-Attention机制,提出识别模型——SE-Inception,旨在更好地捕捉到流量数据帧分布特征中的细节和全局信息,突出对重要特征的关注,以提高识别准确率。文中采用真实数据集进行实验验证,结果表明该方法在WiFi加密场景下可有效识别链路层加密流量的移动业务类别,平均准确率可达98.29%,相比于已有的识别方法具有更优的性能。

基于Inception模块与改进GRU的混凝土坝变形预测模型

针对现有基于经典线性回归方法或浅层机器学习技术的混凝土坝变形预测模型在提取环境量因子复杂特征与学习变形-环境量长期依赖关系上的不足,提出了基于Inception模块与自注意力机制改进的门控循环单元(GRU)的混凝土坝变形预测模型。该模型综合运用了Inception模块的特征提取能力和GRU的长期依赖性学习能力,可从不同尺度提取大坝环境量监测序列的特征并进行大坝变形的长期预测,同时通过引入注意力机制,降低了学习多种环境因子特征时的模型过拟合风险。某特高混凝土双曲拱坝工程实例验证结果表明,该模型在典型监测点的预测性能都优于其他常用的浅层或深度学习模型,可用于混凝土坝变形预测。

基于Inception网络结构的光伏板积灰状态识别方法

传统的光伏板积灰状态识别方法识别准确率低、速度慢,因此提出一种基于Inception网络结构的光伏板积灰状态识别模型。该模型以Inception模块作为主体模块,通过在模型初期添加Stem模块,加大Stem模块卷积核尺寸,从而减少输入数据的维度,增大模型初期的有效感受野,提高模型泛化能力。同时引入Swish-SE轻量级注意力机制,增强模型对不同特征的关注度,提高模型的识别准确率。实验结果表明,所提方法的目标识别率为97.05%,较经典卷积神经网络Inception-V3模型和MobileNet-V2模型分别提高1.64%、5.91%。研究提出的积灰状态识别方法具有参数量少、训练时间短、分类效果好的优势,可以满足光伏电站智能化运维的基本要求,具备较好的实用性。

基于Inception与Residual组合网络的农作物病虫害识别

针对我国农作物病虫害识别方法中存在的速度慢、主观性强、所需专业知识要求高以及识别成本高等问题,提出一种基于Inception与Residual结构组合的Inception-resnet-v2网络模型的农作物病虫害识别方法,以实现精准高效的农作物病虫害识别。网络使用residual结构,采用跨层连接方式将低层特征与高层特征进行组合学习以增加网络深度。同时加入了Inception结构,既能保持网络结构的稀疏性,又能利用密集矩阵的高计算性能,加快了训练速度。最后通过Softmax分类器进行多分类预测。与传统方法相比,本文方法收敛速度更快,不仅准确率达到96.67%、精确度达到90.77%、召回率达到89.72%,还使病虫害识别的不同类别更加均衡,改善了传统方法中对特定类别识别效果差的问题。

基于Inception-BLSTM的滚动轴承故障诊断方法研究

针对传统的滚动轴承故障诊断方法依赖大量先验知识以及容易人为引入误差等缺点,结合Inception模型的多尺度抽象特征提取能力与双向长短时记忆(BLSTM)神经网络序列建模的优势,提出一种基于Inception-BLSTM的滚动轴承故障诊断方法。首先,设计Inception模型从滚动轴承振动信号中提取出多尺度抽象特征。其次,设计BLSTM进一步学习特征信息的时间依赖性。最后,通过全连接层将特征信息映射到对应的故障模式并得出诊断结果。实验结果表明,该方法在多负载场景下的轴承故障识别精度达到了99.6%,具有良好的负载适应性以及抗干扰能力。

基于SE-Inception v3与迁移学习的服装袖型识别与分类

为了提高服装袖型的识别与分类效率,提出一种融合SE(Squeeze-and Excitation)注意力机制和Inception v3主干网络的分类模型SE-Inception v3。针对图片背景等无关信息对识别的干扰问题,添加注意力机制,增强有用特征通道;引入了迁移学习思想,防止因袖型样本数据集较少而产生过拟合问题。将通道注意力和Inception模块多尺度卷积二者融合,有效地提升网络的特征提取和表达能力,该模型最终实现了以袖子为例的服装关键部位的识别与分类。通过对泡泡袖、灯笼袖、蝙蝠袖等8类服装袖型数据增强后共计3200个样本进行训练验证,平均准确率达到95.38%。与其它几类主流卷积神经网络模型进行对比实验,结果表明该模型具有较高的识别准确率,可为服装部位的图像分类识别提供有力支撑。

基于Inception V3-BiLSTM模型的滚动轴承故障诊断方法

针对传统深度学习模型对滚动轴承故障诊断效果不佳以及计算效率低等问题,提出了一种基于Inception V3模型和双向长短时记忆网络相结合的滚动轴承故障诊断方法(Inception V3-BiLSTM),加入自注意力机制并采用全局平均池化取代传统的全连接层,实现滚动轴承的智能、高效诊断。使用凯斯西储大学以及渥太华大学轴承数据集的试验结果表明:与传统深度学习方法相比,Inception V3-BiLSTM能够实现同负载下多故障类别和时变转速工况下单一及复合故障的智能诊断,且具有更高的诊断精度和更快的诊断速率。

一种基于Inception思想的人脸表情分类深度学习算法研究

人脸的情感识别在人机交互领域有着重要作用,对人脸表情进行分类也是研究图像情感的一种方法。针对目前公开的人脸表情数据集数据量少,卷积神经网络的结构较复杂、参数多且计算量大、易出现过拟合的现象,需要构建一种针对小数据集的人脸表情分类模型。利用MTCNN模型进行人脸检测后,结合Inception的思想提出一种新的卷积神经网络模型,使用1×1卷积核对特征维数进行缩减,增加并平衡网络深度和宽度的同时不增加额外的计算负担,更精准的对人脸特征进行提取。经实验验证,提出的算法在CK+和JAFFE人脸数据集上,较其他方法有更好的效果,构建的人脸表情分类卷积神经网络模型能有效进行人脸表情的分类。

基于Inception卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。

基于Inception深度残差网络的皮肤黑色素癌图像分类算法

由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点,采用深度残差网络可以有效解决训练过程中过拟合问题,提高识别准确率.但是深度残差网络模型的训练参数多,时间复杂度高.为了提高训练效率,提高识别准确率,首先从理论上分析了深度残差网络模型的结构,通过修改网络结构,利用Inception结构代替残差网络中的卷积层、池化层,减少模型的训练参数数量,降低时间复杂度.在此基础上,提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network,IDRN),用Inception结构代替残差网络中的卷积池化层,用SeLU激活函数代替传统的ReLU函数.之后,在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证.理论和实验表明,与传统的卷积神经网络ResNet50相比,本文提出的新的分类算法降低了时间复杂度,提高了识别准确率.

改进Inception结构的图像分类方法

为解决图像分类中Inception结构复杂且在深度网络中存在参数冗余的问题,提出一种改进的Inception结构。该结构整合了传统Inception结构中繁杂的1×1卷积操作,通过引入深度卷积增加Inception结构的特征多样性,降低模型参数量,并结合残差结构防止梯度爆炸及梯度消失。同时引入注意力机制,获取关键特征权重信息,优化资源分配方式,并在此基础上设计了一个基于标准卷积与非对称卷积的轻量化网络模型。实验对象选择苹果叶病害数据集与CIFAR-10数据集,通过与经典卷积神经网络VGG16、Inception-V3与MobileNet进行比较后发现,改进Inception结构的轻量化模型具有参数量少、训练时间短、分类效果好的优势。同时,通过比较改进前后Inception结构在所提网络模型中的训练结果,证明了改进Inception结构较传统Inception结构分类性能更好。

基于Inception-GRU模型的泄洪建筑物结构安全状态智能识别

为保障水利枢纽的泄洪安全,以Inception模块为主体结构,结合门控循环单元(GRU)和高效通道注意力(ECA)机制,提出了Inception-GRU深度神经网络模型,通过采集的多测点泄洪振动数据,智能识别泄洪建筑物的结构安全状态。用工程数据进行测试,结果表明,该模型能以97.15%的准确率完成结构安全智能识别任务,准确率较Inception模型、CNN-GRU模型、Inception-LSTM模型分别提高6.90、5.69、2.03个百分点。对泄洪振动数据进行数据预处理后,以三维矩阵的形式输入网络,可以有效降低模型参数量,提高模型效率。