基于近红外光谱数据的一维卷积神经网络模型研究

近红外光谱技术已被广泛应用于各种检测行业,但传统方法难以汇集光谱关键信息,导致模型预测误差较大。为减少误差,基于452个茄科植物,以化学成分为目标,探索了一维卷积神经网络(1DCNN)在近红外数据上的回归模型研究。经参数优化,总结了一套兼顾精度与训练效率的1DCNN模型参数,为后续模型研究提供参考。模型测试集的均方根误差为0.02~0.49,平均相对误差为0.8%~1.7%,远小于历史文献。相比传统方法,1DCNN可充分利用全部近红外谱图数据,且建模简单,模型预测能力强。该工作能为近红外光谱相关研究提供新的数据处理思路,也能促进该技术的应用与发展。

一维卷积神经网络的自编码癫痫发作异常检测模型

目的将一维卷积神经网络(1DCNN)作为自编码模型的特征提取网络,利用1DCNN对头皮脑电信号(EEG)局部特征的感知能力来提高自编码模型(AE)在低维特征空间的表达能力,提出一种简单高效的癫痫异常检测模型。方法癫痫发作后会出现标志性的EEG波形变化,通过1DCNN的局部特征提取能力,捕捉正常信号的局部信息;利用正常数据训练自编码器,学习正常EEG数据在低维特征空间的表达,作为异常数据的癫痫EEG数据会脱离正常数据的低维特征空间,从而自编码模型无法有效地实现癫痫异常信号的重构;首先将输入和输出的差值作为异常分数值,然后通过ROC曲线的最优平衡点确定阈值,超过阈值的EEG信号被诊断为癫痫发作数据。利用公开数据集CHB-MIT脑电数据集和TUH脑电数据集,评估本文所提出的1DCNN-AE癫痫检测模型。结果从AUC值和癫痫事件检测两个任务来看,1DCNN-AE模型在患者平均水平下的AUC值分别达到了CHB-MIT的0.890和TUH的0.686,癫痫检测率达到了0.974和0.893,其结果优于最新癫痫异常检测模型LSTM-VAE和模型GRU-VAE。对于模型参数量而言,与LSTM-VAE的47.4M和GRU-VAE的36.9M等模型参数量相比,1DCNN模型的参数量Params达到了58.5M,处于同一个量级;但1DCNN-AE模型计算量FLOPs为0.377G,远远小于LSTM-VAE的21.6G和GRU-VAE的16.2G。结论1DCNN的自编码模型能有效地实现癫痫发作异常检测。

一种基于一维卷积神经网络的试井模型智能识别方法

为提高试井分析工作效率,实现试井模型的自动识别,提出了基于一维卷积神经网络(1D CNN)的试井模型智能识别方法。根据实测数据的特点,提出基于理论曲线构建样本库的原则与方法,并构建了4种常用油藏模型的训练样本库;建立了一维卷积神经网络模型,将样本库中双对数曲线的压力变化和压力导数数据作为输入,油藏类别作为网络输出训练及优化网络,总识别准确率可达99.16%,敏感度均在98%以上。经4口井实例应用,正确识别试井模型的概率大于0.99,与二维卷积神经网络相比,1D CNN显著降低了计算复杂度和时间成本,加快了训练速度。这表明基于试井理论所构建的样本库是有效的,能满足实测数据模型识别的需求;同时证明了方法的有效性、实用性和普适性。

基于卷积神经网络的三维表面分形维数识别

分形维数作为机械加工表面形貌的重要参数,可用于接触表面的摩擦特性分析。然而,现有的分形维数计算方法大多需要选择多组尺度计算相应的测度,这不仅影响分形维数的计算速度和精度,也增加了计算的复杂度。针对机加工表面的三维分形维数测量问题,提出一种基于卷积神经网络的分形维数的识别方法。采用Weierstrass-Mandelbrot分形函数构建一个包含不同分形维数的三维粗糙表面数据集,利用单因素实验法分析网络参数(网络深度、滤波器大小、滤波器数量)对三维分形维数识别精度的影响,以找到最优的神经网络参数组合。通过与差分盒维数法、三角棱镜表面积法和分形布朗运动法3种方法进行对比,验证卷积神经网络法识别三维分形维数的有效性。实验结果表明:基于卷积神经网络方法计算的分形维数平均绝对百分比误差可控制在1.5%以下;该方法在分形维数全动态范围内都表现出较小的误差,可用于计算三维表面轮廓分形维数。

循环相关熵和一维浅卷积神经网络轴承故障诊断

针对传统二维深度卷积神经网络结构复杂、易产生过拟合和难以有效处理低信噪比信号的问题,提出了一种基于循环相关熵和一维浅卷积神经网络的故障诊断-CCe-1D SCNN方法。该方法综合利用了一维浅卷积神经网络结构简单、计算复杂度低和循环相关熵能在低信噪比环境下有效提取故障特征的优点。首先,计算轴承故障振动信号的循环相关熵函数、循环相关熵谱密度函数和广义循环平稳度;其次,将一维归一化的广义循环平稳度作为一维浅卷积神经网络的输入层,通过一维浅卷积神经网络自动实现故障特征提取和模式分类;最后,将CCe-1D SCNN方法应用于电机轴承故障特征提取和分类,实验结果表明:CCe-1D SCNN方法在低噪声比情况下仍能保持很高的模式识别正确率,为一种自动故障特征提取和模式识别的有效方法。

基于一维卷积神经网络的语音识别系统构建方法

提出一种基于一维卷积神经网络(1D Convolutional Neural Network,1D-CNN)的语音识别系统。首先研究基于1D-CNN的语音识别系统框架,其次重点介绍使用TensorFlow构建该系统的方法,最后采用Libri Speech数据集,在无噪声、轻微噪声和严重噪声条件下进行系统测试,并使用准确率、召回率、F1等指标进行评估。实验结果表明,所提出的系统在无噪声和轻微噪声条件下具有较高的识别准确率和稳定性,即使在严重噪声环境中也表现出较好的健壮性。

基于深度卷积神经网络的肝脏肿瘤检测算法研究

利用深度卷积神经网络对肝脏肿瘤进行检测,首先对肝脏肿瘤CT图像进行预处理,然后根据特征像素值对图像进行阈值分割,并对肿瘤区域进行标记,再使用标记好的数据集建立深度卷积神经网络模型进行训练,接着利用训练好的模型对未标记的验证数据集进行预测和验证,最后在测试数据集上测试模型的性能,根据测试结果,对肝脏肿瘤进行检测.通过对深度卷积神经网络算法、分水岭算法和连通域算法的检测结果进行比较,实验结果表明深度卷积神经网络算法在肿瘤检测方面具有最高的准确率和最大的F_(1)分数.说明深度卷积神经网络在肝脏肿瘤检测中具有卓越的性能,能够准确地识别肿瘤并减少误诊和漏诊的可能性.

基于数据增强型一维改进卷积神经网络的变压器故障诊断方法

为提升基于深度学习的变压器故障诊断精度,提出了一种数据增强型一维改进卷积神经网络的变压器故障诊断方法。首先,针对传统变分自编码器数据生成过程中的盲目性弊端,提出改进变分自编码器(improved variational autoencoder,IVAE)优化变压器溶解气体数据生成策略。其次,为使深层网络结构能适应变压器溶解气体数据,构建一维改进卷积神经网络(one-dimensional improved convolutional neural network,1D-ICNN)作为故障诊断分类器。最后,通过算例仿真验证了所提方法的可行性和适应性。结果表明IVAE能有效解决变压器故障数据样本少、诊断准确率低的局限;数据增强型1D-ICNN在分类精准度上表现优异,准确度提升了13.49%,研究结果可为变压器故障的准确诊断提供新思路。

三维卷积神经网络及其在视频理解领域中的应用研究

3维卷积神经网络(3D CNN)是近几年来深度学习研究中的热点,在计算机视觉领域取得了诸多成就。虽然研究多年且成果丰富,但目前仍缺少关于此内容全面、细致的综述。基于此,该文从以下几个方面对其进行综述:首先阐述3维卷积神经网络的基本原理和模型结构,接着从网络结构、网络内部和优化方法总结3维卷积神经网络的相关改进工作,然后对3维卷积神经网络在视频理解领域中的应用进行总结,最后总结全文内容并对未来发展方向进行展望。该文针对3维卷积神经网络的最新研究进展以及在视频理解领域中的应用进行了系统的综述,对3维卷积神经网络的研究发展具有一定的积极意义。

利用一维超深度卷积神经网络的金银花NIRS分类模型设计

当前应用于近红外光谱(NIRS)数据定性分析的经典一维卷积神经网络(1D-CNN)模型,通过增加卷积核数量,导致模型臃肿、参数量巨大、计算复杂度高,同时易产生过拟合。为克服传统方法的不足,改进传统1D-CNN模型为一维超深度卷积神经网络模型。首先,采集金银花近红外光谱为样本数据,并采用KS法对样品集预处理;其次,改进传统1D-CNN中的隐含层结构为一维超深度卷积神经网络,并针对NIRS数据适应性进行改进,使其可直接应用于一维NIRS数据;最后,用分层算法完成训练集、验证集和测试集的划分,构建基于一维超深度卷积神经网络的金银花NIRS分类模型。结果表明,改进后的一维超深度卷积神经网络训练集的准确率达到100%,测试集的准确率达到99.57%,损失值收敛为0.018附近。与传统1D-CNN模型相比,本设计模型的训练集与测试集的准确率分别提升了约0.05%与1%,同时,参数量和FLOPs分别减少约47%和5%,并且可大幅度降低过拟合。

基于一维卷积神经网络的儿童身体活动类型识别模型构建研究

目的:通过构建高精度、高效的儿童身体活动类型识别模型,为监控儿童日常身体活动及肥胖预防等提供科学、有效的工具。方法:基于包含10种儿童身体活动类型(慢走、快走、慢跑、快跑、走上楼梯、走下楼梯、跳绳、站起、坐下、保持静止)的三轴加速度计数据集,设计了计算复杂度较低的一维卷积神经网络结构ConvNet1D-4,对数据集中10种儿童身体活动类型通过不同的组合方式开展了网络模型的训练和分类研究,并与以往研究成果进行了比较分析。结果:一维卷积神经网络模型ConvNet1D-4对10种儿童身体活动类型分类平均准确率为91.9%,合并2种加速度计数据相似的身体活动生成9种活动类型时,平均准确率为99.5%,均优于前人研究结果,且模型的计算复杂度更低。结论:基于一维卷积神经网络的儿童身体活动类型识别模型ConvNet1D-4性能优良,分类效率高,可在儿童日常身体活动的监控中实现规模化应用。

改进一维深度卷积神经网络的轴承性能退化指标构建方法

为更好构建能够表征轴承退化过程的性能退化指标,提出一种改进一维深度卷积神经网络轴承性能退化指标的构建方法。首先,构建一维深度卷积神经网络,利用其对原始时域信号自适应提取特征优势,以深度挖掘全寿命时域信号的退化特征;其次,设计一种组合损失函数,在均方误差函数上引入退化特征相邻点正负微分累积值,使得网络在训练过程中退化特征相邻点正微分值不断增大,负微分值不断减小,以提高性能退化指标单调性;最后,通过全连接层将高维特征转化为低维特征,实现性能退化指标构建。通过在公开和实测的数据集上进行实验,验证了所提方法的有效性和可行性。

基于一维卷积神经网络的地层智能识别方法

地层识别是油气藏勘探的研究基础。传统地层识别由地质学家根据自身掌握的知识和经验手工完成,这种地质学家主导的人工解释是主观的、耗时的,可能引入人为偏差。深度学习在解决复杂非线性问题上具有优势,目前尚无有效解决地层识别的深度学习方法。针对测井-地层识别,提出了基于特征工程和一维卷积神经网络的地层智能识别方法。首先,利用INPEFA技术和中值滤波对原始曲线进行了多维重构,更好地提取了原始曲线的地层趋势及边缘特征,并对重构矩阵和原始曲线特征采用K-means聚类算法提取时空相关聚类特征;然后,以原始曲线特征、INPEFA曲线、中值滤波特征和聚类特征作为输入,基于一维卷积神经网络得到当前深度地层预测类型。与长短期记忆网络(LSTM)和传统的机器学习方法对比发现,在地层的识别上,地层智能识别方法具有更优异的性能和鲁棒性。该方法能有效识别地层,识别准确率达到92.82%,且在识别地层的同时也完成了地层划分。

融合注意力机制的二维卷积神经网络测井曲线重构方法

密度和声波时差测井曲线是沟通地震与岩石物理学的两条重要曲线,也是目前仅有的能够为测井约束地震反演技术提供可靠的全频带地层弹性信息的两条测井曲线。但实际应用中受井壁垮塌、仪器故障等因素的影响,经常会造成密度和声波时差测井数据失真或缺失,且现有的经验模型法、多元拟合法、岩石物理建模法不但存在着重构目标曲线精度低,而且较难处理两条曲线同时重构的问题。为此,提出了将注意力机制融合到二维卷积神经网络中,以强化深度学习网络捕捉测井曲线自相关和互相关特征信息的能力,提升深度学习网络重构声波和密度测井曲线的精度。以准噶尔盆地超深层致密砂岩为研究对象,首先分析了测井曲线自相关和互相关特征与注意力层权重分布规律的关系;然后分析对比了所提网络与门控循环单元、二维卷积神经网络的预测精度,并对所提网络结构参数进行了优化;最后通过合成地震记录验证了目标曲线校正和缺失重构效果,表明所提网络具有较高的预测精度。

基于Jetson TK1和深度卷积神经网络的行人检测

近几年随着ADAS(高级驾驶辅助系统)以及无人驾驶等技术的逐渐兴起,作为ADAS和无人驾驶的关键技术,行人检测成为计算机视觉领域的热点问题。文中针对目前汽车电子系统大多是低功耗的嵌入式系统,提出采用低功耗嵌入式设备为平台配合深度卷积神经网络实现行人检测系统。实验结果表明该系统具有较高的识别率和较快的检测速度,基本满足实时性。

基于深度卷积神经网络的赛马比赛辅助训练平台设计

对于现阶段的辅助训练平台而言,其对训练数据的分析精度较低,导致相关指标参数的误差较大。为此,文章提出基于深度卷积神经网络的赛马比赛辅助训练平台设计研究。将INOGENI MAGNI作为赛马比赛辅助训练平台的视频采集装置,基于STM32MP1处理器的新一代高性价比核心板—MYC-YA15XC-T作为处理中心。以全覆盖为导向对视频采集装置进行布置后,利用深度卷积神经网络的卷积核将采集到的数据转化为二维离散形式,结合深度学习机制计算二维离散形式赛马比赛训练图像数据的像素分布情况,实现对目标参数的提取。在测试结果中,设计平台对于赛马拉力的分析结果与实际值的误差稳定在3.0 kN以内。

基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature,AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构性质关系方法,使用反向传播神经网络(Back Propagation Neural Network,BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network,1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。

基于深度多尺度一维卷积神经网络的雷达舰船目标识别

为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。

基于深度卷积神经网络和深度视频的人体行为识别

传统人体行为识别基于人工设计特征方法涉及的环节多,具有时间开销大,算法难以整体调优的缺点。以深度视频为研究对象,构建了3维卷积深度神经网络自动学习人体行为的时空特征,使用Softmax分类器进行人体行为的分类识别。实验结果表明,提出的方法能够有效提取人体行为的潜在特征,不但在MSR-Action3D数据集上能够获得与当前最好方法一致的识别效果,在UTKinect-Action3D数据集也能够获得与基准项目相当的识别效果。本方法的优势是不需要人工提取特征,特征提取和分类识别构成一个端到端的完整闭环系统,方法更加简单。同时,研究方法也验证了深度卷积神经网络模型具有良好的泛化性能,使用MSR-Action3D数据集训练的模型直接应用于UTKinect-Action3D数据集上行为的分类识别,同样获得了良好的识别效果。

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络(one-dimensional convolution neural network,1D-CNN)的拉曼光谱定性分类方法。实验采集雌酮(Estrone)、雌二醇(Estradiol),雌三醇(Estriol)三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。