基于CNN-XGBoost模型的多类型棉花叶片病害识别

为提高棉花生产和质量,需要对棉花叶片病害进行及时和准确的识别。然而,现有研究方法往往只能处理少数几种常见的病害类型,而无法覆盖更多的病害种类。本研究提出一种基于CNN-XGBoost模型的多类型棉花叶片病害识别方法,该方法能够识别出21种不同的病害类型,涵盖了细菌、真菌、病毒、营养缺乏等多种因素导致的病害。首先,收集约1.2万张棉花叶片病害图像样本,构建一个包含多种类型病害的数据集,对数据集进行预处理和增强操作,增加数据的多样性和难度;其次,设计一个CNN模型,利用卷积层和池化层提取棉花叶片图像的特征向量,将CNN模型的输出作为XGBoost模型的输入,使用XGBoost模型对特征向量进行分类;最后,采用加权交叉熵损失函数作为优化目标,通过反向传播算法更新CNN模型和XGBoost模型的参数。结果表明,本研究提出的CNN-XGBoost模型在21种类型棉花叶片病害上都能达到高精度的识别,平均准确率达到0.98,远高于其他对比方法,为棉花生产者提供了一个实用和高效的植物病害诊断工具,有助于及时发现和处理棉花叶片病害,从而提高棉花产量。

基于UNet++卷积神经网络的断层识别

针对传统相干体属性和机器学习在复杂断裂识别能力差的问题,提出一种基于UNet++卷积神经网络的断层识别方法。该方法采用加权交叉熵损失函数做目标函数,使网络模型训练过程中避免了数据样本不平衡的问题,引入注意力机制和密集卷积块,以及更多的跳跃连接,更好地实现深层次断层语义信息和浅层次断层空间信息之间的特征融合,进而可以使UNet++网络模型更好地实现断层识别。实验结果表明,该网络模型将F1值提高到了92.38%, loss降低到0.012 0,可以更好地学习断层特征信息。将该模型应用于西南庄断层的识别中,结果表明,该方法可以更准确预测断层位置,在识别连续断层的准确率上有所提高,有效防止了地下噪音对于断层识别的不利影响,从而验证了UNet++网络模型在断层识别上具有一定的研究价值。

基于迁移学习的矿用主扇风机滚动轴承故障诊断方法

矿用主扇风机滚动轴承的状态监测与故障诊断研究对煤矿生产安全具有重要意义。现有的滚动轴承故障诊断方法在实际工况中进行直接应用时存在训练不足、故障诊断准确率不足的问题,且矿用主扇风机滚动轴承长期处于正常运行状态,正常样本的数量远多于故障样本,即存在样本不平衡问题。因此,提出一种基于迁移学习的矿用主扇风机滚动轴承故障诊断方法(TLCNN+加权交叉熵损失)。该方法将常规滚动轴承数据作为源域数据,将矿用主扇风机滚动轴承数据作为目标域数据。首先利用对称极坐标(SDP)方法将振动信号转换为SDP图像;然后利用充足的源域图像样本对常规滚动轴承故障诊断模型进行训练,训练完成后将诊断模型的参数迁移至矿用主扇风机滚动轴承故障诊断模型中;其次迁移过程中对低层网络进行锁定并通过目标域图像样本对模型的高层网络进行微调,便可得到参数权重优化后的矿用主扇风机滚动轴承故障诊断模型。最后,为了解决样本不平衡问题,在模型中添加了加权交叉熵损失函数进行训练,使诊断模型对作为少数类的故障样本赋予更高的权重并在诊断过程中更加关注故障样本,从而提高诊断准确率。为了验证提出方法的有效性,通过常规滚动轴承故障试验台与实际工况中的矿用主扇风机滚动轴承数据进行了试验验证。结果表明所提方法可以对矿用主扇风机滚动轴承的运行状态进行准确识别分类,准确率达99.28%。

基于图神经网络的不平衡欺诈检测研究

现阶段图神经网络被广泛应用于欺诈检测,由于欺诈检测中往往存在类不平衡问题,导致基于图神经网络模型性能不佳。针对上述问题,设计一种基于图神经网络的不平衡欺诈检测模型。该模型细化了图结构数据中存在的邻域不平衡和中心不平衡两个不平衡的概念。在邻域不平衡中,通过多层感知机和高斯核函数衡量中心节点与其邻域节点的非欧氏空间距离(相似度),基于马尔可夫决策动态更新采样阈值对邻域节点进行多层自适应欠采样,并在每一层中仅聚合其原始特征和前一层的隐藏嵌入得到中心节点的目标嵌入;在中心不平衡中,引入加权交叉熵损失函数为每个中心节点的损失设置动态权重以达到中心平衡。在Yelp和Amazon两个数据集上的实验结果表明,该模型的曲线下面积(AUC)、召回率(Recall)两个指标相较于最优基准模型均有显著提升,在两个数据集上的AUC和Recall分别提升了5.52%、5.42%和1.57%、4.31%。

融合多种网络的半监督分层睡眠分期算法

当前的睡眠阶段时空特征提取依赖于给定数据集标签的监督学习,在一定程度上受到限制。提出一种基于脑电信号的半监督睡眠分期算法,利用由改进卷积编码-解码器和生成对抗网络构建的浅层特征提取网络提取浅层时空特征,采用Hard swish激活函数来加速模型收敛。为充分提取脑电信号高质量的深层时序依赖特征,模型的深层特征提取网络将传统的长短时记忆网络改进为参数较少的双向门控循环单元。在特征融合后使用加权交叉熵损失函数训练以提高模型的分类准确性。实验使用Sleep-EDF数据集在Fpz-Cz通道上对模型进行20折交叉验证,得到模型总体准确率和MF1值分别为86.3%和81.2%,相比于卷积循环网络分别提高了3.1%和3.3%。

基于W-DenseNet的减压阀不平衡样本故障诊断模型

针对实际工况中被测对象大多处于正常状态而引起故障样本稀缺、故障数据间存在差异,导致故障类别识别准确率不高的问题,基于密集卷积神经网络(DenseNet),提出一种减压阀样本数据不平衡下的故障诊断模型—–加权密集卷积神经网络(W-DenseNet).首先,将原始一维压力信号数据重构后转换为二维灰度图,作为模型的输入数据;其次,以DenseNet为基础框架搭建特征提取网络;然后,在损失函数中为不同类别样本添加惩罚系数以实现不平衡样本误差的加权平均;最后,为验证模型的有效性,搭建减压阀数据采集系统并进行分类性能实验.实验结果表明:W-DenseNet模型在不同平衡度的减压阀数据集下均有良好的分类效果,且当各故障类间均存在样本不平衡现象时,模型对3种故障类型的召回率仍分别高达95.18%、95.47%、96.89%.