基于连续小波卷积神经网络的轴承智能故障诊断方法

传统故障诊断方法存在特征提取有限和故障检测不准确的问题,为此提出新的轴承智能故障诊断方法.构建连续小波卷积层取代卷积神经网络(CNN)中的初始卷积层,用于提取轴承数据的初级特征;使用增强ACON激活函数处理提取的振动信号;设计新的计算空间,提高CNN的整体自适应性.在凯斯西储大学轴承数据集上开展滚动轴承故障诊断方法对比实验.结果表明,与传统基于CNN、快速傅里叶变换-CNN、长短时记忆CNN故障诊断方法相比,所提方法的故障诊断精度分别提高了7.45、4.46和1.53个百分点,CNN的收敛速度更快.在不同工况的泛化任务中,所提方法的平均准确率为99.64%,准确性和泛化能力良好.

基于片上系统的可配置卷积神经网络加速器的设计与实现

针对现阶段卷积神经网络(CNN)加速器的设计只能部署在单一现场可编程门阵列(FPGA)平台、不支持硬件平台升级迭代的问题,设计了一种基于片上系统(SoC)的可配置CNN加速器。该加速器具备以下2个特点:(1)在电路设计中将数据位宽、中间缓存空间大小、乘法器阵列(MAC)并行度作为一种可选配置参数,通过调整资源使用量,使得该加速器能够适配不同FPGA硬件;(2)提出了动态数据复用的策略,通过对比数据传输过程中不同复用方式下的总参数量差异,动态地选择复用方法,以减少数据传输的等待时间,提高乘法器阵列利用率。该方案在ZCU104板卡上进行了实验,实验结果表明,当数据位宽选择8、乘法器阵列并行度选择1024、核心运算模块工作在180 MHz时,卷积运算阵列峰值吞吐量为180 GOPs,功耗为3.75 W,能效比达到47.97 GOPs·W^(-1),对于VGG16网络,其卷积层的平均乘法器阵列利用率达到84.37%。

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动(power quality disturbances, PQD)的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出一种基于卷积神经网络(convolutional neural network, CNN)与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。使用23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较。结果表明:该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。

基于卷积神经网络的轴承故障诊断综述

轴承故障的诊断一直以来都是诊断领域的一大挑战,尽早发现轴承故障有助于减少损失并预防潜在危险。本文旨在对卷积神经网络在轴承故障诊断领域的应用进行系统综述,详细分析了卷积神经网络模型的结构和原理,阐述了其在轴承故障诊断领域的发展历程,并深入探讨了常见公共数据集的特征,评述了卷积神经网络在轴承故障诊断中的优势和不足、当前面临的困难以及未来可能的研究方向。

无网格法驱动径向基函数前置卷积神经网络

卷积神经网络通过卷积核的移动加权提取样本点的局部特征,而无网格法基于节点信息构造具有核近似特点的形函数进行离散建模,两者的内在相似性为采用卷积神经网络加速无网格计算过程提供了有利条件.但是基于传统卷积神经网络的改进无网格法包含较为繁琐耗时的非线性参数求解.为了克服这一问题,本文充分利用无网格法能够灵活构建数据样本的优点,提出了一种径向基函数前置卷积神经网络模型.该网络通过径向基函数的前置,提前激活输入数据,实现了非线性变换和数据特征维度跃升,随后再将数据传入传统卷积层得到输出.由于所提网络模型具备线性求解的特点,能够有效提升预测精度与计算效率.在数值算例中,通过对比无网格法直接计算结果、传统卷积神经网络和所提的径向基函数前置卷积神经网络预测结果,系统验证了所提网络模型的有效性.

基于实验方案设计的卷积神经网络超参数优化方法

卷积神经网络是人工智能的重要组成部分,在自然语言处理、图像识别等领域表现优异。卷积神经网络模型超参数配置涉及训练策略,在卷积神经网络大模型优化方面起着至关重要的作用。现有超参数优化方法耗时耗力,遍历整个超参数空间,容易陷入局部最优解。首先,构建3个不同深度的自建卷积神经网络作为优化对象,以提高模型在验证集上的准确率为优化目标找到最佳的超参数配置。其次,考虑优化神经网络大模型的训练过程并提高模型性能的需求,提出一种基于实验方案设计的卷积神经网络超参数优化方法。最后,为了验证方法的有效性,依据均匀设计理念构建训练方案,生成超参数优化组合,进行主观经验生成训练方案的对比实验。结果表明:所提出的优化方法在收敛速度、准确率和计算效率上更具优势。该方法为实现卷积神经网络大模型的高效训练提供支持,具有良好的通用性,可以应用于不同规模的卷积神经网络训练任务。

卷积神经网络在结直肠息肉辅助诊断中的应用综述

结直肠癌是一种恶性肿瘤,主要发生在结肠和直肠的组织中,其早期发现和治疗具有重要意义。结直肠癌的早期检测和预防主要是对病人的肠道进行视觉检查,从而筛查结直肠息肉,但人工检查存在漏诊率高等弊端。基于卷积神经网络(CNN)的辅助诊断系统在结直肠息肉的诊断方面表现出最先进的性能,是目前计算机辅助诊断领域的研究热点。根据近几年发表的相关重要文献,对卷积神经网络在结直肠息肉辅助诊断中的应用进行系统综述。首先介绍了结直肠息肉诊断领域的常用数据集,其中包括图片和视频数据集;其次分别对CNN在结直肠息肉检测、分割以及分类中的应用进行系统阐述,对各算法的主要改进思路、优缺点以及性能进行深入分析,旨在为研究人员提供更系统的参考,并对深度学习模型的可解释性进行总结;最后对基于CNN的结直肠息肉辅助诊断的各类算法进行总结,并对未来的研究方向进行展望。

面向稀疏卷积神经网络的CGRA加速器研究

本文针对规模日益增长和演变迅速的稀疏卷积神经网络(CNN)应用,提出一款高能效且灵活的加速结构DyCNN来提升其性能和能效。DyCNN基于兼具灵活性和高能效的粗粒度可重构架构(CGRA)设计,可以利用其指令的高并行性来高效支持CNN的操作。DyCNN使用基于数据感知的指令动态过滤机制来滤除各计算单元中由于稀疏CNN中权值静态稀疏性和激活值动态稀疏性产生的大量无效计算和访存指令,使它们能像执行稠密网络一样高效复用一组指令。此外DyCNN利用基于负载感知的动静结合负载调度策略解决了稀疏导致的负载不均衡问题。实验结果表明,DyCNN运行稀疏CNN与运行密集CNN相比实现了平均1.69倍性能提升和3.04倍能效提升,比先进的GPU(cuSPARSE)和Cambricon-X上的解决方案分别实现了2.78倍、1.48倍性能提升和35.62倍、1.17倍能效提升。

基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法

针对人工检测磁瓦内部缺陷过程中需要成熟的经验知识,检测过程不稳定且效率较低等问题,设计一套智能化检测系统。受人工检测的启发,提出一种基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法。将时域信号转换为时-频域语谱图,利用卷积神经对语谱图提取特征并分类。为更精准地强调重要信息而抑制无关信息,将坐标注意力机制引入到卷积神经网络中。提出的基于卷积神经网络和模态转换的预测模型的准确率达到98.4%,证明提出的检测方法对于磁瓦内部缺陷检方法是有效的。实验结果表明,模态转换和坐标注意力机制能提升模型的性能。

基于卷积神经网络的成品油红外光谱分类分析

针对石油类产品在运输及使用过程中泄漏污染引起的环境问题,文章以4种成品油为研究对象,基于卷积神经网络(CNN)对油品红外光谱进行分类分析,为石油类产品泄漏追踪溯源。实验测量了4种成品油及其混合物共387组红外透射光谱,采用Savitzky-Golay多项式平滑法(S-G)、标准正态变换(SNV)和多元散射校正(MSC)3种方法对光谱数据进行预处理,分别建立了预处理前后CNN分类模型。研究结果表明:预处理后的光谱数据建立的CNN模型分类精度均高于原始数据,其中SNV预处理的光谱数据表现出最佳分类精度为0.9744,损失值为0.2579。该研究结果说明基于神经网络结合红外透射光谱的检测方法对成品油品种分类是可行的,且该项成果为后续实现石油类污染物高效、快速检测提供理论支持。

基于非洲秃鹫算法优化卷积神经网络的重叠峰解析方法

利用光谱仪器检测土壤中重金属时,由于仪器分辨率较低,峰位相近元素的特征峰会产生重叠。光谱重叠峰严重影响定量分析结果的准确性,为了得到准确的重金属含量需要进行光谱重叠峰分解。提出利用非洲秃鹫算法优化卷积神经网络(AVOA-CNN)的重叠峰解析方法。首先,利用高斯函数模型模拟出150个双高斯含噪光谱重叠峰和43个三高斯含噪光谱重叠峰,选择不同小波基函数进行光谱数据去噪,以信噪比和均方根误差(root mean square error, RMSE)为评价指标,最终确定coif 3小波基函数,使用导数法进行光谱重叠峰预处理。然后,使用AVOA-CNN获得卷积神经网络(convolutional neural network, CNN)预测结果,解析结果表明:AVOA-CNN成功分解重叠峰且准确率高,双高斯光谱重叠峰和三高斯光谱重叠峰参数(峰强度,峰位,峰宽)的最大相对误差平均值分别为3.15%和5.90%。最后对比麻雀搜索算法优化CNN、CNN与AVOA-CNN,结果显示AVOA-CNN模型预测准确率最高。

融合注意力机制和新型卷积神经网络的市政道路病害识别

环境和荷载协同作用导致的路面病害对道路使用性能和安全性能的影响日益突出。现有图像智能识别算法难以实现处理速度和计算量的平衡。针对道路病害快速准确实时识别的需求,对石家庄损伤较为严重的路面进行实地拍照,结合已有图片,采用数据增强技术构建了市政道路病害数据集,并且提出了一种基于MobileNetV3网络的轻量化道路病害识别网络模型GEM-MobileNetV3。该模型首先使用Ghost模块代替MobileNetV3网络基本单元中的1×1卷积;然后结合改进后的高效通道注意力机制(efficient channel attention,ECA)模块提取病害目标的重要特征;最后将网络浅层的ReLU激活函数替换为泛化能力更强的Mish激活函数,提高模型的整体性能。通过消融实验与对比实验,验证了新模型的有效性。实验结果表明,新模型准确率达到96.33%,其参数量与计算量较MobileNetV3模型分别降低了37.9%和36%。提出的新模型在保持较高识别准确率的同时有效降低了模型复杂度,为在低成本计算平台上实现高准确率实时识别提供了新途径。

基于CNN-LSTM-AM神经网络的多维长序列物流需求预测

物流需求预测是物流管理中的关键环节,但是在现实生活中,物流需求可能受到诸如天气、经济状况、特殊事件等多方面因素的影响,这使得问题呈现出多维度、长序列的特征。随着深度学习和神经网络的发展,越来越多的研究开始尝试使用神经网络模型进行物流需求预测,但是单一的神经网络模型在处理多维度、长时间序列的预测任务时常常表现欠佳。由此文章提出了一种基于CNN-LSTM-AM的神经网络模型,用于多维长序列物流需求预测。通过消融实验与其他模型的对比,结果表明,其平均绝对误差(MAE)、均方根误差(RMSE)、决定系数(R2)均值分别为1.56、1.63和0.981,均优于其他6种神经网络模型,为物流企业提供了一个有效的参考来更好地规划资源和降低成本。

基于卷积神经网络模块化搜索的高效电子鼻多气体分类算法

该文设计了一种基于格拉姆角和场的传感器信号转图方法,并提出了一种基于AlexNet的卷积神经网络模块化结构搜索方法(block-GS)。实验结果表明,block-GS方法能够搜索到性能优秀的网络结构,在两个气体数据集上的分类准确率分别达到92.11%和93.33%,比普通网格搜索提高了近5%。此方法有望成为电子鼻模式识别算法设计的有效解决途径之一。

基于卷积神经网络算法的金华地区高山气象观测站逐时气温预报订正

受地貌和气候条件影响,智能网格气温预报产品的预报结果,在复杂地形山区易出现误差。通过人工订正关键点降低误差,存在较大主观性,预报精度有限,难以满足精细化气象服务需求。神经网络算法能够大幅提升预报精度,然而这种方法在气温逐时波动小的平原地区应用较多,在气温波动大的山区鲜有应用。本文以浙江金华山区为研究区域,基于浙江省智能网格温度预报产品以及同时段高山气象观测站逐时气温观测数据,采用卷积神经网络算法,实现关键点气温逐时预报订正。研究结果表明:(1)小时尺度上,订正后各站点的气温均方根误差均显著减小,由订正前3℃~7℃减小至订正后2℃~3℃,订正后的预测结果更加准确,订正效果符合预期。(2)月尺度上,相较智能网格原始气温预报数据,该模型预报结果准确率也明显提升,订正后月平均气温准确率提高了33.18%~46.86%,其中准确率6月最高。(3)相较人工订正的方式,该模型对山地气温预报的订正能力更稳定,模型的两项关键指标(平均绝对误差和2℃预报准确率)均接近或超过同时段浙江省天气预报质量检验平台气温业务指标。该研究结果满足金华地区高山气象观测站对于气温预报产品的业务可用性需求,可为精细化山区气象服务提供数据支撑。

基于卷积神经网络的噪声抑制算法优化

针对语音信号中的噪声抑制问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的噪声抑制优化算法。首先,探讨基于CNN的噪声抑制框架,并研究基于L1正则化的优化方法。利用Noisy Speech Database进行实验测试,比较传统CNN和文章提出的方法在不同噪声环境下的去噪效果。实验结果表明,文章提出方法的信噪比(Signal-to-Noise Ratio,SNR)和均方根误差(Root Mean Square Error,RMSE)均优于传统CNN。

基于卷积神经网络的实时语音分割优化研究

为进一步提高实时语音分割的性能,分析基于卷积神经网络(Convolutional Neural Networks,CNN)的实时语音分割优化方法。首先,介绍CNN的基本结构和在语音分割中的数学原理。其次,引入修剪技术,根据权重的重要性分数决定保留或删除权重。实验结果表明,该方法的准确率、召回率、F1值及用时均优于传统CNN。

改进的卷积神经网络在地铁保护区无人机安全巡查中的应用

本文基于低空无人机遥感数据,应用人工智能和机器学习技术的卷积神经网络(CNN)算法,通过相应的优化改进,自动提取地铁保护区内施工工程位置,为地铁保护区内安全风险源的识别和精准定位提供了一种新的技术方法。本文首先评估了实验数据情况,通过数据样本集增强处理,改善了小目标特征区分难度大及识别过程中空间层级化信息和小物体信息损失严重的问题。其次,应用未改进的卷积神经网络你只需看一次5版(YOLOV5)进行实验,结果表明未改进的YOLOV5卷积神经网络在本实验数据集中训练效果不佳,检测精度低,存在错检漏检现象。最后,针对实验凸显的问题,对YOLOV5卷积神经网络进行改进,引入基于网络的迁移学习、增加注意力机制模块等优化措施,提高了风险源目标的检测效率,解决了信息超载的问题。优化改进后的YOLOV5卷积神经网络平均检测精度超过92.3%,实现了地铁保护区内安全风险源的自动化精准识别、快速定位、位置解码以及信息汇总的全面巡查。

基于贝叶斯优化-卷积神经网络-双向长短期记忆神经网络的锂电池健康状态评估

准确估计电池健康状态是设备稳定运行的关键。针对当前健康状态研究中容量难以直接测量、估计模型调参费时等问题,提出基于多健康特征的贝叶斯优化(BO)算法优化卷积神经网络(CNN)与双向长短期记忆(BiLSTM)神经网络预测模型。基于NASA公开锂电池数据,提取3种健康特征。将CNN与BiLSTM结合,提高时间序列数据处理能力,加入BO算法自动搜寻最优参数集,避免组合网络模型陷入局部最优,从而减少评估时间。对比分析相关神经网络模型,结果表明所提方法预测准确度最高,可有效估计锂电池的健康状态,平均绝对误差和方均根误差均在1%以内。

基于卷积神经网络下的湖羊面部识别研究

卷积神经网络(CNN)是一种前馈型神经网络,从被称人工神经网络的传统神经网络中发展而来,在计算机视觉领域表现突出。本文首先介绍了设计的CNN卷积神经网络结构,其次,解析了实验硬件环境和工具软件,以及实验过程及细节调整,最后展示了实验结果并进行了分析。试验结果表明,基于卷积神经网络模型的羊脸检测效果较为理想,而羊脸识别工作则仅在正面羊脸上取得了较高的准确率,其它视角的羊脸识别工作仍有待进一步的研究。