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。

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。

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。

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。

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。

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。

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。

基于卷积神经网络的智慧教室监控平台设计

文章提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的智慧教室监控平台设计,旨在实现对学生行为的智能化识别。该平台的总体设计架构包括网络摄像头、Wi-Fi、服务器、显示屏及行为识别模型等组件。在实验阶段,通过网络爬虫采集图像数据构建数据集,并采用CNN识别学生行为,包括游戏、说话、睡觉等多个状态。实验结果表明,该方法的识别效果良好,能够准确标识学生的不同状态。

基于卷积神经网络的仓储评论数据分类系统研究

为了解用户对仓储产品或服务的意见和满意度,提高仓储运营的效率和竞争力,提出基于卷积神经网络(Convolutional Neural Networks,CNN)的仓储评论数据分类系统。首先,爬取仓储评论数据,并进行处理;其次,构建改进的结合字符和词的双输入卷积神经网络模型(Improved Char and Phrase Convolutional Neural Networks,ICP-CNN),并对文本进行正负向情感分类;最后,利用Flask框架构建Web系统,实现界面的可视化展示。

一种基于卷积神经网络的地质岩石的识别分类方法

为了在地质勘探过程中,减少人工成本并提高采样效率,提出了一种通过训练并构建卷积神经网络 (CNN) 模型来识别地质岩石的方法。主要任务包括基于测试数据集对模型进行训练,优化调整模型参数,并选择适合的激活函数,以提高模型的准确性和降低损失函数值。同时也介绍了构建模型前的数据预处理、数据增强方法。训练完成后,导出 h5 模型并搭建了一个软硬件测试平台,通过该平台对岩石标本进行识别并验证模型的准确性。通过这一系列步骤,完成了一套有近距离识别地质岩石并分类功能的视觉系统。

一种基于迁移卷积神经网络的滚动轴承故障诊断方法概述

针对传统基于卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法的特征提取能力有限,在数据样本较少且鲁棒性较差的情况下无法获得准确的诊断结果的问题,提出采用一种将CNN与迁移学习(Transfer Learning,TL)相结合的方法,即基于迁移卷积神经网络(Transfer Convolutional Neural Network,TCNN)的滚动轴承故障诊断方法。该方法选用在ImageNet数据集上预训练的基准CNN模型AlexNet网络作为基础架构的CNN模型,结合TL将已有预测模型中的底层参数冻结,仅对上层参数进行训练更新,当训练次数达到一定数量时,能有效提升故障诊断准确率。试验结果表明,该方法能提升故障诊断模型在数据样本较少情况下的抗噪声能力和泛化性能,进而提高滚动轴承故障诊断的精度。

基于气象观测数据建立卷积神经网络算法反演PM_(2.5)

利用扬州市气象观测站点和中国环境监测总站的逐小时数据估算PM_(2.5) 的各相关组合因子,然后利用CNN卷积神经网络算法构建反演PM_(2.5) 质量浓度的机器学习模型。结果表明:(1)利用CNN卷积神经网络算法反演PM_(2.5) 是有效且可行的,且比一般的线性回归算法效果更佳,为反演PM_(2.5) 提供了一种新的机器学习方法。(2)在影响PM_(2.5) 反演的各输入变量因子中,PM_(10)与能见度变量为高相关因子。利用神经卷积网络算法反演PM_(2.5) 理论上反演精度能够随着输入信息增多而不断提高。

基于CNN卷积神经网络的病虫害图像识别应用技术综述

农作物病虫害种类繁多,对农作物的产品和品质造成重大影响,而我国一线农业生产人员专业技术水平良莠不齐,导致现场缺乏有效和及时的客观判断。基于此,分析了传统和现代病虫害快速检测的方式和优缺点,并针对基于CNN卷积神经网络的农作物病虫害AI图像识别技术的要点和应用步骤进行详细阐述。该技术具有较高的实用价值和可操作性,可促进AI图像识别技术与传统农业生产的深度融合和赋能。

基于融合残差注意力机制的卷积神经网络地震信号去噪

由于U型卷积神经网络(Unet)在地震数据去噪中存在计算量大、网络退化和泛化能力弱等问题,本文为了提高去噪效果以及增强模型的泛化性,提出了一种融合残差注意力机制的卷积神经网络(RAUnet)。该网络结构主要由编码和解码两部分构成,网络的每个卷积层之后都加入了批标准化和带泄露整流激活函数。在编码器中,为了提高对噪声的提取能力,引入了残差结构和卷积块注意力模块。残差结构利用残差跳跃连接的方式减弱了网络退化,降低了特征映射的难度。卷积块注意力模块使用通道和空间的混合注意力权重,能提升相关度高的特征并抑制相关度低的特征。在解码器中,为了提升特征融合的维度恢复能力,选用双线性插值方式进行上采样。实验测试结果表明,对于合成地震信号,本文方法对简单模型和复杂模型随机噪声的压制效果均更有效,并且更好地保护了有效信号;对于实际地震信号,本文方法仍然能在去噪的同时尽量保持有效信号中的细节,对叠前数据和叠后数据都展现出了良好的泛化性。