序列矩阵表示的卷积网络编码的译码方法

从校验矩阵的角度对网络编码进行分析,给出其编译码的序列矩阵描述。这一方法可将确定型线性网络编码、随机线性网络编码以及卷积网络编码统一到同一矩阵序列结构中,为深刻理解网络编码提供一个新的视角。在此基础上,首次提出一种译码矩阵的求解方案,其复杂度为多项式时间,并给出可行性分析。还讨论了卷积网络编码的译码原理,并给出一些译码性质。最后,用例子简单说明序列矩阵描述的卷积网络编译码方法。

卷积网络编码

网络编码作为一种新的编码技术在提高传输效率、均衡负载、节省资源及数据安全等方面有很大优势。对于确定型通信网络,线性网络编码已被证明是一种简单高效的编码方式。然而,对基于无线网络的通信则不然,这主要是因为无线网络组成元素的可移动性,链路的不稳定性,传输的广播特性及资源共享性。针对无线网络特性,卷积网络编码应运而生,并表明比分组网络编码存储需求更少、译码时延及复杂度更小,成为网络编码在无线应用研究方面的焦点。首先介绍了卷积网络编码的研究进展,以及迫切需要解决的问题。然后从卷积网络编码的基本模型,研究方向,已有的编译码算法及与经典卷积编码的关系几个方面展开,为今后的卷积网络编码及其应用研究廓清思路。

基于卷积自编码网络的杆塔点云数据分类技术

目前,我国输电线路巡检方法主要以人工巡检为主,直升机巡检为辅。这种巡检方式对于输电线路中的杆塔点云数据的寻找和分类,主要依赖于人工操作,存在工作效率低下,操作方法复杂费力等问题。因此,如何探索高效的巡检方式,以有效提高电力巡检的工作效率,减少人工巡检工作量,降低运维成本和压力,成为了我们亟待解决的问题。本文的研究立足于输电线路巡检的现实情况与需求,提出了一种基于神经卷积神经网络的杆塔点云数据自动分类方法。首先,借助该方法对杆塔点云数据进行方向校正,然后通过侧面投影获取杆塔点云图像。接着,利用无监督的机器学习方法,对杆塔点云图像特征进行提取。最后,使用均值最大化算法,完成对杆塔点云图像特征的自动分类。最终通过测试显示,此次研究中所提出的自动分类算法的正确识别率可以达到100%(269/269= 100%),证明本文所提出的数据分类方法是切实有效的。

基于深度卷积自编码神经网络的手写数字识别研究

针对提高不同笔体下的手写识别准确率进行了研究,将深度卷积神经网络与自动编码器相结合,设计卷积自编码器网络层数,形成深度卷积自编码神经网络。首先采用双线性插值方法分别对MNIST数据集与10000幅自制中国大学生手写数字图片进行图像预处理,然后使用单一MNIST数据集对深度卷积自编码神经网络进行训练与测试;最后使用MNIST与自制数据集中5000幅图片混合,再次训练该网络,对另外5000幅图片进行测试。实验数据表明,所提深度卷积自编码神经网络在MNIST测试集正确率达到99.37%;且5000幅自制数据集模型测试正确率达99.33%,表明该算法实用性较强,在不同笔体数字上得到了较高的识别准确率,模型准确有效。

基于卷积自编码与密集时间卷积网络的回转支承退化趋势预测

为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network,TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network,DTCN)。该模型借鉴Dense-Net网络中的Dense-block模块对网络结构进行改进,以解决时间卷积网络在训练中损失函数下降缓慢,以及网络不易收敛、收敛效果差的问题;使用回转支承全寿命试验数据,借助卷积自编码网络(convolutional auto-encoders,CAE)与隐马尔可夫模型(hidden Markov model,HMM)建立健康指标,验证该改进算法的有效性;将DTCN与其他序列预测模型如长短时记忆网络(long short-term memory,LSTM)、门控循环单元网络(gated recurrent unit,GRU)等对比。结果表明,该模型在预测效果上具有优越性,能够更准确地预测健康指标的变化情况,可用于回转支承的退化趋势预测任务。

一种多尺度卷积自编码网络及其在滚动轴承故障诊断中的应用（英文）

针对旋转机械故障特征需要人工提取导致故障识别困难的问题,在传统卷积自编码网络基础上,提出一种一维多尺度卷积自编码的故障诊断模型.该模型首先使用并行、不同尺度的卷积核和反卷积核对输入信号进行特征提取和重构,然后将多尺度卷积核所提取到的特征图作为分类器的输入,最后用带标签的数据对全模型的参数进行微调.通过一组模拟故障信号数据和2组滚动轴承故障实验数据对一维多尺度卷积自编码模型进行验证,结果显示该模型可分别达到99.75%、99.3%和100%的诊断精度.此外,将一维多尺度卷积自编码模型与传统机器学习、卷积神经网络和卷积自编码网络进行诊断精度和重构误差的比较,最终结果表明所提出模型对于滚动轴承故障数据有更好的识别效果.

时空卷积自编码网络异常行为检测

针对视频监控异常行为检测中行为特征提取不充分且检测效率低的问题,提出一种基于无监督的时空卷积自编码异常检测方法。首先对视频帧进行时空块处理,将只包含正常行为视频中的连续3帧图像做灰度化处理,再将3帧灰度图像作为单帧RGB图像不同通道上的数据输入到卷积自编码器的网络中进行训练以获得视频中正常行为的时空特征,另外,结合编码器的重构误差和相应的规则分数,基于阈值规则对异常行为进行判断。最后利用公共数据集UCSD,验证了该方法的有效性,为视频异常行为检测提供了一个新思路。

基于改进残差卷积自编码网络的类自适应旋转机械故障诊断

针对旋转机械传感器信号样本有限影响深层网络模型训练学习的问题,提出一种结合改进残差卷积自编码网络与类自适应方法的故障诊断模型应对小样本数据。首先将少量已标记的源域数据和目标域数据创建为成对样本,并设计一种改进的一维残差卷积自编码网络对两种不同分布的原始振动信号进行特征提取;其次,利用最大均值差异(MMD)减小分布差异,并将两个域同一故障类别的数据空间映射到一个共同的特征空间,最终实现准确的故障诊断。实验结果表明,与微调、域自适应等方法相比,所提模型能够有效提高不同工况、微量已标记的目标域振动数据下的故障诊断准确率。

基于深度卷积自编码网络的图像融合

针对现有融合方法所用的多尺度变换模型均使用的通过手工设计的固定框架具有很强的人为先验性,提出了一种基于深度卷积自编码网络的图像融合方法。首先,通过构建一种深度卷积自编码网络来学习图像的有效分解与表示;然后,在该网络框架下通过设计基于红外图像显著性的融合规则进行图像融合。仿真实验表明,提出的算法在主观和客观评价上均具有明显优势。

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。

基于卷积自编码神经网络的损伤识别

针对桥梁结构的损伤发生时刻,提出了一种基于卷积自编码神经网络(CAE)的桥梁结构损伤发生时刻的识别方法。通过Newmark法并利用python获得的低水平加速度信号,训练CAE并用其对测试工况进行重构,发现结构损伤发生的时间。结果表明:卷积自编码神经网络可以准确的发现结构的损伤以及损伤发生的时间。

增强辛几何模态分解和自组织自编码卷积网络的电机轴承工况识别

针对电机轴承振动信号特征提取与工况识别困难的问题,提出一种基于增强辛几何模态分解(ESGMD)和自组织自编码卷积网络(SOAECN)的电机轴承工况识别方法。在辛几何模态分解(SGMD)的基础上将电机轴承振动信号自适应分解为初始辛几何模态分量(ISGMCs),并利用改进凝聚聚类算法对ISGMCs重新组合得到聚类辛几何模态分量(CSGMCs);提出一种综合评价指标,利用此指标筛选能反映振动信号特征的CSGMCs分量并重构;结合卷积神经网络和小波自编码器,构造自编码卷积网络(AECN),并在AECN基础上改进其损失函数且引入自组织策略,进而构造SOAECN;将重构后的振动信号输入SOAECN进行自动特征提取与工况识别。实验结果表明:ESGMD‑SOAECN方法的工况识别率达到了98.76%,自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,可为电机轴承自动工况识别提供参考。

有环网络编码关键理论问题研究

同无环网络编码研究相比,有环网络编码的理论存在更多研究空白.在实际网络中,网络编码信息流很可能交错形成环路,造成环路中链路之间逻辑因果关系混乱,时延的引入成为必须.因此,有环网络中网络编码呈现出与无环网络中不一样的特性.由于有环网络编码是网络编码实用化研究的一个关键和难点,而且有环有时延网络更接近实际网络情况,因而有环网络的研究具有较大理论和实用意义.本文从有环网络编码的数学理论框架、有环网络编码容量、码构造算法、多源有环网络编码等几个方面综述了有环网络编码的研究现状和需要进一步研究的方向.

基于卷积自编码和哈希算法的图像检索研究

针对目前图像检索的精度和速度不高等问题,提出一种基于卷积自编码神经网络和哈希编码策略的图像检索方法。该方法使用在MNIST和Fashion-MNIST数据集上预训练的卷积自编码网络模型对实验图像数据集提取编码器特征来得到图像特征的深层表示。所提取的特征具有自编码和卷积神经网络两者的优点。然后使用哈希策略将这些深层表示进行编码,从而获得图像的二进制码,通过计算汉明距离的相似度对图像进行检索。在2个大型数据集MNIST和Fashion-MNIST上进行大量实验,与现有技术相比,该算法具有更高的查准率、查全率和平均检索率。

多源数据约束性融合的传感器网络安全预测模型

针对单一传感器数据存在信息不全面而无法真实反映网络安全态势的问题,提出一种多源数据约束性融合的传感器网络安全预测方法。首先,该方法采用卷积自编码网络对不同模态的异构数据进行统一维度的特征表示,能够解决传感器之间的异构性问题。其次,采用无监督交叉模态哈希检索方法对卷积自编码网络(Convolutional Auto-Encode,CAE)的参数进行校正,提取多种传感器数据的全局特征和局部特征,解决编码-解码过程的前后特征损失问题。最后,将回归二进制码与多模态数据特征进行加权融合,实现安全类别预测。实验表明,与融合了卷积神经网络(Convolutional Neural Networks,CNN)的格拉姆角场(Gramian Angular Field,GAF)算法相比,所提方法具有较好的健壮性。

基于深度卷积自编码网络地震数据去噪方法

在采集得到地震数据中,随机噪声常常与有效信号混合在一起,并且毫无规律,使用常规去噪方法不能够达到理想的效果,影响后续的地震数据处理工作.为有效压制地震数据中的随机噪声,本文根据深度学习的相关理论,提出了一种基于深度卷积自编码网络的数据驱动的去噪方法,可以解决随机噪声难以去除的问题.在卷积自编码器的基础之上,网络使用了较多的层数并加入跳跃连接构造,从而增加了网络的深度,能够提取并结合数据中深层与浅层特征,增强对随机噪声的处理能力,更好地恢复有效信号的细节.经过实验证明该方法对于不同水平的随机噪声的压制均有优异的表现,在去噪的效果上远超中值滤波、小波变换等传统去噪方法,同时也比经典的DnCNN网络更加优秀,能够完整地保留有效信号,极大提升地震数据的质量.

有环网络CNC译码算法优化设计

卷积网络编码(CNC)译码算法汇点容量区域及译码算法已知的假设条件并不能同时成立。为此在分析有环网络CNC译码机制的基础上,指出解决CNC译码问题的关键在于初始化算法的设计和容量区域确值问题。通过简化系统状态方程,建立发送和接收序列关系表达式,区分节点是否具有重置/清零操作,差异化提出与之对应的译码算法,并推导传输矩阵满秩条件时容量区域定量表达式,并对比分析了时延、吞吐量、丢包率、控制开销等性能指标。结果表明,新算法吞吐量提高了3.2 Mbps,时延、丢包率、控制开销分别降低了37%、25%、0.9 M,验证了新算法的可行性和有效性,为进一步提高网络安全性提供了一定理论基础。

基于深度嵌入网络的地震相聚类技术

早期基于机器学习的地震相聚类分析依赖地震属性种类的选择与组合,结果具有很强的主观性,而数据驱动下的深度学习可以规避该缺陷。因此,利用深度学习技术,采用自编码网络架构,通过嵌入编码(Embedding Code)对地震数据进行抽象表示;引入聚类损失函数与重建损失函数,建立联合损失函数并优化,使学习到的地震特征既能重建地震数据,又具有较好的聚类能力。鄂尔多斯盆地A致密气探区实际应用结果表明:经过500次迭代后,嵌入编码已具有明显的聚类特征,同时能很好地恢复原始地震信号,相对误差小于5%;与均方根振幅属性相比,基于深度嵌入网络的地震相聚类技术计算的地震相图刻画河道更准确、细节更丰富;比K-Means聚类算法预测结果的井震符合率更高,可达89.3%。

改进自编码网络特征提取在近红外定量分析的应用

针对近红外光谱高维、非线性、大量噪声对定量建模的影响,将深度自编码网络引入到光谱特征学习中,提出一种改进卷积自编码网络的特征提取方法(1D-BCAE),并将其应用到烟叶关键指标的近红外光谱定量建模中,提高了模型的准确性和稳健性.首先利用适合光谱数据的一维卷积核和池化窗口进行特征提取,其次在编码过程中加入BasicBlock模块和批归一化(BN)结构优化网络结构,减少了参数量和计算量的同时,降低了光谱中的噪声和非线性特征的影响,优化了网络的训练效率.通过设计一种对应相连的结构,把编码器中各模块的参数传递给相应的解码器,减少了网络训练过程中细节特征的丢失.通过实验对比重构误差和均方根误差,验证了所提方法的有效性,然后分别采用全谱段和主成分分析(PCA)、卷积自编码(CAE)网络、1D-BCAE提取后的特征结合偏最小二乘(PLS)法建立了关于烟叶中烟碱、总糖指标的定量模型,并进行了对比分析.结果表明,1D-BCAE能有效学习高维数据中的内在结构和非线性关系,所建的模型具有更好的性能.所提方法实现了对待测组分光谱信息的有效提取,对建立稳健校正模型、降低模型复杂度具有重要意义.

基于全局和局部信息融合的显著性检测

为提高低对比度、复杂自然图像显著性检测的准确率和泛化性能,提出一种贝叶斯框架下的全局和局部信息融合的显著性检测模型.首先,构建深度卷积自编码网络,采用对称编解码结构,监督学习图像全局特征,得到全局显著图;然后,根据全局显著图产生前景和背景码本,利用局部约束线性编码算法进行编码,采用稀疏编码描述局部特征,产生局部显著图;最后,提出采用贝叶斯框架,将全局和局部信息融合,生成最终显著图.实验结果表明,所提模型在ECSSD,DUT-OMRON和PASCAL数据集上F-measure值分别为76.53%、59.45%和72.52%,MAE值分别为0.14328、0.13787和0.18105,且能够有效对低对比度、复杂真实自然图像进行显著性检测.