一种结合卷积自编码和补丁惩罚的生成对抗网络单图像去雨方法

针对传统的图像去雨方法存在去雨图像失真、生成伪影等问题,提出一种结合卷积自编码和补丁惩罚的生成对抗网络单图像去雨方法。首先,该方法采用卷积自编码组成生成器网络,使用对称跳跃连接提高生成器网络的训练效率和收敛性能,实现对图像细节信息和二维信号空间信息的重构;其次,引入马尔可夫鉴别器在图像补丁层次上进行惩罚,去除生成图像中的伪影;最后,提出一种新的精细化损失函数参与训练网络模型,进一步增强模型的去雨深度。采用峰值信噪比和结构相似性作为模型的评价标准,实验结果表明,该方法在现实雨图和合成雨图的去雨处理上都有良好的表现,基本还原了图像细节内容,并保证了较高的视觉质量。

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。

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。

基于自编码器-受限时序卷积网络的数据驱动配电网无功优化策略

配电网中可再生能源渗透率的提高带来了频繁的电压越限问题。作为一种被广泛研究的方法,无功优化方法已经成功应用到配电网中以降低网损、优化电压质量。该文提出一种基于自编码器-受限时序卷积网络的新型数据驱动配电网无功优化策略,该策略通过3个阶段来协调光伏逆变器、电容器组等多种多时间尺度的无功调节设备。首先,将无功优化问题建模为混合整数二阶锥规划问题,求解出历史最优无功调度策略;然后,使用历史运行数据和最优策略训练所提网络模型,并通过矫正层规避不合理结果;在实际运行中,训练好的模型依据系统测量值给出无功优化策略以应对配电网的波动。最后,通过改进IEEE 33节点算例仿真实验验证,所提方法能够达到混合整数二阶锥模型98.80%的准确度而仅消耗其7.14%的时间;与其他流行的深度学习方法相比,具有更佳的性能和更好的实用性。

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。

基于自编码卷积神经网络的前列腺TRUS图像分割方法

前列腺TRUS图像分割方法直接对前列腺TRUS图像特征进行展平,未对前列腺TRUS图像进行灰度均衡化处理,导致分割效果差。本文提出基于自编码卷积神经网络的前列腺TRUS图像分割方法。对前列腺TRUS图像进行灰度均衡化处理,在此基础上基于自编码卷积神经网络进行图像特征展平,设计前列腺TRUS图像分割流程实现图像分割,实验结果表明该研究方法能够更准确地识别并分割出前列腺区域,减少将前列腺像素错误分割为背景区域的情况。

基于上下文编码器网络的油气曲线图像脱敏方法研究

数据对于石油企业就是资产。数据加密与数据脱敏都是针对数据安全的策略,但目前数据脱敏技术仅能够针对文本实现,缺少石油企业中大量保有的图像数据脱敏技术。针对目前脱敏技术存在的不足之处及油气田勘探中的曲线图像数据特点,借鉴深度学习图像修复方法,提出一套基于上下文编码器的脱敏技术,弥补了行业内对于图像数据无法脱敏的缺陷。对该方法进行详细的测试后取得了较好的脱敏效果。对比传统方法,结果证明其能够在曲线图像这种具有专业特殊性的数据中取得更明显的效果以及更可靠的脱敏效果。

融合Transformer和卷积LSTM的轨迹分类网络

为了减少原始轨迹数据的噪声,充分提取轨迹的时空特征,提高基于轨迹数据的交通模式分类精度,提出一种融合堆叠降噪自编码器、Transformer和卷积长短期记忆网络的轨迹分类网络(networks fusing stacked denoising auto-encoder, Transformer and ConvLSTM,SDAETC)。通过堆叠降噪自编码器减少原始轨迹数据中的噪声;利用结合了Transformer的递归图自编码器,提取到更为丰富的时间特征,同时利用特征图自编码器提取空间特征;改进卷积长短期记忆网络,充分提取轨迹中的时空特征,并与提取到的时间特征和空间特征相融合,从而实现交通模式分类。实验结果表明,提出的SDAETC与基线模型相比,在GeoLife和SHL数据集上的准确率分别提升了1.8%和2%。此外,消融实验结果和模型训练时间分析表明,引入堆叠降噪自编码器、Transfomer和ConvLSTM虽然增加了时间消耗,但是对分类精度有积极贡献。

基于VMD和时空网络变分自编码器的负荷聚类

为了解决用户用电负荷曲线数据维度高、特征提取困难以及序列存在信号模态混叠的问题,提出了使用变分模态分解(variational modal decomposition,VMD)和改进基于时空网络的变分自编码器(variational auto-encoder,VAE)对电力负荷曲线进行特征提取。通过模态分解得到信号的固有模态,对模态重构得到时序特征较明显的序列信号。再通过长短期记忆网络(long short-term memory network,LSTM)和卷积网络(convolutional neural network,CNN)组成的时空变分自编码器进行潜在特征提取,并构建网络分类器来联合损失优化自编码器模型。最后使用Minibatchkmeans算法聚类并计算聚类中心。使用UCI数据集中葡萄牙居民用电量作为实验数据,通过实验结果表明经模态分解后通过降维再聚类的算法在戴维斯丁堡指数(Davies-Bouldin index,DBI)和轮廓系数(silhouette coefficient,SC)上表现出较好效果。

伪异常引导的卷积自编码网络视频异常检测

视频异常检测由于可以高效、低成本地维护公共安全,在国家安防、医疗监护中发挥着重要作用.基于重构的深度自编码网络异常检测方法因其强大的表示能力而得到了广泛的研究.然而,自编码网络通常也可以成功地重建异常行为,从而导致异常行为的漏检.针对这一问题,提出了一种伪异常引导的卷积自编码网络视频异常检测方法,模型使用3D卷积提取视频时空特征.首先,通过正常数据模拟异常数据分布生成伪异常,提出了两种生成伪异常的方法:基于跳帧的方法和基于补丁的方法;然后,使用正常数据和生成的伪异常数据训练模型,训练时较好地重建正常数据同时较差地重建伪异常数据,由此模型被鼓励为限制异常数据的重建;最后,在UCSD-Ped2、Avenue和ShanghaiTech三个公共视频异常检测数据集上与其他基于重建的模型进行比较,其检测精度获得了有效提升.

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差(RMSE)为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。

针对VVC色度预测的注意力卷积神经网络算法

针对多功能视频编码(Versatile Video Coding,VVC)标准中跨通道线性预测模型(Cross-Component Linear Model,CCLM)无法很好地拟合色度与亮度之间的非线性对应关系这一不足,提出了一种基于注意力机制卷积神经网络的VVC色度预测算法。该算法主要思想是在进行色度预测时,使用对应亮度块的信息与待预测色度块上方与左方的信息作为参考信息输入进卷积神经网络,利用注意力机制对参考信息中的亮度与色度间的内在联系进行分配权重后输入预测网络。实验结果表明,相较于VVC标准算法U分量和V分量的平均码率节省分别为0.64%和0.68%,有效提升了VVC编码性能。

基于卷积自编码的fNIRS信号运动校正算法研究

功能性近红外光谱技术(functional near-infrared spectroscopy,fNIRS)作为一种高时间分辨率、成本低廉、便携性高的脑成像系统,近年来深受脑神经科学等研究领域的关注。但fNIRS信号中的运动伪迹会干扰后期数据分析的结果,且现有的一些算法去噪效果较为单一。因此,本文提出了一种基于多层卷积自编码的fNIRS信号运动伪迹校正算法——MCAN算法,并使用该算法对fNIRS信号中的3种运动伪迹进行校正;然后用仿真数据和实验数据对所提算法的性能进行验证,将其与现有的几种常用算法进行对比,结果表明:MCAN算法在剩余运动伪迹数量、均方误差、信噪比、皮尔逊相关系数的平方、峰峰误差几种指标上表现良好,说明所提算法可作为一种全新的fNIRS信号预处理算法。

一种卷积自编码的智能电表外观缺陷检测技术

目前我国每年智能电表的消耗量非常庞大,检测其表面损坏情况是一件非常复杂的事情。由于电表表面缺陷复杂多样,而且收集大量带缺陷的电表图像样本十分困难。因此,文中提出了一种基于卷积自编码模型的算法判断智能电表外观的缺陷。具体来说,基于Faster RCNN训练一个目标检测模型,将电表中待检测区域提取出来。再使用训练好的卷积自编码器判断提取的待检测图像是否存在缺陷。若存在缺陷则会逐像素将缺陷标记出并显示到结果图中。实验结果表明,所提算法判断缺陷的准确率可达0.982,处理单张分辨率为960×1080的电表图像仅需0.83 s。文中方法相较于模板匹配的方法具有更高的鲁棒性和准确性,能够适应复杂工业场景。

基于改进卷积神经网络的电力工程数字化校核技术研究

针对传统电力工程验收过程使用人工费时费力且数据质量较差的问题,文中基于改进的卷积神经网络提出了一种电力工程数字化验收校核技术。该技术将Faster R-CNN作为基础模型,从3个方面对Faster R-CNN进行改进。使用ResNet网络代替原始基础网络,提升了算法局部特征的提取能力与运算效率。同时将K-means聚类算法与区域候选网络相结合,增强了模型的目标识别能力。再引入深度自编码网络作为预测网络,进而提高了算法的预测能力。在实验测试中,所提算法相较原始算法的准确率、召回率分别提升了3.7%和7.2%,可以对电力工程关键部件进行准确识别,有效节约了验收过程中的时间及人力成本。

基于卷积神经网络的医学CT图像自动分割方法

针对医学CT图像自动分割方法对三维分层医学CT图像分割精准度较差问题,设计基于卷积神经网络的医学CT图像自动分割方法。对采集到的原始医学CT图像进行去噪处理,为后续的图像分割提供训练集。设定卷积神经网络的激活函数及网络参数,构建医学CT图像自动分割卷积神经网络。计算医学CT图像在卷积过程中损失函数,获取图像最优分割参数,根据此参数完成分割过程。实验结果表明:此方法无论在图像的整体分割还是细节分割方面,均可获取精度较高的分割结果。

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。

基于卷积神经网络的HEVC帧内预测算法优化

作为HEVC标准中最基础、最重要的技术之一,帧内预测对实现视频编码的高速、高质量和高压缩率具有重要的作用。文中针对帧内预测复杂性问题进行研究,提出一种基于深度卷积神经网络(CNN)的方法,通过学习来预测CTU的划分,从而减少HEVC帧内编码的复杂性。通过建立一个大规模的CTU划分数据库,并利用CNN的能力学习各种CTU划分模式,能够准确地预测CTU的划分,从而避免了传统的穷举搜索,实现了HEVC编码复杂性的显著降低,提高了编码效率。实验结果表明,提出的方法在测试序列和图像上分别将帧内编码时间减少了62.25%和69.06%,与其他最先进的方法相比,比特率分别仅增加了2.12%和1.13%,达到了优化的目的。

基于卷积时空交互融合网络的列车轴承故障诊断

[目的]轴箱轴承运行环境的多元复杂性使得采用单一传感器的轴承故障诊断方法难以取得良好的效果。针对此问题,特开展了基于卷积时空交互融合网络的列车轴承故障诊断的研究。[方法]采用多传感器融合方法,在水平-竖直振动数据集上提出了一种CTS-MFN(基于卷积时空交互融合网络)用于轴承故障诊断。将ECA(高效通道注意力)模块、LSTM(长短期记忆)网络和相似性距离约束引入卷积自编码器,使模型能够提取具有模态间交互信息的时间-空间注意特征;在利用MLP(多层感知机)对各模态时空特征进行融合推断。[结果及结论]通过对比试验、消融研究、泛化性能分析等试验,证明了所提模型的有效性。

融合结构化卷积和双重注意力机制的轻量级眼底图像分割网络

眼底血管图像的自动分割对于多种眼科疾病的计算机辅助诊断具有重要作用.针对血管的尺度差异和图像噪声导致眼底血管图像分割困难、使用单一尺度卷积运算的深度学习方法获取的特征感受野有限,以及现有的方法复杂度过高的问题,提出一个融合结构化卷积和双重注意力机制的轻量级眼底图像分割网络.通过编码器增强、减少下采样次数和特征深度的编码-解码网络设计,实现参数量只有0.63M的轻量化网络.在编码阶段,提出一种结构化卷积方法,有效地避免了网络训练过拟合,提高了网络捕获差异化血管特征的能力;在解码阶段,采用基于空间和通道的双重注意力机制,使网络更加关注血管特征的上下文和几何空间信息,抑制病变等噪声的干扰.在DRIVE,CHASE_DB1和STARE数据集上进行实验的结果表明,所提网络图像分割的准确率分别为96.92%,97.57%和97.51%,灵敏度分别为83.68%,84.99%和84.87%,受试者曲线下的面积(AUC)分别为98.67%,99.05%和99.02%;并通过在DRIVE和STARE数据集上的交叉训练,验证了该网络的泛化能力.