基于多尺度卷积神经网络的高光谱图像分类

卷积神经网络(CNNs)对高光谱图像(HSI)的特征具有强大的学习能力。但是由于传统卷积的本质,往往会丢失部分关键特征,给小样本分类增加了困难。为了克服上述问题,提出了一种新的多尺度卷积(MSC)运算方法来代替传统卷积运算。使用主成分分析(PCA)来降低高维的光谱特征并保留其关键特征;将MSC应用于几种经典的图像分类算法,并与它们进行了比较,实现了图像的分类。在三个公开的高光谱数据集上进行了实验,结果证明了提出的MSC是有效的。

基于特征融合和改进卷积神经网络的环境音识别

由于环境声音复杂的结构,环境声音识别是一个具有挑战性的问题。本文提出一种将特征融合与改进卷积神经网络算法相结合的环境音识别方法。首先针对原始音频文件,提取从波形中学习到的特征以及传统音频特征,分别为MFCC(梅尔倒谱系数)、GFCC(伽玛通频率倒谱系数)、频谱对比度和CQT(恒定Q变换);然后将提取到的特征分别输入到端到端的神经网络SF-CNN和多尺度卷积神经网络MS-CNN中进行识别;最后根据D-S证据理论决策规则进行决策级融合,输出最终识别结果。通过在公开数据集ESC-50进行的实验结果表明,本文提出的模型能够提高识别准确率,且优于单特征模型,更适用于复杂的声学场景。

基于改进Inception网络及LightGBM的弓网电弧识别方法

针对弓网电弧识别方法对数据识别的单一性问题,提出一种基于改进多尺度卷积网络(GInception)结合LightGBM的弓网电弧识别方法。运用完整集合经验模态分解(CEEMDAN)和小波软阈值相结合的方法对原始信号进行降噪重构,将重构信号进行广播机制(Broadcasting)处理,变成多维信号后输入到GInception网络中进行特征提取,再将GInception网络提取的特征导入到轻量级梯度提升机中进行识别。研究结果表明:该识别方法在5组工况下弓网电弧识别的准确率达到96.3%。研究结论可为电车弓网电弧识别提供参考。