基于多通道卷积神经网络的液压系统多故障诊断

针对现有研究液压系统单一故障较多而复杂多故障较少的情况,结合液压系统实际采集的数据往往具有多采样率的特点,提出一种多通道卷积神经网络模型,将不同采样频率下的传感器数据分别作为一个通道输入,利用卷积神经网络自动进行提取特征,全连接层将提取的多传感器特征信息进行融合,实现液压系统的混合多故障诊断。利用多级评价指标将提出的多通道卷积神经网络模型与传统的单通道卷积神经网络算法对比,结果表明,相较于单通道卷积神经网络不能很好地识别液压系统多故障发生时的液压泵和蓄能器故障,提出的算法模型诊断准确率达到了99%,并且具有很好的鲁棒性。

基于半监督学习-多通道卷积神经网络的加氢裂化产品性质预测

提出了一种用于加氢裂化产品性质预测的半监督学习-多通道卷积神经网络(SSL-MCCNN),通过逐层卷积实现加氢裂化工艺流程空间域局部特征提取,并基于多通道采样实现了时域特征提取。在应对模型训练中由于产品性质数据量不足导致的小样本学习问题方面,基于教师-学生半监督学习(TS-SSL)生成虚拟样本集实现了数据扩充,进一步提升了模型预测性能。基于SSL-MCCNN对煤油-柴油加氢裂化工业装置重石脑油密度和柴油闪点预测的均方根误差(RMSE)分别为0.83和1.03,判定系数(R 2)分别为0.90和0.98,与BP神经网络(BPNN)和径向基神经网络(RBFNN)相比,SSL-MCCNN在实现最小RMSE的同时达到了最优R 2。实验结果表明,所提出的SSL-MCCNN有效提取了加氢裂化工艺流程的时空域特征,显著提升了模型预测性能。

基于BERT与多通道卷积神经网络的细粒度情感分类

为了分析突发事件期间网络舆论的情感倾向,以更有效地调节人们的情绪,维护社会稳定。提出了一种融合BERT模型和多通道卷积神经网络的深度学习方法用于细粒度情感分类,以获取更加丰富的文本语义特征信息。通过BERT对输入的文本进行编码,以增强文本的语义特征表示,再通过具有多个不同大小的卷积核的并行卷积层来学习文本特征,捕获文本的深层次特征,提升模型在文本分类的性能。对比实验表明,该模型在准确性、召回率和F 1方面均优于传统的情感分类模型,并能显著改善细粒度情感分类的性能。除此之外,还探究了表情符号对细粒度情感分类模型的影响,实验结果表明表情符号转换成文字后可以增强文本的情感特征提取能力,提升模型分类性能。

基于多通道卷积神经网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立磁性运动目标三分量投影模型,并据此生成磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。设计多通道卷积神经网络,对目标的正横距离和运动速度进行估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响。结果表明:Adam+tanh组合方式的估计性能要优于其他组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。

基于Transformer和多通道卷积神经网络的情感分析研究

文本情感分析是自然语言处理的经典领域之一。文中提出了一种基于transformer特征抽取器联合多通道卷积神经网络的文本情感分析的模型。该模型使用transformer特征提取器在传统Word2vector,Glove等方式训练的静态词向量的基础上来进行单词的分层、动态表示,针对特定数据集采用Fine-Tuning方式来进行训练有效提升了词向量的表征能力。多通道卷积神经网络考虑了不同大小范围内词序列之间的依赖关系,有效进行特征抽取并达到降维的目的,能够有效捕捉句子的上下文语义信息,使模型捕获更多的语义情感信息,提升文本的语义表达能力,通过Softmax激活函数达成情感倾向分类的目标。模型分别在IMDb和SST-2电影评论数据集上进行实验,测试集上准确率达90.4%和90.2%,这明所提模型较传统词嵌入结合CNN或RNN的模型在分类精确度上有了一定程度的提升。

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。

基于多通道卷积双向长短时记忆网络的输电线故障分类

针对单通道故障分类器不能全面表达三相故障特征信息引起分类精度不高的问题,提出了一种基于多通道卷积双向长短时记忆神经网络(MCCNN-BiLSTM)的输电线故障分类方法。该方法可同时输入故障三相信号,并能有效提取故障信号的空间和时间特征,实现了三相故障信号特征的全面提取,有效地提高了神经网络的分类的精度。基于735 kV三相串联补偿输电线模型大量故障数据分析,对三相故障电压信号不采用任何特征提取算法,仅截取故障周期的三相电压幅值数据作为基本故障特征信号输入。仿真实验结果表明:该网络能快速准确地分类识别11种故障,并且不易受故障时刻、过度电阻等因素的影响,具有良好的鲁棒性和适应性。

基于GAN和多通道CNN的电力系统暂态稳定评估

目前基于深度机器学习的电力系统暂态稳定评估对介于稳定和失稳边界的系统状态判别存在一定困难,同时也难以兼顾在线评估的准确性和快速性。针对该问题,该文提出一种基于多通道卷积神经网络(convolutional neural network,CNN)和生成对抗网络(generative adversarial nets,GAN)的暂态稳定评估方法。首先构建了含级联多通道CNN的电力系统暂态稳定状态评估模型,通过前级多通道CNN预测非边界样本的暂态稳定状态并确定原始边界样本集;其次交替训练GAN模型的生成器和判别器以实现边界样本集增强,用增强后的边界样本集训练后级多通道CNN,使其能够可靠判别边界样本的暂态稳定状态,从而提高了状态评估的准确率;此外,在故障清除时刻预测出稳定系统的稳定程度以及失稳系统的安全控制时间裕度,从而保证了在线评估的快速性,也为后续控制策略提供一定参考。在IEEE-39节点系统和某省级电力系统上仿真表明:所提模型的评估效果相较于其他常用深度学习算法而言更为优越,在同步相量测量装置测量信息含噪声的情况下,该模型表现出较强的鲁棒性。

基于网络结构搜索的工业过程自动故障诊断方法

针对现有基于深度神经网络的工业过程故障诊断方法存在网络结构设计烦琐及参数寻优耗时等问题,提出了一种基于网络结构搜索的工业过程自动故障诊断方法(automatic fault diagnosis, AutoFD),该方法采用AutoFD网络结构搜索算法,来自动完成卷积神经网络的网络结构设计和网络参数寻优。在此基础上,首先通过在原始数据上施加操作生成新通道;接着利用表现预测加速获取通道适应性排序的过程;然后依据通道适应性排序,通过表现预测来快速选取最优卷积通道数;最终根据最优卷积通道来搜索表现最优的多通道卷积神经网络模型用于工业过程自动故障诊断。采用田纳西—伊斯曼(Tennessee Eastman, TE)工业过程和数值系统对提出方法进行验证,结果表明该方法可以实现网络结构自动设计及网络参数的自动寻优,并且具有优良的故障诊断性能。

采用多通道浅层CNN构建的多降噪器最优组合模型

现有的一致性神经网络(Consensus neural network,CsNet)利用凸优化和神经网络技术将多个降噪算法(降噪器)输出的图像进行加权组合(融合),以获得更好的降噪效果,但该优化模型在降噪效果和执行效率方面仍有较大改进空间.为此,提出一种基于轻量型多通道浅层卷积神经网络(Multi-channel shallow convolutional neural network,MSCNN)构建的多降噪器最优组合(Optimal combination of image denoisers,OCID)模型.该模型采用多通道输入结构直接接收由多个降噪器输出的降噪图像,并利用残差学习技术合并完成图像融合和图像质量提升两项任务.具体使用时,对于给定的一张噪声图像,先用多个降噪器对其降噪,并将降噪后图像输入OCID模型获得残差图像,然后将多个降噪图像的均值图像与残差图像相减,所得到图像作为优化组合后的降噪图像.实验结果表明,与CsNet组合模型相比,网络结构更为简单的OCID模型以更小的计算代价获得了图像质量更高的降噪图像.

房屋建筑图形数据多通道整合方法设计与仿真

海量数据属性复杂、影响整合效果,传统数据整合方法缺少对图形数据的预处理,不完整的编码影响数据整合与共享效果。研究统一编码下房屋建筑图形数据多通道整合方法。预处理房屋建筑图形数据,补充与更新统一编码,构建模糊集合挖掘房屋建筑图形数据特征,通过构建图形特征的多通道卷积神经网络模型,实现对图形数据的多通道交互控制与整合。实验结果表明,与传统方法相比,文中方法生成的空间数据整合效果图更完整,传统方法生成的效果图存在部分缺失。人为完善统一编码后,评价不同方法整合数据过程中共享数据的能力,发现文中方法的数据共享能力评价结果优于传统方法,可见所提方法更具备使用意义。

基于SVM的多通道CNN和BiGRU的情感倾向性分析

提出了一种基于支持向量机(support vector machines,SVM)的多通道卷积神经网络(convolutionnal neural network,CNN)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的网络模型。模型将三个不同通道的CNN通道提取的文本特征和BiGRU模型通道提取到的文本信息进行拼接,将它们的输出向量作为SVM模型的输入,由SVM模型二分类给出文本的情感倾向。训练文章模型所用的数据集为谭松波酒店评论数据信息,从训练的准确度可知:与其他的模型相比,文章的模型有更高的准确率,可以得到更好的分类效果。

基于多域特征融合的通信辐射源个体识别方法

为解决利用单一特征进行通信辐射源个体识别识别率不高的问题,提出一种基于多域特征融合的通信辐射源个体识别方法。提取通信辐射源发射信号的多个变换域特征,并组合这些特征为多域特征。构建多通道卷积神经网络,利用多通道卷积操作对多域特征进行深层次提取。通过神经网络的分类器,完成对通信辐射源个体的分类。在低信噪比和瑞利信道条件下,使用所提方法对20个CC2530设备进行识别。研究结果表明:与基于单一特征的辐射源个体识别方法相比,该方法充分利用了通信辐射源发射信号的多个变换域特征,结合神经网络的强大细微特征挖掘能力,实现了对通信辐射源个体的有效识别;该方法能够显著提升在低信噪比的识别准确率和时效性,在0 dB条件下的识别效果仍可达到91.01%。

基于地球同步轨道卫星的输电线路山火监测方法研究与应用分析

为了满足输电线路山火易发地区的低漏检、高精度、大范围、高时效性火点近实时监测需求,本文以地球同步轨道卫星影像为基础,提出了一种基于MC-CNN的山火检测算法。通过结合大津算法(OTSU)和上下文算法来增加潜在火点,从而在一定程度上降低火点检测的漏检率;引入PCA算法对输入特征进行优化,构建多通道网络结构,并利用联合概率和PSO参数寻优算法获取不同通道火点识别权重,在加权平均的基础上最终判定火点;同时,采用固定高温热源和太阳耀斑对虚假火点进行去除,以降低误报率。为了验证所提算法的有效性,本文随机选取了2019年至2022年期间输电线路附近历史卫星监测山火案例,并利用已知火点样本对火点反演结果进行验证。计算结果显示,该算法的火点检测精度达到了89.4%。

基于多通道-维卷积双向门控循环网络轴承故障诊断

针对于一维卷积神经网络使用单卷积核可能出现特征丢失,特征提取不充分,无法利用时间序列信息,以及Softmax无法进一步提升诊断准确率等问题。提出一种多通道一维卷积双向门控循环网络的深度学习算法。首先,设计一个3通道的一维卷积神经网络进行不同尺寸的故障特征提取。其次,引入双向门控循环单元挖掘特征信号中的动态时间序列关系。最后,采用支持向量机替换传统卷积神经网络中常用的Soflmax进行故障分类,进一步提升诊断的准确率。实验证明,该方法将故障诊断的准确率提升至99.8%。通过与其他方法的对比,证明了该方法有着更高的准确率和更好的鲁棒性。

考虑多能时空耦合的用户级综合能源系统超短期负荷预测方法

针对用户级综合能源系统(integratedenergysystem,IES)规模小、负荷波动大、能量耦合复杂的特点,提出一种考虑多能时空耦合的超短期负荷预测方法。首先,结合K-means聚类方法和Pearson相关系数,将无明显规律的各类基本负荷单元进行"像素重构",使之在水平和竖直两个方向具有一定的关联特征;其次,利用多通道卷积神经网络(multi-channel convolutional neural network,MCNN)对多类重构后的二维负荷像素在高维空间进行特征的独立提取和统一融合;最后,将扩展气象与节假日信息的综合特征按照时序的方式输入长短时记忆网络(long short-term memory,LSTM)进行负荷预测。以某用户级IES实测负荷数据为算例进行分析,结合基本卷积神经网络(convolutionalneuralnetwork,CNN),对比是否进行像素重构和负荷特征融合的各场景下LSTM、CNN-LSTM、MCNN-LSTM方法的预测效果,结果表明,考虑像素重构和负荷特征融合的MCNN-LSTM方法可有效提高用户级IES负荷的预测精度。

基于深度学习的雾霾天气下交通标志识别

针对雾霾天气下成像设备获取的图像质量较低导致交通标志难以识别这一现象,笔者提出了先去除雾霾后进行识别的办法。对雾霾图像首先通过深度学习算法IRCNN进行去雾霾处理,然后提出一种多通道卷积神经网络(Multi-channel CNN)模型对去雾霾后的图像进行识别。研究结果表明:IRCNN方法可有效去除雾霾,Multi-channel CNN模型识别效果好,设计的Multi-channel CNN模型的识别率在本次实验的数据集上达到100%,具有很好的泛化性和适应性。

基于ICEEMDAN和MC-CNN的矿山声发射信号识别分类方法

为精准识别地下矿山声发射事件,采用基于改进的完全集合经验模态分解模型(ICEEMDAN)和多通道卷积神经网络(MC-CNN)模型对声发射信号进行处理后得到分量图,根据各通道输入分量峭度值赋予不同权重,并利用卷积神经网络对输入数据进行训练,最终采用五折交叉实验方法验证该分类识别方法的可行性及有效性。结果表明:基于ICEEMDAN和MC-CNN模型分类识别正确率为97.64%,与其他传统识别方法相比能精准有效地对地下矿山声发射信号进行识别分类,显著提高卷积神经网络的波形识别正确率。研究结果可为地下矿山声发射事件识别分类提供借鉴。

面向二进制程序的开源软件缺陷检测方法

开源软件源代码缺陷分析已引起广泛关注,但各类程序都以二进制形式运行,目前仍缺少在有限时间内对大量二进制程序进行缺陷检测的有效方法。针对这一问题,提出了一种结合软件路径特征的卷积神经网络方法(Path-Based Convolution Neural Network, PB-CNN),用于二进制开源软件的缺陷检测。首先根据跳转指令将二进制程序分割为多个基本块并构建控制流图,然后遍历控制流图以提取软件路径特征,接着结合多通道卷积神经网络提取其深层特征并训练PB-CNN神经元参数,最后通过训练好的PB-CNN检测软件缺陷。实验结果表明,PB-CNN方法有效提取了二进制程序的路径特征,提高了缺陷检测精度。

基于ERNIE和CNN的在线评论情感分析模型

针对用户提交的商品评论内容与情感标记存在不一致的现象,提出了一种基于知识增强的语义表示(ERNIE)与卷积神经网络(CNN)的在线评论情感分析模型ECN,对评论文本进行情感倾向划分。首先,利用ERNIE预训练模型生成基于上下文信息的文本向量表示;然后,通过多通道CNN模型对文本向量进行特征提取;最后,利用Softmax进行文本情感分类。在两个数据集上的实验结果表明,ECN模型的情感分类准确率、召回率及F1值均达到91%以上。与CNN、双向长短时记忆(BiLSTM)网络、ERNIE相比,ECN模型的情感分类效果更好。采用ECN模型对商品评论文本自动划分情感类别,能够更客观地反映消费者的情感倾向,对商家及其他消费者更具有指导意义。