基于奇异值分解消噪原理的多通道卷积神经网络算法在石油勘探数据质量控制上的研究与实践检验

在石油勘探中,数据常常受噪声干扰影响,精度和准确性变差,数据的可信度降低,进而影响油气勘探的成效,因此数据处理是油气勘探中的重要环节。奇异值分解(SVD)是一种常用的信号处理方法,能有效降低数据噪声。本文提出的基于SVD的多通道卷积神经网络算法,有针对性地解决石油勘探数据中的噪声问题,为石油勘探数据的消噪和质量的提升提供了新的思路和方法,具有良好的推广应用前景。

基于多通道卷积神经网络的柴油机复合故障诊断

针对复合故障诊断精度较低的问题,开展了柴油机多故障模拟实验,构建了基于AlexNet改进的多通道二维卷积神经网络模型,采用短时傅里叶变换将一维振动信号转换为二维时频图,导入构建的模型进行训练,实现特征自适应提取的故障诊断。将诊断结果与单通道卷积神经网络诊断结果比较发现:单通道卷积神经网络诊断只有在测点设置靠近故障源的情况下才能够获得较高的故障诊断准确率,否则诊断准确率明显降低,且复合故障诊断精度较低;多通道卷积神经网络的单故障和复合故障诊断精度均得到了提升,其中复合故障诊断精度提升了11.4%。

基于卷积神经网络的纸张表面缺陷智能检测算法研究

针对纸张缺陷检测领域中如何有效提升缺陷特征提取能力、提高检测精度以及减少小目标缺陷漏检的难题,创新性地提出了一种基于改进Faster R-CNN算法的检测方法。该方法通过采用ResNet-50代替传统的VGG16作为特征提取的骨干网络,有效地增强了对纸张缺陷特征的捕获能力;进一步引入CBAM模块,实现了对空间及通道注意力的双重优化,显著提升了缺陷检测的准确度。此外,通过将ROI-Pooling技术升级为ROI-Align技术,本方法进一步增强了模型对纸张缺陷检测的泛化性能。经验证,该改进算法在常见纸张缺陷检测方面的平均精度达到了98%,不仅显著提高了检测精度,还有效减少了小目标缺陷的漏检,降低了错误检测率,为纸张缺陷检测技术的发展提供了新的思路和方法。

基于卷积神经网络算法的稀土酸度自动滴定技术研究

如今稀土产业发展迅速,市场需求越来越大,应用的范围也越来越广,需建立一个简便易操作且适用于测定各类稀土酸度的方法。目前传统稀土酸度检测方法存在效率低、准确度低、滴定终点差异大等问题,难以满足实时在线检测的需要。本文提出一种基于卷积神经网络算法的稀土酸度在线分析仪,可以助力在线检测的顺利进行。卷积神经网络算法是通过高清工业摄像头记录样品在滴定过程中的溶液颜色的变化,对溶液进行实时图像特征提取和学习,从而有效、准确地实现化学反应过程中溶液颜色的自动识别,配合步进电机和注射泵等部件实现自动滴定过程。图像识别本质上是对图像信息进行特征提取,而卷积神经网络算法有着传统识别方法不具备的优点,比如能够自行训练、识别速度更快、所需特征更少等。本仪器将自动滴定与卷积神经网络相结合,实现了滴定流程的自动化取样和前处理、滴定过程、终点判定等过程的一体化,且仪器能够同时进行五个样品的滴定试验,很大程度上提高了滴定效率和精度。

基于神经网络和人工鱼群算法的惯性延时微通道优化

为了保证中、小口径弹引信的炮口安全性控制要求,设计了具有肋板阻尼结构的惯性延时微通道,同时为了保证其具有稳定的延时性能,研究了该微通道在高离心转速下的延时响应性能。采用了神经网络模型和人工鱼群算法对蛇形微通道内肋板的结构位置进行优化设计。用两相流水平集模型以微通道的延迟时间为研究对象进行了模拟仿真,得到180组样本数据,分析发现肋板结构在微通道内的不同位置与延迟时间呈现出高度的非线性关系。根据样本数据建立神经网络模型用以拟合设计变量与优化目标之间的映射函数,并采用人工鱼群算法对神经网络模型拟合的映射函数的参数进行优化。结果表明,经过结构优化之后,在1 000 g离心环境下微通道中流体的延迟时间从最短的11.446 ms提升到了25.054 ms,延时效果得到了显著提升。最后研究了优化后的结构在中、小口径弹引信使用环境下的延时特性,验证了其满足大部分中、小口径弹引信的延时控制要求。

基于通道相似度熵的卷积神经网络裁剪

卷积神经网络(CNN)中包含大量滤波器,参数训练以及存储占用大量内存资源。裁剪滤波器是减小网络规模、释放内存、提高计算速度的有效方法。现有滤波器裁剪方法的主要问题是将滤波器权值作为孤立的数值计算,裁剪小权值滤波器,保留权值大的滤波器,忽视了部分小权值滤波器在特征提取过程中的重要性。通过分析滤波器通道之间的相似性,提出一种基于通道相似度的滤波器熵值计算方法(FEC)。针对滤波器结构特征,对权值张量进行均值压缩,并证明其合理性。先计算滤波器通道距离判断通道之间的相似性,再根据通道相似度计算滤波器熵,由熵值大小进行滤波器排序,删除一定比例熵值较小的滤波器。实验设计针对不同卷积层采用不同的裁剪比例,在CIFAR10以及Image Net标准数据集上对VGG-16和Res Net-34网络进行裁剪。实验结果表明:在基本保持原始准确度的情况下,分别减少了约94%和70%的参数数量;在目标检测网络SSD上参数数量减少了55.72%,平均精度均值(mAP)提高了1.04个百分点。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

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。

基于卷积神经网络与通道和空间注意力机制的房颤预测模型研究

目的采用人工智能技术提出一种模型,以对房颤进行早期预防和诊断。方法提出一种基于卷积神经网络(convolutional neural network,CNN)与通道和空间注意力机制(convolutional block attention module,CBAM)的模型用于对房颤的诊断与预测。结果根据长期心房颤动数据库、MIT-BIH心房颤动数据库和MIT-BIH正常窦性心律数据库的数据,提出的模型在全盲的情况下总体准确率达94.2%。结论提出的模型满足了医学心电图解释的需要,为房颤的预测研究提供了新思路。

基于双通道交叉融合的卷积神经网络图像识别方法研究

针对单通道卷积神经网络的特征提取不够充分、深度网络存在训练困难的问题,提出一种双通道交叉融合的卷积神经网络模型。该模型包括三个特征提取阶段,每个阶段分两条通道进行图像卷积,当两条通道的卷积结束后进行特征交叉融合,经过三次交叉融合后输入到全局平均池化层以及全连接层中得到分类结果。将该模型应用于Cifar10、Cifar100和Fashion-MNIST的图像分类任务以验证模型的有效性。结果表明,双通道交叉融合模型可以在当前支持GPU加速的主流笔记本电脑上进行训练,在同样规模的数据集上具有比同类其他模型更好的分类性能。

基于Winograd算法的3D卷积神经网络权重剪枝方法

针对3D卷积神经网络在资源有限的环境下高计算成本的挑战,文章提出了一种融合Winograd算法和网络剪枝技术的3D卷积神经网络优化方法。首先,将标准3D卷积层替换为效率更高的3D Winograd层,实现对卷积操作的优化。接着,对3D Winograd层的权重进行重要性评估,保留重要的权重单元并剪枝获得稀疏模型。最后,对稀疏模型进行重训练,恢复剪枝后网络的性能。通过结合Winograd算法和网络剪枝技术,能够在提高识别准确度的同时,显著降低了模型的计算需求。实验结果证实,与其他优化技术相比,本方法能有效减少计算资源消耗,同时保持甚至提高识别性能。

高效通道注意力结合卷积神经网络的近红外光谱分析模型研究

近红外光谱分析技术有无损、高效的特点,在各领域都有广泛应用。但传统分析模型在面对近红外光谱数据量激增时往往出现预测精度不高、泛化能力差等问题。为此,提出一种基于卷积神经网络(CNN)与高效通道注意力(ECA)模块相结合的近红外光谱分析模型(CNNECANet),该模型由8个一维卷积层、1个ECA模块、4个最大池化层、1个展平层、2个全连接层和1个参数优化器组成。ECA模块由1个全局平均池化、1个一维卷积层和1个Sigmoid激活函数组成。以啤酒、牛奶、柴油、谷物的近红外光谱公共数据为例,将CNNECANet与常用建模方法进行比较,CNNECANet比PLS的预测精度分别提高了30.3%、14.1%、29.5%、48.4%;CNNECANet比SVR的预测精度分别提高了33.5%、17.6%、39.0%、50.0%;CNNECANet比BP神经网络模型的预测精度分别提高了80.0%、29.0%、7.2%、42.7%。该模型具有更好的预测精度和鲁棒性,解决了传统近红外光谱建模算法容易出现过拟合、模型泛化性差等问题。

ECPANet:一种基于注意力的深度卷积神经网络通道剪枝方法

在深度学习领域中,卷积神经网络的快速发展导致了先进模型需要大量的计算和存储资源。然而,将这些模型部署到计算和存储资源受限且高实时性的嵌入式设备上变得越来越具有挑战性。为解决这个问题,通道剪枝已成为网络压缩的主要方法之一。传统的通道剪枝方法存在着精度下降和难以确定通道重要性的问题。针对这些问题,提出了一种高效的通道注意力剪枝方法。通过将ECPANet模块嵌入到深度卷积神经网络中以增强其表征能力,评估每个通道在特征映射中的重要性,并根据通道重要性因子剪枝掉不重要的通道以减小模型的大小和计算量。实验结果表明,与传统的通道剪枝方法相比,基于注意力的通道剪枝方法能够更准确地确定通道重要性,从而提高剪枝效果和模型性能。

基于SVM-SMOTE算法的一维卷积神经网络电力系统暂态稳定评估模型

为了提高电力系统运行稳定性,降低大停电事故发生的概率,本文提出了一种基于SVM-SMOTE算法的一维卷积神经网络暂态稳定评估模型。为了避免人工特征选择引入的主观偏差对模型预测性能的影响,本文选择来自PMU的底层量测数据作为输入特征,并采用一维卷积神经网络(1D-CNN)捕捉输入特征的时序信息;考虑数据集样本不平衡带来的预测精度下降问题,采用SVM-SMOTE算法对样本进行均衡化。算例仿真结果表明,本文所提出的模型实现了端到端的时序特征提取和暂态稳定评估,可满足在线评估准确性、快速性和可靠性的要求,且有效解决了不平衡数据集中失稳样本漏判率高的问题。

基于卷积神经网络算法的城市轨道交通施工人员不安全行为智能识别技术

[目的]施工人员的不安全行为是城市轨道交通施工事故发生的根本因素,传统的管理模式在约束人的不安全行为方面存在不足,因此需借助高精度定位技术和智能识别技术,从主观上消除事故隐患。[方法]介绍了城市轨道交通施工人员不安全行为的产生机理。结合UWB(超宽带无线通信)高精度定位技术、摄像机自标定技术及基于卷积神经网络算法的智能识别技术,搭建了具有定位、感知、识别、预警及通信功能的一体化智能管理平台。以安全帽识别为例,构建了安全帽识别拓扑流程图,对基于卷积神经网络算法的施工人员不安全行为识别的算法进行了测试。[结果及结论]测试结果表明,该算法可实现对施工现场未佩戴安全帽人员的识别,验证了该算法的准确性。该技术实现了对城市轨道交通施工人员不安全行为的智能识别预警。

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。

基于遗传-卷积神经网络算法的废水处理预测模型研究

在废水生物处理过程建立出水COD与出水SS的预测模型中,针对卷积神经网络在设计时没有规律遵循并很难保证网络最优化的问题,提出了一种基于遗传算法降维的卷积神经网络优化方法｡本文将遗传算法(GA)与卷积神经网络(CNN)耦合起来形成一种新颖的混合算法--GA-CNN算法,并将该算法与CNN算法和BP神经网络的预测效果进行对比｡仿真结果表明,对于出水COD的浓度预测,GA-CNN的预测性能相比于CNN提升了13.66%,相比于BP提升了19.40%,其中GA-CNN算法的最优预测效果如下:均方根误差(RMSE)为3.5303,平均绝对百分比误差(MAPE)为3.92%,决定系数(R^(2))为0.7195。对于出水SS的浓度预测,GA-CNN的预测性能相比于CNN提升了9.26%,相比于BP提升了13.43%,其中GA-CNN算法的最优预测效果如下:均方根误差(RMSE)为0.5883,平均绝对百分比误差为1.99%,决定系数(R^(2))为0.6770。

基于灰狼算法优化卷积神经网络的工业过程故障诊断

针对工业过程故障诊断中数据规模的逐渐增大以及数据之间映射关系、复杂程度的增加,文中以TE过程为数据背景提出一种基于灰狼算法(Grey Wolf Optimizer,GWO)优化卷积神经网络(GWO Convolutional Neural Networks,GWO-CNN)的模型,结合GWO算法具有搜索能力强、结构清晰、容易实现等特点,寻找CNN卷积核的个数等参数的最优解,并利用所寻得的最优参数搭建GWO-CNN模型并将其应用于工业过程的故障诊断。仿真结果表明,相比传统的卷积神经网络,GWO-CNN算法能够从原始数据中提取更多故障特征,从而提升原有的故障诊断的准确率。

基于混合TLBO-DE算法的图像去噪卷积神经网络

针对用于图像去噪的卷积神经网络(Convolutional Neural Networks,CNN)的超参数与结构难以确定的问题,本文提出了一种基于混合教与学优化算法(Teaching-Learning-Based Optimization,TLBO)和差分进化算法(Differential Evolution,DE)的CNN网络并应用于图像去噪。首先,建立了CNN超参数与结构优化的数学模型;其次,提出了一种混合TLBO-DE算法,并将其用于去噪CNN超参数与结构的优化。在该混合TLBO-DE算法的进化前期,种群以较大的概率采用DE算法的进化机制进行进化,从而提高种群多样性;在进化后期,种群以较大的概率采用TLBO算法的“教”机制进行进化,从而提高算法收敛速度;最后,在公共的医学图像数据集上对所提方法进行测试。实验结果表明,与基于遗传算法、DE和TLBO等算法的CNN去噪方法相比,本文所提方法具有更好的优化性能和图像去噪性能。与目前去噪性能较好的块匹配滤波(Block-Matching and 3D filtering,BM3D)、去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)方法相比,本文所提方法具有更好的去噪性能。

脑电情感识别中多上下文向量优化的卷积递归神经网络

目前的脑电(EEG)情感识别模型忽略了不同时段情感状态的差异性,未能强化关键的情感信息。针对上述问题,提出一种多上下文向量优化的卷积递归神经网络(CR-MCV)。首先构造脑电信号的特征矩阵序列,通过卷积神经网络(CNN)学习多通道脑电的空间特征;然后利用基于多头注意力的递归神经网络生成多上下文向量进行高层抽象特征提取;最后利用全连接层进行情感分类。在DEAP(Database for Emotion Analysis using Physiological signals)数据集上进行实验,CR-MCV在唤醒和效价维度上分类准确率分别为88.09%和89.30%。实验结果表明,CR-MCV在利用电极空间位置信息和不同时段情感状态显著性特征基础上,能够自适应地分配特征的注意力并强化情感状态显著性信息。