基于格拉姆角场-改进残差网络的小电流接地系统故障选线

针对小电流系统发生单相接地故障时特征信息不明显、现有选线方法易受故障情况和环境噪声影响的问题,本文提出一种基于格拉姆角场(GAF)和改进残差网络(PrResNet)的小电流接地故障选线新方法。首先,搭建仿真模型采集零序电流等数据,利用GAF变换将一维零序电流时序信息转换成二维图像信息;然后,对残差网络(ResNet)进行改进,提出PrResNet用于提取图片特征;最后,通过Softmax输出选线结果。通过测试GAF-PrResNet在配电网不同运行工况和故障条件下的选线效果,证明了基于GAF-PrResNet的故障选线模型能够在强噪声干扰场景下实现不同故障位置和过渡电阻条件下的高精度选线,且具有较强的鲁棒性。

基于改进残差网络的模糊图像无损复原方法

图像拍摄过程中,由于受到错误拍摄操作等因素的影响,图像会出现信息受损等退化现象,其中图像模糊是最为典型的图像退化问题。本次研究以改进常规的残差网络为基础设计了模糊图像无损复原方法。为解决图像模糊中常见的运动模糊,首先通过线性点扩散函数仿真简单的运动模糊模型,并采集模糊图像。其次,通过与跳层结构相结合的方式优化常规的残差网络,解决因网络深度增加带来的梯度弥散和梯度爆炸问题,简化优化后的残差网络结构。最后,将模糊图像输入到优化后的残差网络中,完成模糊图像无损复原。实验表明,该方法提高了图像的高频率细节,有效保留了图像边缘特性,复原效果较好。

基于改进残差网络的黑毛猪肉新鲜度识别方法

为了提高黑毛猪肉新鲜度的识别准确率,提出基于改进残差网络和迁移学习的黑毛猪肉新鲜度识别方法。首先,根据猪肉的微生物菌体浓度、大肠菌菌体浓度和pH值,结合国家标准,将猪肉新鲜度分为7个类别;然后,将ResNet 50模型用PfidSet数据集训练,使其具有抽取图像特征的能力,利用模型迁移和模型微调对ResNet 50模型进行改进,即用一个3层的自适应网络取代ResNet-50模型的全连接层和分类层,再使用在PfidSet上训练的网络参数初始化改进的ResNet-50模型权重,运用LReLu -Softplus作为自适应网络的激活函数;最后,将改进ResNet-50模型在猪肉样品的图像数据集上学习得到的知识,迁移到黑毛猪肉新鲜度识别任务。选取7类共计23 427幅黑毛猪肉图像组成样本集,从样本集中随机选择80%的样本用作训练集、其余20%用作测试集进行测试,试验结果表明,迁移学习能够明显提高模型的收敛速度和识别性能,数据扩充有助于增加数据的多样性,避免出现过拟合现象,在迁移学习和数据扩充方式下的总体识别准确率达到94.5%,是一种高效的猪肉新鲜度识别方法。

基于改进残差网络的光通信网络漏洞自动辨识研究

光通信网络存在漏洞辨识时延较长等问题,提出基于改进残差网络的光通信网络漏洞自动辨识方法。根据覆盖度和畸变设计一种灰盒漏洞挖掘模型,实施光通信网络漏洞数据挖掘,模型可以分为符号执行、样本选择、运行时跟踪、畸变策略四部分。通过对挖掘的光通信网络漏洞数据实施预处理,实现漏洞自动辨识之前的信息整合,具体预处理步骤包括反编译、代码切片、分词与向量化表示。基于卷积神经网络改进的残差网络构建残差池化识别模型,在模型中输入预处理后的光通信网络漏洞数据,实现光通信网络漏洞自动辨识。设置残差池化识别模型参数,通过matlab软件测试设计方法的性能。测试结果如下:设计方法特异度最高可达89.36%,查全率最高可达90.3210%,查准率最高可达89.2558%,准确率最高可达89.6325%,高于对比测试方法;设计方法的漏洞辨识时延与模型训练时间小于其他三种测试方法,表明设计方法的自动辨识性能良好。

基于格拉姆角场和改进残差网络的低压配电台区户变关系识别方法

低压配电台区户变关系信息是电力网络的基础性档案,准确识别低压配电台区户变关系对于电网企业尤为重要。采用一维序列分类神经网络进行台区户变关系识别时,存在序列易丢失时间依赖性、识别准确率低、准确率不稳定的问题,为此,提出一种基于格拉姆角场和改进残差神经网络的户变关系识别方法,以用户电压数据为基础,首先采用格拉姆角场方法将一维电压数据序列转换为特征矩阵,将矩阵元素对应于图像灰度采用伪彩色处理形成二维特征图谱;然后采用引入空间注意力模块进行改进的残差神经网络分类特征图谱以识别台区户变关系,采用格拉姆角场和伪彩色处理生成特征图谱,同时保留序列时间依赖性并使用空间注意力模块突出台区电压特征图谱差异,提高户变关系的识别准确率和稳定性。经实验验证,所建立的户变关系识别(CTRI)模型中台区用户识别平均准确率为98.52%,相较于一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)的平均识别准确率分别提升18.26%和10.1%。

基于改进残差网络与图聚类的人脸识别

为提高人脸聚类识别中的识别速度并保持良好的聚类效果,对原残差网络模型进行改进。在特征提取阶段,依靠利用深度学习方法,在改变网络结构和训练参数后以多线程训练模式生成残差网络模型,在确保较高验证准确率的同时,可使改进模型加载时间显著缩短;聚类匹配阶段采用Chinese whispers及k-means聚类算法,利用F_(1)-Measure、信息熵等评价指标进行聚类评估并找出最优方案。实验结果表明,采用改进残差网络模型与Chinese whispers算法相结合能够取得更好、更快的人脸聚类识别效果。

基于LSTM与改进残差网络优化的异常流量检测方法

传统的网络异常流量检测方法往往存在特征选择差与泛化能力较弱等缺陷,导致检测精度较低。为此,提出了一种基于长短记忆网络(LSTM)与改进残差神经网络优化的异常流量检测方法。首先分析网络流量特征,通过预处理来降低网络流量特征值的差异性;然后设计了一种三层堆叠LSTM网络来提取不同深度的网络流量特征;最后设计了一种带跳跃连接线的改进残差神经网络对LSTM进行优化,改善了深度神经网络中的过拟合与梯度消失等缺点,从而提高网络异常流量检测的准确率。实验表明,所提方法具有较高的训练准确率,数据处理的可视性效果较好,二分类和多分类下的分类准确率分别为92.3%和89.3%。与当前入侵检测方法相比,所提方法在精确率、召回率等参数最优时具有最低的误报率。在数据样本在遭到破坏时具有较强的稳健性,同时也具有较好的泛化能力。

基于改进残差网络的评论情感分析

人类的自然语言中包含关于事实的客观信息和具有人类主观情感的关键信息。论坛、BBS、博客和评论网站的快速发展,导致反映了用户对产品、政策、人和事件等的态度、观点和看法的关键信息的数量激增。目前,情感分析已发展成为自然语言处理的热门研究领域。卷积神经网络(Convolutional Neural Networks,CNN)随层数加深,梯度消失现象明显,进而造成情感识别率降低,且其最优结构难以确定CNN。残差网络依赖残差框架较好地解决了存在的梯度消失现象,但其缺乏正则化方法,不能通过选择合适的子路径集合提升模型表现。现提出一种新的改进残差网络(Improved Residual Network,IResNet)框架,其通过选择合适的子路径集合提升模型表现,较好地解决了CNN和残差网络存在的问题。

基于改进深度残差网络的GIS局部放电在线监测白噪声干扰抑制

针对GIS局部放电(partial discharge,PD)监测中背景白噪声较多、GIS局部放电信号干扰较大的问题,应用改进深度残差网络设计一种新的GIS局部放电在线监测白噪声干扰抑制方法。进行局部放电在线监测中白噪声、局部放电脉冲信号的多尺度特性分析,在局部放电脉冲染噪信号中提取白噪声信号。加入感知损失,设计由生成图像网络与损失网络构成的改进深度残差网络,对白噪声信号波形图像实施超分辨率重建。通过SN-EMD算法提取白噪声信号波形图像的模态域特征。通过构建复小波滤波器组,对模态域特征实施滤波处理,实现GIS局部放电在线监测中的白噪声干扰抑制。实验测试结果表明,设计方法去噪后的信噪比最高可达97.22 dB,干扰抑制前后信号的幅值相对误差最高可达63.20 dB,干扰抑制前后信号相关系数一直大于0.75,完成GIS局部放电在线监测白噪声干扰抑制。

基于改进残差神经网络的轴承损伤识别

针对大型设备齿轮箱轴承的损伤特征提取困难,信息容易丢失等问题,提出改进残差神经网络识别轴承损伤。在残差神经网络中引入压缩激励机制和BN算法,压缩激励机制建立特征通道关系,利用网络学习权重提升关键特征,实现轴承损伤的准确识别。BN算法可以加速网络收敛速度,抑制网络学习过拟合。经变负载工况的旋转损伤实验平台验证,改进的残差神经网络能够有效识别轴承损伤,对大型高速设备的平稳运行,合理安排检修时间,具有一定现实意义。

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network,IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory,LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。

基于改进残差的神经网络方法预测页岩气甜点

北美页岩气革命取得的巨大成功对全球能源格局产生了深远的影响,并引起了工业及学术界的广泛关注。甜点预测是提高页岩气钻井成功率、保障压后产能的一项关键技术。目前传统方法预测页岩气甜点区存在误差较大的问题。以加拿大商业开发成功的页岩气产区Fox Creek地区为例,对控制该区页岩气甜点的地质及工程因素进行详细剖析,在此基础上,提出一种改进残差的神经网络方法来分析页岩气甜点主控因素,并建立甜点区预测模型。结果表明,影响研究区页岩气甜点区的主控因素为孔隙度、渗透率、泥质含量、埋深、地层压力、脆性指数和压裂施工参数(水平段长度、压裂段数、支撑剂注入质量和压裂液注入体积)。改进残差神经网络算法在测试及训练的产气量数据预测方面吻合度分别达到0.94和0.85,展现出很好的预测效果。基于改进残差神经网络的预测模型表明,西部和南部Duvernay边界处发育页岩甜点区,向东北部逐渐变差。该页岩气甜点预测模型为该地区页岩气的后续高效开发提供了可靠的基础。

一种改进的残差网络的人脸识别方法

针对卷积神经网络在人脸识别中会随着网络加深而造成训练精度退化和分类效果不理想的问题,论文提出了一种基于改进的深度残差网络人脸识别算法。该方法先利用多任务级联卷积神经网络(MTCNN)算法对人脸图像进行检测对齐,再利用残差网络提取人脸图像特征,然后用Angular Softmax(A-Softmax)来代替普通Softmax层使得神经网络能够学习到更具辨别性的角度特征。在CASIA-WebFace、LFW(Labeled Face in the Wild)和YTF(Youtube Face)人脸库上进行仿真实验,结果表明:与普通的卷积神经网络相比,该算法不仅能够学习更加深的人脸特征,而且可以有效提高人脸的识别率。

基于改进多导联残差网络的广泛前壁心肌梗死自动诊断

广泛前壁心肌梗死是心梗中危害较大的一种类型,其发病迅速,致死率高,堵塞面积大,对人体造成不可逆的损伤。心电图是检测心梗的重要手段,医生要凭经验判断其发生部位,过程繁琐。针对以上情况,提出一种基于深度学习算法的广泛前壁心肌梗死的自动诊断。算法先将前壁心梗涉及到的V_(1)~V_(5)导联信号进行去噪滤波,分割心拍处理,然后搭建改进多导联残差网络模型,将信号并行输入,实现健康与前壁心梗的分类。实验采用PTB心梗数据库进行验证,准确率达到97.85%,高于经典神经网络。该研究能辅助医生进行广泛前壁心梗的诊断,具有一定的临床意义。

基于改进的残差网络的分数涡旋光束模态识别

利用分数涡旋光束进行信息传输,可以大大提高通信系统的容量。但在接收端准确测定分数涡旋光束的模态,尤其在信道中存在湍流的情况下,存在一定的困难。本文提出了改进的残差网络(I-Res Net)以提高模态检测的正确率。实验结果表明,本文构建的网络能够准确地识别光束模态,且具有较好的泛化性。在传输距离为1500 m、弱湍流(C_(n)^(2)=10^(-16)m^(-2/3))、模态分辨率Δl≥0.05时,准确率可以达到100%;强湍流(C_(n)^(2)=10^(-14)m^(-2/3))、Δl=0.15时,准确率可以达到96.5%。随着湍流强度或传输距离的增加,正确识别率下降。这些结果对自由空间光通信系统设计具有一定的指导意义。

基于改进深度残差收缩网络的风电机组滚动轴承故障诊断方法

滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense block,DB-DRSN),实现强噪声、不同负载工况下滚动轴承故障的高效诊断。首先,将添加不同等级噪声的振动信号间隔采样并矩阵化,构建二维灰度图作为输入样本。然后,基于Dense block构造稠密连接残差收缩模块层(Residual shrinkage block unit based on dense block,DB-RSBU),利用Bottleneck层替代残差收缩模块中的卷积隐层,并加入Concat连接,达到对浅层和深层特征的充分利用。在每次稠密连接后通过1×1卷积进行降维,利用注意力模块和软阈值对逐通道特征赋不同阈值并降噪。最后,输入样本经过卷积池化层和DB-RSBU层堆叠的网络得到分类结果。试验表明,DB-DRSN模型在CWRU与PU滚动轴承数据集上不同噪声等级下的平均诊断准确率分别达到99.80%和96.44%,相比其他模型有更高的准确率、更快的收敛速度和更强的抗干扰能力。引入稠密连接核心思想对网络结构的改进可为基于数据驱动的风电机组滚动轴承故障诊断方法提供新思路。

小波包分解和改进ResNet行星齿轮箱故障诊断方法

针对行星齿轮箱中故障诊断信号存在的类内离散大和类间相似的问题,提出识别技术改进深度残差网络(IResNet)和小波包分解(WPD)模型。行星齿轮箱振动信号进行小波包频段分解后,振动信号的故障类型和各个频段的能量熵分布有一定关联。筛选最优解得结果进行振动信号的重构,作为样本。使用改进深度残差网络,在网络拥有残差结构的基础上,通过使用紧凑卷积(CompConv)模块替换卷积模块,并减少网络深度,使网络模型变得轻量化。在网络中加入自注意力机制,进一步提高网络的准确率。使用WPD-IResNet网络模型进行10次实验,故障诊断准确率平均值为99.1%。

变电设备红外图像致热型缺陷超分辨率识别方法

变电设备的致热型缺陷是影响变电设备安全、稳定运行的主要因素,会影响整个的温度控制工作。致热型缺陷识别过程中,受感光元件精度的影响,导致采集的红外图像存在空间分辨率低、清晰度差等问题。为解决这一问题,提出变电设备红外图像致热型缺陷超分辨率识别方法。构建图像降质模型,采用近似稀疏函数正则化方法,重建红外图像的超分辨率,提高其整体质量。通过中值直方图非均匀算法,消除红外图像中存在的“鬼影”,完成图像校正处理。并将处理后的图像输入到改进的残差网络中,获取变电设备过热区域的温度,以此实现变电设备致热型缺陷的识别。实验结果表明,所提方法的图像采集质量高、缺陷识别率在95%以上、缺陷误报率保持在20%以内。

特高压直流换流阀饱和电抗器振动声纹特性与松动程度声纹检测方法

饱和电抗器作为特高压直流换流阀的核心装备,运行中产生的振动声音包含大量的信息,其状态评估对换流阀的安全运行具有重要意义。该文提出一种基于优化S变换和改进深度残差收缩网络的饱和电抗器铁心松动程度声纹识别模型。首先开展了高频脉冲激励下的饱和电抗器振动试验,并测量了不同铁心松动程度下的声纹信号;其次在声信号频谱主值区间内,根据能量聚集性优化高斯窗参数来提高声纹图谱的时频分辨率;然后对松动后的声纹特性进行分析,发现高低频比和低频分量主频占比两个特征指标仅能对松动程度较高的状态做出预警;最后采用五个不同方位测点的铁心松动数据代入基于自适应参数修正线性单元的改进深度残差收缩网络中进行训练,来消除声纹图中的冗余信息,并对不同松动程度下的特征进行独立映射,从而增强共同特征的学习能力。研究结果表明,该文模型对电抗器不同铁心松动程度的平均识别准确率达到95.93%,优于传统深度学习算法,可为饱和电抗器在线监测提供重要依据。

多尺度特征融合的多源异构遥感数据水体提取

针对现有遥感测绘水体提取方法在多源异构遥感数据的信息融合与深层特征提取方面存在的不足,提出了一种基于多尺度特征融合的多源异构遥感数据水体提取方法。首先,设计了一种基于多源异构遥感数据输入的网络模型结构解决多源异构遥感数据的多尺度特征融合问题;随后,提出了一种基于改进残差网络的高维卷积单元,对异构遥感数据进行深层特征提取,同时,构建了基于哨兵一号和哨兵二号卫星的全球水体大规模多源异构遥感数据库。对比实验结果表明,以人工遥感影像标注的水体区域分布真值为精度评价基准,所提出的多尺度特征融合算法的水体提取结果,准确率达到了90.12%,相比现有深度学习领域主流的U-Net图像分割模型方法,准确率提高了3.73%以上,有效提升了多源异构遥感数据的大范围水体提取准确性。