变工况下轴承故障的残差对抗网络诊断方法

实际工程中传统的以恒定转速和平稳信号为前提的故障诊断方法难以有效提取故障特征,为此,将深度学习中的残差网络(ResNet)与迁移学习中的领域对抗网络(DANN)相结合,提出一种深度迁移方法——残差对抗网络(RANN)。RANN采用滑窗取样策略从原始振动信号中截取故障样本,构建了包含特征提取器、故障分类器和领域判别器的残差对抗网络,采用3个工况下的滚动轴承数据,共开展6组迁移诊断试验。研究结果表明:RANN相比于标准DANN,特征提取及故障诊断效果均有所改善,平均准确率提升了约2.5百分点;该残差对抗网络通过特征提取器与领域判别器的对抗训练,可以自适应逐层提取对工况信息敏感度低的域不变特征;相比于单通道输入,采用双通道输入平均故障诊断准确率提升了约1.3百分点。所得结论可以为变工况机械设备的故障诊断提供参考。

残差对抗目标检测算法的遥感图像检测

针对遥感图像目标检测的目标尺度小、分辨率过低的问题,提出残差对抗目标检测算法的遥感图像检测方法。通过残差对抗的方式对图像的特征信息进行重构,完成图像分辨率的提升。在Backbone主干网络提取图像特征信息的基础上由Neck结构将特征进行融合,最后由CIoU_Loss损失函数提高定位回归精度,提高模型性能。实验结果表明,与其他算法相比,在平均精确率、平均召回率、平均综合指标F1值、平均mAP值方面分别提高了8.15%,6.9%,7.15%,6.75%。所提算法在低分辨率遥感图像目标检测方面准确性较高,对遥感图像小目标检测效果较好。

基于DDR GAN的低质量图像增强算法

现有图像增强方法在处理模糊且分辨率较低的图像时,因图像的细节缺乏真实性并且存在伪影现象,会导致增强效果较差。为了解决这一问题,采用一种基于深度密集残差生成对抗网络(DDR GAN)的低分辨率模糊图像增强算法,实现了低质量图像的有效增强。首先构建端到端的生成对抗网络框架;然后设计深度密集残差隐特征编码架构,提升对输入图像的深层语义特征表示,增强图像生成效能;最后重构损失函数,添加感知损失以指导模型学习生成图像的真实性。结果表明,相比于目前最先进的增强型超分辨率GAN法(ESR GAN)和第2版去模糊GAN法(DeBlur GAN-V2),DDR GAN生成的图像在视觉效果上更佳,具有更高的清晰度和更丰富的图像细节;在客观评价指标方面,DDR GAN相较于ESR GAN和DeBlur GAN-V2,峰值信噪比分别提高1.7072 dB和1.1683 dB,结构相似度分别提高0.0783和0.0713。该算法对低分辨率模糊图像的复原增强是有帮助的。

H-ResGAN在智能反射面辅助通信系统中的信道估计

智能反射面(intelligent reflecting surface,IRS)辅助通信系统的信道维度较高,现有的信道估计方法须使用大量导频才能得到准确的信道矩阵.针对这一问题,提出了一种基于混合损失的残差生成对抗网络(hybrid loss based residual generative adversarial network,H-ResGAN)模型.H-ResGAN使用多个残差块来加深网络,可以充分提取信道特征,减缓梯度消失问题.同时,采用条件最小二乘损失和L1损失相结合的混合损失作为目标函数来提高训练的稳定性.仿真实验证明:H-ResGAN对环境噪声更具鲁棒性,估计误差显著低于传统方法;与传统的估计算法相比,H-ResGAN仅须发送少量导频就能获得准确的估计结果.