基于改进残差神经网络的滚动轴承故障检测

针对在矿井等特殊环境下在面对运算量大的复杂算法时,传统深度学习算法由于运算量大,现场检测设备由于需要消耗大量的资源无法完成现场检测的问题,提出了一种基于改进残差神经网络的滚动轴承故障检测方法。方法通过在卷积残差块和恒等残差块中加入跳跃连接,尽可能地减少了信息的损失,并且将部分残差块中的普通卷积替换成深度可分离卷积,大大降低了运算量。实验表明,改进残差神经网络能够有效地提取数据的特征信息,提高运算的速度,在解决恶劣环境下大数据量难以现场运算的同时对滚动轴承故障检测的准确率有很大提高,准确率可达99.97%。

LDACS系统基于循环谱和残差神经网络的频谱感知方法

针对L波段数字航空通信系统(L-band digital aeronautic communication system,LDACS)可用频谱资源有限且易受大功率测距仪(distance measuring equipment,DME)信号干扰的问题,提出一种基于降维循环谱和残差神经网络的频谱感知方法。首先理论推导分析了DME信号的循环谱特征;然后利用Fisher判别率(Fisher discriminant rate,FDR)提取循环频率能量最大的向量,通过主成分分析(principal component analysis,PCA)进行预处理特征增强;最后给出数据处理后的循环谱向量与卷积神经网络相结合的实现过程,实现了DME信号的有效检测。仿真结果表明,该方法对噪声不敏感,当信噪比不低于-15 dB时,平均检测概率大于90%。当信噪比不低于-14 dB,检测概率接近100%。

融合自注意力与残差神经网络的3D打印激光在机测量误差修正方法

激光测量能够实现高效地非接触实时测量,被广泛应用于3D打印领域,但激光测量容易受测量条件、外部环境等多种因素的干扰,这些因素错综复杂,难以量化分析。为此,结合直射式激光三角测量原理,在分析测量精度影响因素的基础上,提出了一种基于融合自注意力和残差神经网络的3D打印在机测量误差修正方法。首先,将影响测量精度的因素作为输入变量,采集激光测量值,得到样本数据集;然后利用残差网络提取出样本数据的深层次特征,并引入自注意力机制建立影响因素之间的联系,得到带权重的提取特征;再通过全连接网络对带权重特征进行学习,得到测量误差的预测值,基于该预测值完成对测量误差的修正。自主搭建了一套激光在机测量系统,采用红、绿、紫3种同材质彩色卡纸进行实验验证。结果表明,所提的方法与卷积神经网络和自注意力神经网络相比,均方误差、均方根误差和平均绝对误差均最小,稳定性最好,修正结果最接近真实值;对激光测量结果进行校正后,使其误差由原来的±28μm减小到±9μm以下,显著提高了3D打印激光在机测量的精度和稳定性。

基于残差神经网络和注意力机制的频谱感知方法

随着通信技术的发展,频谱感知技术已经成为解决频谱资源稀缺的重要解决手段之一。针对传统的频谱感知方法在低信噪比(Signal to Noise Ratio,SNR)下准确率较低的问题,提出一种基于残差神经网络和注意力机制相结合的正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)频谱感知方法。将频谱感知问题转化为图像二分类任务。通过分析OFDM信号的循环自相关特征,将其灰度处理以生成循环自相关灰度图像。利用改进后的残差神经网络进行训练,提取这些灰度图像的深层特征,使用测试数据验证所得到的频谱感知模型。仿真实验结果表明,在低SNR条件下,所提方法表现出更出色的频谱感知性能,优于传统频谱感知技术。

基于残差神经网络、双向长短期记忆网络和注意力机制的肠鸣音检测方法研究

肠鸣音可以反映胃肠道的运动和健康状况,然而,传统的人工听诊方式存在主观性偏差且耗时耗力。为了更好地辅助医生对肠鸣音的诊断,提高肠鸣音检测的可靠性和高效性,该研究提出了一种结合残差神经网络(ResNet)、双向长短期记忆网络(BiLSTM)和注意力机制的深度神经网络模型。首先使用自主研发的多通道肠鸣音采集系统采集了大量带标签的临床数据,采用多尺度小波分解和重构方法对肠鸣音信号进行预处理,然后提取对数梅尔谱图特征送入网络进行训练,最后通过10折交叉验证和消融实验来评估模型的性能和验证其有效性。实验结果表明,该模型在精确率、召回率和F1分数方面分别达到了83%、76%和79%,能够有效地检测出肠鸣音片段并定位其起止时间,表现优于以往的算法。该算法不仅可以为医生在临床实践中提供辅助信息,还为肠鸣音的进一步分析和研究提供了技术支撑。

基于改进残差神经网络的家蚕日龄识别模型

家蚕日龄的准确识别有助于精准饲喂和动物福利,因此为准确识别家蚕生长时期中3龄第1天至5龄第7天,共14个日龄,在实际环境下采集特定家蚕品种,构建以14个日龄为单位的数据集。提出一种基于改进残差神经网络的Moga-ResNet,该方法在经典残差神经网络ResNet50的基础上,引入多阶门控机制以获取日龄图像的显著性特征。通过在同一个家蚕日龄数据集上开展模型训练与测试得到,Moga-ResNet的识别准确率为96.57%,F1值为96.57%,召回率为96.62%,与Swin Transformer、MobileNet v3、CSPNet和DenseNet四个经典模型的评价指标相比,Moga-ResNet在家蚕的日龄识别中具有较强的识别能力,可以为开展家蚕精准饲喂和数字化管理相关工作提供基础。

基于残差神经网络的鸡蛋分类识别研究

【目的】探究残差神经网络(residual neural network,ResNet)对不同种类鸡蛋的分类效果,明确深度学习应用存在智能鸡蛋巡检装置的可行性,为家禽养殖智能化进程提供新思路,并为鸡蛋分类研究提供数据支撑。【方法】在鸡舍实地取样,采用自适应矩估计优化器(adaptive moment estimation,Adam)以微调最后1层、微调所有层和重新训练所有层3种迁移学习策略分别训练,并通过调整模型权重参数及改变学习率的方式训练出最佳分类模型。【结果】得到识别准确率高达98.971%的鸡蛋分类模型。计算出模型在数据集上的各类评估指标,并借助混淆矩阵及语义特征降维可视化,分析出鸡蛋分类识别中易被误判的类别及语义。该模型部署后实时性良好,满足实际需求。【结论】鸡蛋的分类识别中光照条件是关键影响因素,应尽可能使鸡舍光照稳定均衡。针对6类鸡蛋,微调所有层并调整学习率参数为0.6,可得最佳模型。其在鸡舍场景下分类效果优良,尤其是颜色语义,应用于智能鸡蛋巡检装置,可有效降低人力成本。后续研究中应注重畸形蛋及软壳蛋的记录,为进一步优化提供数据支撑。

基于颜色编码和残差神经网络的非侵入式负荷识别

在非侵入式负荷识别任务中,随着家用电器类型的不断增加,功率差距不大但V-I轨迹相似的设备很容易被分类错误。针对这些问题,本研究提出了基于颜色编码和残差神经网络的非侵入式负荷识别方法。首先,对采集到的高频电压、电流数据进行预处理;然后,再通过二值轨迹映射和HSV颜色编码将V-I轨迹转换为视觉表示,不仅在V-I轨迹中融入了丰富的电气特征,还增强了负荷特征的唯一性;最后利用PLAID公共数据集对本研究所提方法进行了验证。结果表明,本研究所提方法显著提高了识别准确率,并能够有效区分各个电器设备。

基于视频残差神经网络的深度步态识别

步态识别是根据人体的行走方式进行身份识别.目前,大多数步态识别方法通过浅层神经网络进行特征提取,在室内步态数据集表现良好,然而在近年新公布的室外步态数据集中性能表现不佳.为了解决室外步态数据集带来的严峻挑战,提出了一种基于视频残差神经网络的深度步态识别模型.在特征提取阶段,基于提出的视频残差块构建深层3D卷积神经网络(3D CNN),提取整个步态序列的时空动力学特征;然后,引入时序池化和水平金字塔映射降低采样特征分辨率并提取局部步态特征;使用联合损失函数驱动训练过程,最后通过BNNeck平衡损失函数并调整特征空间.实验分别在公开的室内(CASIA-B)、室外(GREW、Gait3D)这3个步态数据集上进行.实验结果表明,该模型在室外步态数据集中的准确率以及收敛速度优于其他模型.

基于混合注意力残差神经网络的齿轮箱故障诊断

针对齿轮箱的振动信号中存在噪声干扰,导致特征提取困难、故障诊断精确度低的问题,提出一种基于混合注意力残差神经网络的齿轮箱故障诊断方法。该方法利用残差神经网络作为模型的特征提取网络,在特征提取网络中融合时域注意力与频谱通道注意力机制,以增强模型提取一维信号特征的能力。并对时域注意力分段以降低模型的计算量,根据多频谱通道注意力获取的不同通道权值,强化与故障分类相关的特征,抑制无关特征。采用东南大学数据集验证该方法的有效性,仿真结果表明,所提方法的平均诊断准确率为97.5%,同时在有噪声干扰测试集的情况下,所提方法的平均诊断准确率为85.5%,高于对比算法,表明该方法具有较高的故障诊断性能和较强的模型鲁棒性。

面向手过头任务的残差神经网络肌肉疲劳预测模型

目的 探讨手过头任务中上肢关节角度与肌肉疲劳之间的关系,并构建了一种基于残差神经网络(residual neural networks, ResNet)的肌肉疲劳预测模型。方法 通过模拟不同作业姿势和不同操作面下的钻孔试验,测量了肌肉最大自主收缩力、最大耐受时间、最大剩余肌力和主观疲劳评分。将测量后数据进行数据处理作为ResNet预测模型的输入,构建残差神经网络模型,以预测肌肉疲劳水平。结果 ResNet模型具有出色的预测精度,均方根误差(root mean square error, RMSE)为0.028,相较于传统的BP神经网络(RMSE=0.053)和MLP多层感知器神经网络(RMSE=0.059),其误差更小,拟合更好。结论 提出的残差神经网络肌肉疲劳预测模型能够有效准确地预测肌肉疲劳,为提高工作效率、减少工作相关肌肉骨骼疾病风险提供了有力支持。

基于改进残差神经网络的雷达信号识别方法

针对低信噪比情况下,雷达信号特征提取困难,导致识别准确率较低的问题,提出一种基于改进残差神经网络的雷达信号调制识别方法。首先使用时频分析方法,将时域信号转化为二维时频图像;然后对图像进行灰度化、高斯滤波、双线性插值、归一化等预处理,作为深度学习模型的输入;最后搭建改进的残差神经网络,利用空间和通道重构单元减少特征冗余,提高特征提取精度,从而提高低信噪比下雷达信号识别准确率。仿真实验结果表明,信噪比为-8 dB时,该方法对12类典型雷达信号的整体识别准确率达到96.67%,具有较好的噪声鲁棒性与抗混淆能力。

基于残差神经网络的马里亚纳海沟地形反演

为提高利用重力异常数据反演马里亚纳海沟地形的精度,基于残差深度神经网络(residual deep neural network,RDNN)方法和重力异常等数据反演了马里亚纳海沟的1′×1′海底地形,通过实测检核点水深对RDNN模型的精度进行评估,并和重力地质法(gravity-geology method,GGM)模型结果进行对比。结果表明RDNN较GGM对马里亚纳海沟地形反演更为精细,实测水深检核表明RDNN模型均方根误差为128.98 m,优于GGM模型的150.14 m,且RDNN与船测检核水深也有更好一致性,RDNN深度学习模型为利用重力异常数据反演高精度海底地形提供了参考和依据。

基于深度残差神经网络的GNSS接收机干扰抑制方案

在各种压制式和欺骗式干扰随机存在的全球卫星导航系统(Global navigation satellite system,GNSS)复杂应用环境下,传统先估计干扰信号参数再抵消的干扰抑制方法需要针对不同类型的干扰设计专门的参数估计和抵消算法,设计工作量大且缺乏通用性。为此本文提出了一种基于深度残差神经网络的干扰抑制方案。首先,针对典型的GNSS干扰类型搭建和训练了相应的残差神经网络,实现从受扰接收信号中直接提取有用卫星信号。然后,结合干扰分类识别结果,将对一维接收信号进行短时傅里叶变换(Short⁃time fourier transform,STFT)预处理后的时频谱二维信号送入与干扰类型相对应的残差网络,网络输出消除了干扰信号影响的有用卫星信号的时频二维谱。该方案无需对不同类型的干扰采用不同的参数估计和干扰抵消方法,对各类压制干扰和欺骗信号均采用相同的处理流程。实验结果表明相比于先估计干扰信号参数再进行抵消的干扰抑制方案,所提方案对各种GNSS干扰类型均具有较好的抑制效果,具备一定的通用性。

基于“分段-组合”残差神经网络的超声速氢气零维点火计算方法

受限于发动机燃烧数值模拟需要长时间超级计算机运行的问题,发展了一种基于“分段-组合”残差神经网络的氢气零维点火计算方法。以氢气零维点火算例为基础,基于自主研发的高超声速内外流耦合数值模拟软件AHL3D构建数据集。数据集中输入变量为超声速工况下的温度、压强及8种组分质量分数的初始状态值,输出变量为3000个时刻点的温度、压强及8种组分质量分数状态值。构建了一种“分段”训练、“组合”预测的残差神经网络框架。算法首先将高维输入数据进行降维训练,再将“分段”模型预测后的参数冻结形成“组合”模型。与氢燃料直接计算相比,实验结果表明“分段-组合”残差神经网络可显著提升计算效率,对于11组分29反应的反应动力学模型可获得9.13倍的计算加速比,均方根误差降到了7.85×10^(-5),氢燃料参数的预测精度都高于98%,计算效率及精度优于现有的神经网络燃烧计算方法。

基于残差神经网络的课程思政教学资源共享平台

针对传统课程思政教学资源共享平台存在资源整合分散、运行不稳定、交互困难的问题,设计基于残差神经网络的课程思政教学资源共享平台。测试结果表明,该平台可以稳定运行,且具有较高的资源匹配度。

基于残差神经网络的深度学习方法在心律失常心电图自动识别中的应用研究

目的针对心律失常心电图自动识别,探究出一种新的DRNN深度学习模型与算法。方法基于开源心电数据库(The PhysioNet Challenge 2017),利用8249条心电记录数据,建立DRNN模型,通过五折交叉验证对3类心电节律进行识别,并与4种常用模型的识别效果进行比较。结果本文提出的DRNN模型与算法对心律失常的识别效果明显优于其他4种模型,其查准率、查全率和F1分数的综合指标分别为86.28%、86.12%和86.17%。结论DRNN模型对心电图具有良好的识别效果。

基于降噪-残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪-残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。

基于小波变换和残差神经网络的全盲频谱感知方法

为了解决非平稳信号的时频图特征难以提取的问题,提出了基于小波变换和残差神经网络的全盲频谱感知方法。该方法通过连续小波变换将捕获的主用户信号变换成时频信息矩阵,同时转化为图片作为输入,通过残差网络进行训练和识别。仿真测试了不同小波基对非平稳信号的分解能力和所提算法在各种复杂无线信道环境下对非平稳信号的检测性能和泛化能力,以及对不同主用户信号的适应能力。结果表明,在信噪比为-16 dB时,该方法能在虚警概率为0.1时达到0.92的检测概率,同时amor小波更适合用于非平稳信号的分解且训练识别能力更优。

基于残差神经网络模型的高压气井水合物生成预测方法

综合天然气多组分混合比例、临界压力和温度等因素影响,构建跳过连接的卷积神经网络模型,提出利用残差神经网络(ResNet)预测高压气井多元体系天然气水合物生成的方法。井场试验结果表明,相较于传统全连接神经网络(FCNN)与小波神经网络(WNN),基于大数据集参数自动调优和动态微调残差神经网络模型的多元体系水合物生成预测效果较优且吻合程度较高,预测均方误差由WNN的0.006~3.417和FCNN的0.008~3.722降至ResNet的0.001~1.020,并可量化分析单组分体系以及二元和多组分体系水合物相平衡实际压力随温度动态变化关系。