基于残差卷积神经网络的网络安全态势感知方法

由于影响网络安全态势的因素具有多元化的特征,网络安全态势的观察值与预测值也是不断变化的。这种波动导致传统的神经网络在对其进行感知时,对应的收敛误差难以控制。提出基于残差卷积神经网络的网络安全态势感知方法研究。分别从网络自身和攻击状态两个角度,对网络安全态势影响因素进行量化分析;再利用卷积核的权重系数对输入神经网络的整体状态参数进行加权平均,提取各网络安全态势影响因素状态。引入残差损失参数对残差卷积神经网络的池化结果进行约束,输出最终的网络安全态势值。在测试结果中:收敛误差值面对不同类型的网络流量和攻击手段表现出了较高的稳定性,且始终处于较低水平,收敛误差最大值仅为0.0345。

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%。

基于改进卷积神经网络和射频指纹的无人机检测与识别

针对无人机(UAV)在图像识别时易受环境干扰,而传统信号识别难以准确提取特征且实时性较差的问题,提出一种基于改进卷积神经网络(CNN)和射频(RF)指纹的无人机检测识别方法。首先,使用通用软件无线电外设(USRP)捕获环境中的无线电信号,经过多分辨率分析获取偏差值,检测是否为无人机射频信号;其次,将检测到的无人机射频信号经过小波变换和主成分分析(PCA)处理,获得射频信号频谱,作为神经网络的输入;最后,构建轻量级残差神经网络(LRCNN),输入射频频谱进行网络训练,进行无人机的分类识别。实验结果表明,所提方法可以有效检测并识别无人机信号,平均识别精度可达84%;在信噪比(SNR)大于20 dB时,LRCNN的识别精度达到了88%,相较于支持向量机(SVM)、原始OracleCNN分别提高31和7个百分点,在识别精度和鲁棒性方面比这两种方法均有所提升。

脉冲非对称卷积神经网络的图像与事件分类算法

为了提升模型性能的同时不引入额外的计算量与能量消耗,提出了一种脉冲非对称卷积算法。利用卷积核交叉部分的权重大的特点,采用多个尺寸的卷积核替换普通卷积的单个卷积核进行卷积运算与叠加,提高中心卷积核的决策作用,在推理阶段将脉冲非对称卷积层和批量归一化层进行合并,实现简化运算。结果表明,基于脉冲非对称卷积算法的图像与事件分类模型在DVS Gesture数据集上分类精度可达98.1%,同时不引入额外的计算量和能耗。

基于深度可分离卷积神经网络的轴承故障诊断模型

在现实工业环境中需要对设备故障做出快速准确的诊断,低时延和高准确度的要求使得传统卷积神经网络(Convolutional Neural Network, CNN)在故障诊断过程中受到严重制约。针对此问题,提出了一种基于深度可分离卷积神经网络(Separable Convolutional Neural Network, SCNN)的轴承故障诊断模型,构建能够处理连续振动信号的主干CNN,通过对主干CNN中的卷积层进行可分离处理来构建SCNN,实现卷积过程的通道和区域的分离,减少卷积计算过程中所需的参数,从而降低计算时延;为SCNN引入残差层,通过残差连接来保证卷积迭代计算的准确率,避免网络层数过多而造成过拟合。为了对比所构建模型的有效性,将传统的VGG16和ResNet50网络进行一维重构来进行验证,并对分类处理后的CWRU故障轴承数据进行分析。结果显示该模型在保证识别准确率的同时有效地提高了故障诊断的效率。

基于改进卷积神经网络的电力工程数字化校核技术研究

针对传统电力工程验收过程使用人工费时费力且数据质量较差的问题,文中基于改进的卷积神经网络提出了一种电力工程数字化验收校核技术。该技术将Faster R-CNN作为基础模型,从3个方面对Faster R-CNN进行改进。使用ResNet网络代替原始基础网络,提升了算法局部特征的提取能力与运算效率。同时将K-means聚类算法与区域候选网络相结合,增强了模型的目标识别能力。再引入深度自编码网络作为预测网络,进而提高了算法的预测能力。在实验测试中,所提算法相较原始算法的准确率、召回率分别提升了3.7%和7.2%,可以对电力工程关键部件进行准确识别,有效节约了验收过程中的时间及人力成本。

高分辨率遥感影像建筑物提取卷积神经网络

针对复杂影像场景下卷积神经网络对建筑物提取效果较差的问题,本文对轻量型卷积神经网络LinkNet进行了优化调整,使用融合坐标注意力机制的深层残差网络CA-ResNet-50作为LinkNet的编码器,显著增强了网络模型的特征提取性能,提升了其在复杂场景下建筑物提取能力;同时,利用卷积分解方法对LinkNet初始块进行优化,获得了更快的网络训练速度,最终得到性能优异的建筑物提取网络CA-LinkNet。试验结果表明,在武汉大学航空建筑物数据集上CA-LinkNet与最初的LinkNet相比精度指标IoU、Kappa和F1分别提升了2.01%、1.26%和1.11%。此外,在选取的数据集上CA-LinkNet各项精度指标均优于经典分割网络,在复杂影像场景下也能有效提取建筑物,表现出较强的抗干扰能力。

基于分数阶傅里叶变换与卷积神经网络的工业过程故障检测

基于传统数据驱动的过程故障检测存在忽略正常数据与故障数据之间微小差异和检测不灵敏问题,本文提出了一种基于FRFT和CNN结合的故障检测方法。从放大正常数据与故障数据之间的微小差异方面入手,一则利用CVDA构造残差矩阵用于数据监测,增强灵敏度;二则利用FRFT对数据进行变换,将一些幅值低,易被噪声掩盖的故障从时域转换为频域,尽可能放大其特征,使其易检测。最后利用CNN对处理完的数据进行检测,解决了忽略微小差异和检测灵敏度低的问题,通过TE过程进行实验验证,在故障检测率方面得到提高,表明所提方法的有效性。

改进卷积神经网络的SAR图像识别方法

针对SAR图像存在散斑噪声且各个类别的区分度不高而导致的目标特征提取难的问题,提出了一种改进卷积神经网络的SAR图像识别方法.采用不同尺度的卷积层提取SAR图像特征,设计了一种多尺度特征提取模块,充分提取图像的隐含信息;对经典的残差神经网络残差块进行改进,设计了一种密集残差块结构,为后面层提供丰富的细节信息,保证输出特征的表达能力.最后在MSTAR数据集上进行了验证.实验结果表明,本文模型在测试集上的识别率达到了99.17%,优于其他方法.对测试集加入不同比例的椒盐噪声,本文模型比其他CNN识别率高,说明本文模型具有较好的鲁棒性.

基于残差和卷积神经网络的生猪图像分块压缩感知

针对常规图像采样和压缩方法存在重建图像模糊问题,提出基于残差和卷积神经网络的生猪图像分块压缩感知模型RC-BCSNet(Block-based compressed sensing of pig images based on residual and convolutional networks)。RC-BCSNet是基于残差和卷积神经网络,采用采样、初始重建、深度重建三段式网络结构。首先通过卷积层自适应学习采样,再进行初始重建图像,最后通过基于残差的卷积神经网络进行图像整体深度重建。结果表明,RC-BCSNet与3种不同经典分块压缩感知算法相比,在7个采样比下平均峰值信噪比(PSNR)最大/最小增益分别为6.16和2.18 dB,平均特征相似度(FSIMc)最大/最小增益分别为0.083和0.037 dB,为信息中心数据处提供数据支持。

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究

为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。

基于多传感器信息融合与混合感受野残差卷积神经网络的调相机转子故障诊断

大型调相机是电网对无功调节的关键设备之一,预防调相机因转子故障而产生的安全事故极为重要;为了有效利用设备实际监测过程中多源传感器同步采集的海量数据,并考虑传统卷积神经网络(CNN,convolutional neural network)模型的特征学习能力差、感受野尺度单一等缺点,提出了一种基于SDP-MRFRCNN的调相机转子故障诊断方法;首先通过对称点模式(SDP,symmetrized dot pattern)将调相机多个传感器的振动信号进行信息融合,获取融合多源振动信息的图像,然后构建混合感受野残差卷积神经网络(MRFRCNN,mixed receptive field residual CNN)进行学习,实现调相机转子状态识别;实验结果表明,该方法增强了不同状态特征间的辨别度,具有更高识别精度,分类准确率达到了99.33%。

基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术

随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。首先,对故障电流使用变分模态分解,得到一系列征模态函数;然后,使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;最后,经过Softmax分类器实现故障区段分类,完成故障定位。仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了5.63%、9.31%,验证了该方法的有效性。

基于残差卷积神经网络模型的勺嘴鹬动作识别

为开启海南热带地区鸻鹬类涉禽的动作识别以及其他野生鸟类行为学自动识别的研究,建立了基于野外采集影像的勺嘴鹬(Eurynorhynchus pygmeus)动作图像数据集。该数据集由表达勺嘴鹬主要行为模式的9种动作标签组成;同时利用ResNet50、ResNet101和ResNet152共3种残差卷积神经网络模型尝试对勺嘴鹬的动作进行自动识别。结果表明,ResNet50、ResNet101、ResNet152测试集准确率分别为96.90%、96.94%和96.90%,说明3种模型都能对勺嘴鹬图像进行快速准确的动作识别。

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率,本文对某2MW风力发电机组轴承故障数据,进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比,提出将多个振动传感器的数据整合为多通道一维数据集,再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此,多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好,能够准确的识别各类故障模式,为机组的安全、稳定运行提供了保障。

基于卷积神经网络的暗光图像去噪算法研究

针对暗光图像往往存在大量分布不均的噪声,极大地影响图像质量,而现有的基于单阶段卷积神经网络(CNN)的模型不能有效去除大量暗区域噪声的问题,提出一种基于CNN的暗光图像去噪算法模型。通过两种尺度的特征映射去噪模块共同构成深层CNN模型,合理运用残差学习与类似自编码器单元有效地重构出去噪图像;采用结构相似性(SSIM)作为损失函数训练模型。实验结果表明:预训练模型在BSD68数据集的峰值信噪比(PSNR)和SSIM值可同时达到25.23 dB和0.927,对自然场景的噪声图像恢复的PSNR和SSIM达到14.03 dB和0.423。本文模型对高斯白噪声和暗光条件的去噪效果显著,对自然暗光场景图像有着较好的对比度恢复和去噪效果。

基于深度残差卷积神经网络的高分辨率遥感影像道路提取

道路是城市基础设施的重要组成部分,准确提取道路信息可以帮助城市规划者更好地进行城市交通规划、道路建设和维护管理。高分辨率遥感影像道路提取中的断线严重影响道路结构的完整,降低了平均路径长度相似度,本文提出基于深度残差卷积神经网络的高分辨率遥感影像道路提取方法。首先,引入了直方图均衡化增强技术,对高分辨率遥感影像道路特征进行预处理,增强高分辨率遥感影像道路特征;然后,基于深度残差卷积神经网络构建了深度残差卷积神经网络模型,利用随机梯度下降进行深度残差卷积神经网络模型训练,获取高分辨率遥感影像道路特征提取结果;最后,利用骨架法提取高分辨率遥感影像中的道路骨架,采用K-means聚类算法判别断点之间的特征,实现高分辨率遥感影像道路提取。实验结果表明,本文方法提取的道路形态比较完整,Io U指数和F1指数较高,可满足高分辨率遥感影像道路高精度提取需求。

基于多分支卷积神经网络的轴承变工况故障诊断

针对采用单信号为输入的滚动轴承智能故障诊断方法存在诊断精度低、噪声鲁棒性差和难以适用于变工况等问题,提出一种多分支卷积神经网络(MBCNN)用于轴承故障诊断。该方法基于多尺度均值化对轴承振动信号进行重构,利用MBCNN的多个并行的分支从重构子信号中提取丰富互补的故障特征,采用残差学习和全局平均池化层改善模型的训练性能,建立基于微调的迁移学习策略以实现变工况故障诊断,并进行实验验证和对比分析。结果表明:所提出方法在变噪声实验中识别准确率为97.1%~100%,在不同迁移路径上诊断准确率高于98.8%,证明该方法具有良好的抗噪声能力和跨域故障诊断效果。

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明:FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。

基于LSTM人工神经网络的电力系统负荷预测方法

针对电力市场环境下短期电力系统负荷预测准确性较低的问题,提出了一种基于LSTM人工神经网络的组合预测模型。分析了LSTM神经网络和其变体GRU神经网络在进行负荷预测时学习时序特征的独特优势,并以卷积神经网络作为负荷数据的特征提取层,结合GRU网络构建了组合模型,通过建立残差预测模型对结果进行修正。仿真结果表明,具有记忆功能的神经网络预测效果要优于ANN和SVM模型,且所提出残差预测模型的负荷预测平均相对误差约为1.79%,其准确性高于单一算法的负荷预测模型。