融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于深度卷积神经网络算法和先验知识构建冠心病患者大鱼际望诊模型的思路与方法

基于全息理论的中医望诊可以辅助诊断西医疾病,但目前中医望诊主要依靠名老中医药专家的经验传承,存在望诊客观化、标准化程度不够,缺乏行业内认可度高的望诊转化技术的问题。而望诊融合人工智能信息化技术,可以提升中医望诊客观化、标准化的水平,可以有效地降低疾病的恶化率和病死率,促进中医望诊经验的转化。据此,结合前期开展的大鱼际特征与冠心病关系研究,得出大鱼际望诊可以用于冠心病早期预警筛查。以大鱼际望诊和冠心病之间的关系为例,将先验知识和深度卷积神经网络算法深度融合,将特征提取和分类合为一体,利用深度学习端对端的显著特点,输入观察到的原始大鱼际图像像素数据或信息,通过对大鱼际照片的大量深度学习,构建冠心病患者的关键特征要素,融合先验知识后,输出是否为冠心病的分类结果,中间为深层的网络结构。这一思路将提出一种中医望诊客观化、标准化的智能化算法,促进中医望诊经验的转化思路与方法,以提高基层群众的疾病预警筛查能力,服务“健康中国”战略。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

卷积神经网络方法在岛礁类海啸波水动力特性演变的应用

海啸是严重的海洋灾害,准确的海啸预测对于海洋工程和人民生命财产安全具有重要意义。本文以一维卷积神经网络(1-dimensional convolutional neural network,CONV1D)为基础,构建岛礁地形的类海啸波水动力特性演变模型。通过输入类海啸波波高时程曲线的观测值,得到岛礁指定地点的水位淹没时程曲线,实现时间序列到时间序列的预测,进行海洋灾害的实时预报,提前布置防御措施以达到减小损失的目的。结果显示,预测一组样本所需时间少于一秒,相对于传统的地震海啸预警系统,深度学习方法所需计算资源较少,计算速度更快。对类海啸波到达时间预测的平均相对误差为0.71%,最大水位高度预测的平均相对误差为6.99%, CONV1D得到的岛礁地形类海啸波水动力特性与数值结果吻合较好。

基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法

针对传统小波变换法去除干式空心电抗器红外图像中夹带的噪声效果不理想的问题,提出了基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法。首先利用卷积神经网络中的残差学习对图像中混合特征信息进行提取;然后通过改进小波变换对图像进行小波分解,并将分解后的分量输入至网络中进行训练;进而通过残差学习增强图像纹理细节信息,解决了传统图像去噪方法的不足;最后进行仿真比较。结果表明,所提方法可以降低网络计算难度,加快训练速度,同时具有良好的去噪性能,优于传统图像去噪方法。

基于卷积神经网络-长短期记忆神经网络模型利用光学体积描记术重建动脉血压波信号

目的直接动脉血压(arterial blood pressure,ABP)连续监测是侵入式的,传统袖带式的间接血压测量法无法实现连续监测。既往利用光学体积描记术(photoplethysmography,PPG)实现了连续无创血压监测,但其为收缩压和舒张压的离散值,而非ABP波的连续值,本研究期望基于卷积神经网络-长短期记忆神经网络(CNN-LSTM)利用PPG信号波重建ABP波信号,实现连续无创血压监测。方法构建CNN-LSTM混合神经网络模型,利用重症监护医学信息集(medical information mart for intensive care,MIMIC)中的PPG与ABP波同步记录信号数据,将PPG信号波经预处理降噪、归一化、滑窗分割后输入该模型,重建与之同步对应的ABP波信号。结果使用窗口长度312的CNN-LSTM神经网络时,重建ABP值与实际ABP值间误差最小,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为2.79 mmHg和4.24 mmHg,余弦相似度最大,重建ABP值与实际ABP值一致性和相关性情况良好,符合美国医疗器械促进协会(Association for the Advancement of Medical Instrumentation,AAMI)标准。结论CNN-LSTM混合神经网络可利用PPG信号波重建ABP波信号,实现连续无创血压监测。

基于深度卷积神经网络的齿轮箱健康状态识别

齿轮箱为许多机械设备的重要传动部件,其健康运行状态识别对于设备稳定运行、安全运转等具有非常重要的意义。为准确地评价齿轮箱的健康状态,提出一种基于深度卷积神经网络的齿轮箱健康状态识别方法。本文首先采用变分模态分解(Variational Mode Decomposition,VMD)与小波阈值(Wavelet Threshold,WT)结合的方式对采集的齿轮箱振动信号进行降噪。其次,对降噪后的信号进行线性及非线性特征提取。最后,采用深度卷积神经网络(Deep Convolutional Neural Network,DCNN)建立齿轮箱的健康状态识别模型。实验结果表明,所提方法对齿轮箱健康状态的正确识别率达到97.5%以上。

基于深度卷积神经网络的物联网异构信息安全传输算法

为了提高物联网信息传输的安全性,提出基于深度卷积神经网络的物联网异构信息安全传输算法。在建立卷积神经网络基础架构的基础上构建深度卷积神经网络模型,利用均值池化方法计算异构数据特征点的平均值,分类异构数据特征,完成物联网异构数据特征识别。对特征识别后的物联网异构数据进行非对称加密,结合数字签名技术完成物联网异构数据安全传输。仿真测试结果表明,方法的时间复杂度、响应时间、丢包率均较低,且带宽利用率较高。

基于深度卷积神经网络的智能机器人语音自动识别方法

外界环境的干扰会降低智能机器人语音识别效果,为提升智能机器人的识别效果,提出基于深度卷积神经网络的智能机器人语音自动识别方法。该方法首先分析了智能机器人智能化服务特性,以此为基础采集智能机器人语音信息数据;利用构建的伽玛通滤波器降低智能机器人语音噪声数据,进一步提取语音信息能量特征;将信息能量特征输入到深度卷积神经网络识别模型内分类训练,实现智能机器人语音自动识别。实验结果表明,该方法的语音识别率达到了90%以上,识别耗时低于1.5 s,提升了智能机器人的语音识别效果。

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。

基于深度卷积神经网络的单向阀泄漏模式识别

以SV10PB1-30B液控单向阀为研究对象,利用传感器采集3种不同泄漏模式下10个阀芯的振动信号,设计深度卷积模型,开展不同测点(单向阀的上表面和阀座)、不同信号特征提取方式(原始信号、特征值、特征图)下的模式识别研究。结果表明:基于轴向冲击信号特征值和深度卷积神经网络的模型能有效识别故障类型,验证集上的识别准确率高达88.293%,是基于特征图的7.79倍,是基于原始时域冲击信号的1.16倍;训练步数以100的较优,同时该模型对正常阀芯和不同损伤阀芯的分类效果明显。

基于小波集成一维卷积神经网络的抗噪声聚变电源故障诊断方法研究

数据驱动的电源故障诊断方法高度依赖于电源传感器的信号数据质量,托卡马克聚变装置中的电源系统往往在复杂电磁场耦合的环境下运行,导致其采集到的具有物理特征的信号常与大量无法解耦的噪声混合。为了抑制噪声对最终诊断结果的影响,提出了一种利用抗噪声小波增强一维卷积神经网络的多分支降噪网络(Hierarchy Branch Denoising Convolutional Neural Network,HBD-CNN),以完成噪声干扰下的电源系统故障诊断任务。具体而言,本研究将离散小波变换(Discrete Wavelet Transform,DWT)的信号分解功能植入CNN的网络层中,结合对噪声更加鲁棒的指数线性激活单元(Exponentially Linear Unit,ELU),对传统1D-CNN网络结构进行深度优化。此外,根据先验知识构建起的数据多层级结构,搭配网络中分层级的分类模块,提高了HBDCNN的泛化能力。最后,基于仿真电源数据集开展了对本模型架构的初步验证,当信噪比为10 dB时,对电源变换器的故障诊断准确率可达98.31%;当信噪比为2 dB时,准确率仍能保持92%以上。实验结果表明,HBDCNN在噪声工况下具有良好的故障诊断性能。

基于卷积神经网络的深度学习技术在软件缺陷检测中的应用

探讨了卷积神经网络(CNN)在软件缺陷检测中的应用。采用深度学习技术,模拟图像识别中的模式识别能力,对代码进行自动分析,以识别潜在缺陷。实验结果显示,该方法的缺陷检测正确率达到了94.28%~97.51%,说明利用CNN进行软件缺陷检测能够有效提升检测速度和准确性,对于降低开发成本、提高软件质量及可靠性具有重要意义。

基于足底压力和卷积长短期记忆神经网络的前交叉韧带断裂智能辅助诊断

提出一种基于卷积长短期记忆神经网络的深度学习模型PressureConvLSTM,用来提取行走过程中足底压力的空间特征和时序特征,并进行步态分类。通过对前交叉韧带断裂患者的足底压力数据分析,实现智能辅助诊断。结合临床数据的实验结果表明,PressureConvLSTM模型对前交叉韧带断裂的辅助诊断,能够达到95%的预测准确度;与卷积神经网络等其他模型相比,准确度得到大幅度提升。

基于深度卷积神经网络的肝脏肿瘤检测算法研究

利用深度卷积神经网络对肝脏肿瘤进行检测,首先对肝脏肿瘤CT图像进行预处理,然后根据特征像素值对图像进行阈值分割,并对肿瘤区域进行标记,再使用标记好的数据集建立深度卷积神经网络模型进行训练,接着利用训练好的模型对未标记的验证数据集进行预测和验证,最后在测试数据集上测试模型的性能,根据测试结果,对肝脏肿瘤进行检测.通过对深度卷积神经网络算法、分水岭算法和连通域算法的检测结果进行比较,实验结果表明深度卷积神经网络算法在肿瘤检测方面具有最高的准确率和最大的F_(1)分数.说明深度卷积神经网络在肝脏肿瘤检测中具有卓越的性能,能够准确地识别肿瘤并减少误诊和漏诊的可能性.

基于深度卷积神经网络的端到端语音识别方法研究

端到端语音处于直接通信环境,缺少加密过程,语音信息传输过程中存在一定的干扰,导致信号特征提取较为困难,为此提出基于深度卷积神经网络的语音识别方法的研究。首先基于尺度噪声能量估计方法完成语音去噪处理;其次,通过聚合经验模态分解方法提取语音特征信息;最后,使用残差网络优化深度卷积神经网络模型,并完成端到端的语音识别。实验结果表明,所提方法在无噪声添加和有噪声添加的情况下,端到端语音识别词错率最大值分别为10%、12%,表明该方法能够高效、准确实现端到端语音识别,具有较高的实际应用价值。

基于深度卷积神经网络的降雨径流预测方法

为了更加准确的预测径流,本文提出了一种基于深度卷积神经网络的预测方法。运用模型进行训练和测试,与传统的降雨径流预测模型进行对比分析。研究结果表明:所构建的深度学习机更好地模拟了数据内部复杂的非线性。即使观测值有限,也能保持很好的预测能力。新模型实现了多个预测(1h、3d或5d),以展示更好的模型性能。深度卷积神经网络预测方法可以推广到类似的气候区,针对不同的水文条件,需要对其进行修正,以预测新区的径流量。

基于小波时频图和多尺度卷积神经网络的发动机工况识别研究

针对传统工况识别方法对非平稳的汽车发动机音频信号难以准确识别的问题,提出一种基于小波时频图和多尺度卷积神经网络的发动机工况识别方法。首先,将原始信号通过连续小波转化为小波时频图,其次,对小波时频图进行统一的预处理,最后将处理好的图片输入到卷积神经网络中提取多尺度特征并分类识别。该方法有效结合了具有处理非线性平稳信号优势的小波时频分析和卷积神经网络的图像分析能力。在测试集数据转速不同的情况下,识别准确率和鲁棒性更好。

基于深度卷积神经网络的垃圾分类算法研究

垃圾分类是一项重要的环保工作,对于实现可持续发展目标具有重要意义。传统的垃圾分类方法需要大量的人力和物力投入,效率低下,而深度卷积神经网络是一种基于大数据的机器学习方法,具有自动化、高效率、准确性高等优点,可以有效地解决垃圾分类问题。基于此,文章介绍了深度卷积神经网络的定义、基本原理和应用场景,分析了深度卷积神经网络在垃圾分类中的应用,并提出了一种基于深度卷积神经网络的垃圾分类模型。该模型通过对垃圾图像进行特征提取和分类,实现了对垃圾的自动识别和分类。实验结果表明,该模型具有较高的准确率和鲁棒性,可以有效地应用于垃圾分类领域。

基于混沌系统和离散小波变换的卷积神经网络的电力电缆故障诊断

针对传统电力电缆特征提取方法存在信息冗余及故障模型诊断不精准的问题,提出了一种基于混沌系统和离散小波变换的卷积神经网络的故障诊断算法,即采用离散小波变换对采集的局部放电信号进行滤波,采用洛伦兹混沌系统建立动态误差散布图以提取故障特征,最后通过卷积神经网络(CNN)进行故障识别。结合4种典型电力电缆绝缘故障及测试平台进行验证,结果表明,所提算法能够快速准确地识别电力电缆的故障状态,识别准确率达到97.5%,证明了所提算法的可行性和有效性,其能够为电力电缆的故障诊断提供一定的参考价值。