基于深度卷积门控神经网络的高比例新能源接入配电网故障分类研究

提出一种基于深度卷积门控神经网络的高比例新能源接入配电网故障分类方法。首先,通过小波包变换特征提取配电网零序电流形成时频能量谱,将序列归一化后作为模型的输入数据;其次,将深度卷积门控神经网络应用于配电网故障分类中,融合卷积神经网络和门控循环网络提取新能源配电网故障特征数据,引入注意力机制提升网络训练效率和准确度,通过Softmax分类器进行故障分类,形成高比例新能源接入配电网故障分类模型,映射输入零序电流和输出故障类别之间的关系;最后,经过仿真结果表明,所提方法对不同故障位置和不同过渡电阻具有分类速度快、准确率高的优点,在高比例新能源接入的配电网中应用前景良好。

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的频高图特征提取研究

本文提出了一种利用深度卷积神经网络的频高图特征提取方法,在频高图不同层回波信息标记的基础上,构建包含降采样部分和上采样部分的频高图回波识别网络模型,实现了频高图不同回波信息自动识别.利用试验获取的频高图数据,通过人工对频高图中电离层不同层的回波信息分别标记,生成网络模型样本数据集.以随机方式,选取样本数据集80%的数据作为训练数据,其余数据作为测试数据.经网络模型训练和测试,结果显示网络模型能够自动有效地识别测试频高图中不同层的回波信息.在此基础上,结合数字图像处理中的腐蚀算法和连通域思想,针对性地设计滤波器,滤除已识别回波信息中的噪声、干扰、多跳回波,能够实现测试频高图特征参数的有效提取.并且通过与传统方法比较,该方法特征提取精度整体上优于传统方法,可为频高图特征的自动、精确提取提供一种新的技术方法.

基于深度卷积神经网络的电力系统故障预测

通过对深度卷积神经网络的深入研究,提出基于深度卷积神经网络的电力系统故障预测方法,保障系统安全运行。采用广域测量系统测量每个支路与节点,将获得的功率与关键特征值分别作为深度卷积神经网络模型输入、输出,训练这2个数据,并使用深度卷积神经网络AlexNet分析输入数据与输出数据的映射关系,建立基于深度卷积神经网络的电力系统故障预测模型,通过特征值分组、振荡模式筛选、数据预处理、模型训练和模型评估,实现电力系统运行状态评估,完成电力系统故障预测。实验结果说明:该方法的关键特征值计算结果与实际结果基本一致,可靠性高;使用正则化可提升模型泛化效果,防止模型过拟合;与其余方法的准确率和误报率指标相比,所提方法的准确率高达99.52%,误报率为1.16%,综合评价指标较高,评估效果优势显著。

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。

基于深度降噪卷积神经网络的宽波段共相检测研究

拼接镜的共相误差检测是当前科学研究的热点问题之一,基于宽波段光源的共相检测技术解决了夏克哈特曼法由于目标流量低引起的测量时间长的问题,从而提升了piston误差的检测精度和量程。然而,当前宽波段算法在实际应用中,由于复杂的环境以及相机扰动等干扰因素的存在导致获取的圆形孔径衍射图像含有一定量的噪声,从而导致相关系数值低于设定阈值,最终使该方法精度降低,甚至失效。针对这一问题,本文提出将基于深度降噪卷积神经网络(DnCNN)的算法集成到宽波段算法中,以实现对噪声干扰的控制,并保留远场图像的相位信息。首先,将使用MATLAB获得的圆孔衍射图像作为DnCNN的训练数据,然后,将不同噪声水平的图像导入到训练好的降噪模型中,即可得到降噪后的图像以及降噪前、后圆孔衍射图像的峰值信噪比和二者与清晰无噪声图像间的结构相似度。结果表明:降噪处理后的图像与理想清晰图像之间的平均结构相似度较处理之前有了明显提升,获得了理想的降噪效果,有效增强了宽波段算法在高噪声条件下的应对能力。该研究对于探索用于实际共相检测环境宽波段光源算法具有较强的理论意义和应用价值。

基于深度卷积神经网络的电子玻璃缺陷分类方法

电子玻璃是信息显示产业的关键基础材料之一。近年来,显示产业向大尺寸化、超高清和轻薄化发展,对于电子玻璃基板的质量提出了更高的要求。机器视觉检测具有速度快、精度高、成本低、稳定性好等优点,被广泛应用于各种工业场景中。图像处理算法、识别分类算法是机器视觉检测的关键技术。本文针对基于深度卷积神经网络的整图分类方法在电子玻璃表面缺陷检测领域的应用,从图像数据处理、卷积神经网络构建、训练调参、评价标准等方面介绍其研究进展,并总结部分应用实例,对电子玻璃缺陷分类未来的研究方向进行展望。

基于卷积神经网络的深度学习方法对压力性损伤分期的研究

目的构建和验证用于压力性损伤(pressure injury,PI)自动化分期的深度学习模型。方法从常熟市第一人民医院PI电子化管理系统中选取2021年1月-2023年6月期间的201张图片,将PI分为4期,其中Ⅰ期21张、Ⅱ期41张、高分期101张、深部组织损伤38张。使用基于卷积神经网络(Convolutional Neural Network,CNN)框架的DenseNet121、EfficientNet、ResNet101和ResNet50神经网络建立针对PI分期任务的深度学习模型;模型评价指标包括准确率、召回率、精确率、F1值和读片时间。将深度学习模型的读片表现与2位不同年资护士进行比较。最后,对性能最佳的CNN模型进行可解释性分析并对压力性损伤视频进行实时预测。结果4种深度学习模型测试集中DenseNet121展现出较好的准确性(0.895),其次为resnet50(0.816),均高于高年资护士(0.805)和低年资护士(0.756)。同时,所有深度学习模型在测试集中读片用时均<10 s,速度快于护士(均>250 s)。最后,我们使用了梯度加权分类激活映射(Gradient Weighted Class Activation Mapping,Grad-CAM)、SHAP技术,对最优模型DenseNet121进行深入分析,突显出图像中对模型判断影响较大的关键区域,并实现了对PI视频的实时预测。结论在PI风险评估方面,成功地建立了一个表现优于护士人工评估的深度学习模型。此基于计算机视觉的深度学习模型可辅助护士进行更精准的PI分期,揭示了深度学习在临床医学应用中的广阔前景。

基于深度卷积神经网络的股票交易模型研究

为探讨卷积神经网络模型(CNN模型)的有效性,构建基于卷积神经网络模型的沪深300选股策略。首先通过分层法和IC测试法对CNN模型预测得到的上涨因子进行有效性测试;其次基于年化收益率、最大回撤等风险与收益指标,判断上涨因子选股策略的具体表现,进一步验证CNN选股模型的有效性。随后构建了基于宽基指数的择时策略,结果表明CNN模型在上证50指数上预测表现最佳。卷积神经网络的量化选股和择时模型的研究结论证实,卷积神经网络不仅能在沪深300中选出表现更好的股票,而且在量化择时方面也同样有效。

面向实际化工过程故障诊断的强化深度卷积神经网络模型构建与应用

基于数据驱动的故障诊断技术可以帮助操作人员及时有效发现和检测异常情况,是当前工业与大数据融合的热点领域之一。深度卷积神经网络(deep convolutional neural networks,DCNN)是最常用的基于数据驱动的故障诊断模型,但其激活过程存在正负值计算不匹配以及信息流通效率低导致的参数冗余问题。本文提出一种基于最大平滑单元(maximum smoothing unit,MSF)函数的新激活机制克服传统激活函数的缺点,并且引入注意力机制(attention mechanism)结合门控循环单元(gated recurrent unit,GRU)提升DCNN的信息流通效率克服参数冗余问题,以综合提升传统DCNN模型的故障诊断性能。强化深度卷积神经网络(enhanced deep convolutional neural networks,EDCNN)的现有模型表现出显著提高的故障诊断性能,这在工业致动器控制系统和工业酸性气体吸收过程中的应用得到了验证。两个过程的平均故障诊断率均超过99.0%。

轻量化深度卷积神经网络设计研究进展

轻量化设计是解决深度卷积神经网络(deep convolutional neural network,DCNN)对设备性能和硬件资源依赖性的流行范式,轻量化的目的是在不牺牲网络性能的前提下,提高计算速度和减少内存占用。综述了DCNN的轻量化设计方法,着重回顾了近年来DCNN的研究进展,包括体系设计和模型压缩两大轻量化策略,深入比较了这两类方法的创新性、优势与局限性,并探讨了支撑轻量化模型的底层框架。此外,对轻量化网络已经成功应用的场景进行了描述,并对DCNN轻量化的未来发展趋势进行了预测,旨在为深度卷积神经网络的轻量化研究提供有益的见解和参考。

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。

基于迁移学习和深度卷积神经网络的胸腰椎骨折AI分类研究

传统的胸腰椎骨折影像辅助分类方法准确率低、泛化能力差,为此提出一种基于深度卷积神经网络方法辅助诊断的胸腰椎骨折AI分类方法。收集四川省中西医结合医院胸腰椎骨折患者CT影像图片共698张,建立数据集,其中单纯压缩性骨折(A类)279张,爆裂性骨折(B类)295张,正常(C类)124张。对传统卷积神经网络模型ResNet-50进行改进并融入迁移学习,对数据集进行训练,获得胸腰椎骨折AI分类模型。采用混淆矩阵评估预测模型分类性能,模型的训练集和验证集准确率分别为95.75%和96.36%,表明训练得到的智能分类模型具有较好的准确率和泛化能力。本文提出胸腰椎骨折影像辅助分类方法,可以提高人工诊断的效率和准确率。

基于RISC-Ⅴ的深度可分离卷积神经网络加速器

人工智能时代,RISC-Ⅴ作为一种新兴的开源精简指令集架构,因其低功耗、模块化、开放性和灵活性等优势,使之成为一种能够适应不断发展的深度学习模型和算法的新平台.但是在硬件资源及功耗受限环境下,基础的RISC-Ⅴ处理器架构无法满足卷积神经网络对高性能计算的需求.为了解决这一问题,本文设计了一个基于RISC-Ⅴ的轻量化深度可分离卷积神经网络加速器,旨在弥补RISC-Ⅴ处理器的卷积计算能力的不足.该加速器支持深度可分离卷积中的两个关键算子,即深度卷积和点卷积,并能够通过共享硬件结构提高资源利用效率.深度卷积计算流水线采用了高效的Winograd卷积算法,并使用2×2数据块组合拼接成4×4数据片的方式来减少传输数据冗余.同时,通过拓展RISC-Ⅴ处理器端指令,使得加速器能够实现更灵活的配置和调用.实验结果表明,相较于基础的RISC-Ⅴ处理器,调用加速器后的点卷积和深度卷积计算取得了显著的加速效果,其中点卷积加速了104.40倍,深度卷积加速了123.63倍.与此同时,加速器的性能功耗比达到了8.7GOPS/W.本文的RISC-Ⅴ处理器结合加速器为资源受限环境下卷积神经网络的部署提供了一个高效可行的选择.

基于深度卷积神经网络的青菜和杂草识别

针对青菜田间杂草种类繁多且分布复杂导致识别效率低、精度差和稳健性不足等问题,以苗期青菜及其伴生杂草为研究对象,提出了一种基于深度卷积神经网络的青菜和杂草识别方法。首先使用图像处理方法标记出包含绿色植物的图像,进而利用神经网络模型对青菜和杂草进行区分。为探究不同神经网络模型的识别效果,分别选取DenseNet模型、GoogLeNet模型和ResNet模型对图像中包含青菜或者杂草图像进行识别,并以F1值、总体准确率和识别速度作为评价依据。结果表明,3种神经网络模型均能有效区分青菜和杂草,其中ResNet模型为最优模型,其在测试集的总体准确率和识别速度分别为97.2%和78.34帧·s^(-1)。提出的青菜和杂草识别方法可有效降低杂草识别的复杂度,并能够提升识别的稳健性和泛化能力,为青菜田间杂草精准防控的研究奠定基础。

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。

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。

浅析通过卷积神经网络管理重症监护室医用耗材的深度学习方法

本文采用卷积神经网络(CNN)开发了一种用于管理重症监护室(ICU)医用耗材的深度学习方法。通过在真实ICU环境中进行系统培训,考虑了特殊的照明条件和临床工作流程的不利情况,成功地训练了一个能够识别多种医疗耗材的模型。该模型在无遮挡的情况下表现出良好的识别性能,特别是对于具有大表面积和可区分特征的材料。即使在材料被50%覆盖的情况下,系统的识别准确率仍然可接受。此外,进行了统计分析,证明了不同情景对系统性能的影响。这项研究为ICU管理医用耗材提供了一种创新的方法,有望提高临床工作效率和患者护理质量。

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。

基于改进门控循环神经网络的采煤机滚筒调高量预测

采煤机自适应截割技术是实现综采工作面智能化开采的关键技术。针对采煤机在复杂煤层下自动截割精度较低的问题,提出了一种基于改进门控循环神经网络(GRU)的采煤机滚筒调高量预测方法。鉴于截割轨迹纵向及横向相邻数据之间的相关性,采用定长滑动时间窗法对获取的采煤机滚筒高度数据进行预处理,将输入数据划分为连续、大小可调的子序列,同时处理横向、纵向的特征信息。为提高模型预测效率,满足循环截割的实时性要求,提出了一种用因果卷积改进的门控循环神经网络(CC-GRU),对输入数据进行双重特征提取和双重数据过滤。CC-GRU利用因果卷积提前聚焦序列纵向的局部时间特征,以减少计算成本,提高运算速度;利用门控机制对卷积得到的特征进行序列化建模,以捕捉元素之间的长期依赖关系。实验结果表明,采用CC-GRU模型对采煤机滚筒调高量进行预测,平均绝对误差(MAE)为43.80 mm,平均绝对百分比误差(MAPE)为1.90%,均方根误差(RMSE)为50.35 mm,决定系数为0.65,预测时间仅为0.17 s;相比于长短时记忆(LSTM)神经网络、GRU、时域卷积网络(TCN),CC-GRU模型的预测速度较快且预测精度较高,能够更准确地对采煤机调高轨迹进行实时预测,为工作面煤层模型的建立和采煤机调高轨迹的预测提供了依据。