深度级联CNN下机械手故障残差阈值超范围判定

全驱动机械手的结构采用PC机为上位机,大量的串联结构导致精准传动难度较大,适应负载能力较差。相比之下,欠驱动机械手结构更简单,可实现多于控制输入的自由度,但是,当连杆式欠驱动机械手出现故障时会产生自振,故障特征难以获取,信号残差阈值超出范围时无法精准判定。为此,研究一种连杆式欠驱动机械手故障残差阈值超范围判定方法。构建深度级联卷积神经网络,提取每组故障信号深层意义特征,计算故障信号残差值。利用连接层降维转换,使信号归一化处理。通过插值层提取机械手形状和点级别,输出故障信号预测标签。设计深度级联卷积神经网络信号观测器,跟随机械手运行实时更新数据,设置特征点残差阈值,以此为依据判定该特征点是否为故障点。实验测试结果证明:研究方法能够精准根据故障残差信号的输出判断连杆式驱动机械手的故障位置,且收敛速度较快、误差较小。

基于深度级联森林的乳腺癌基因数据分类研究

乳腺癌基因数据的分类研究在临床医学上具有重要意义。针对基因数据的结构复杂、高维小样本等特点,提出一种最大相关最小条件冗余和深度级联森林结合的基因数据分类方法。选取博德基因研究所乳腺癌基因表达数据集,共98个数据作为样本,每个样本包含1 213个特征基因。首先对数据进行标准化处理,然后利用最大相关最小条件冗余选取特征子集,最后使用深度级联森林对特征子集进行分类。将随机森林、支持向量机和BP神经网络作为对比方法。结果表明,所提出的最大相关最小条件冗余和深度级联森林结合方法的最佳分类准确率达到93.78%,明显优于其他方法。该方法能有效提高乳腺癌基因数据的分类准确率,对基于基因数据的乳腺癌分类具有重要的理论意义与实用价值。

基于深度级联网络的乳腺淋巴结全景图像的癌转移区域自动识别

淋巴结癌转移区域的自动识别是乳腺癌病理分期的重要前提。但由于全景图像尺寸巨大,组织形态复杂多样,在乳腺淋巴结全景图像中自动检测和定位癌转移区域具有很大的难度。设计一种基于深度级联网络的方法,实现对乳腺淋巴结全景图像癌转移区域的自动定位与识别。采用由粗定位到精定位的两个深度网络模型级联的方式,首先基于医生标记的癌转移区域,提取阳性与阴性图像块训练粗定位网络VGG16得到粗定位结果,然后对比粗定位结果与医生标记提取阳性和假阳性区域的图像块,再训练精定位的Res Net50网络用于识别阳性和假阳性区域。为了验证所提出深度级联网络的有效性,选用Camelyon16公开的共400张乳腺淋巴结全景图像数据集用作训练和测试。结果表明,所提出的VGG16+Res Net50级联网络模型的定位指标FROC得分达到0.8912,分别比单个深度网络模型VGG16和Res Net50的FROC得分高0.1531和0.1470,比Alex Net+VGG16级联的网络模型FROC得分高0.0288,显示深度级联网络模型对淋巴结癌转移区域可以实现更加精准的识别。

基于深度级联神经网络的自动驾驶运动规划模型

针对基于规则的运动规划算法需要预先定义规则和基于深度学习的方法没有利用时间特征的问题,提出一种基于深度级联神经网络的运动规划模型。该模型将卷积神经网络(CNN)和长短期记忆网络(LSTM)这两种经典的深度学习模型进行融合并构成一种新的级联神经网络,分别提取输入图像的空间和时间特征,并用以拟合输入序列图像与输出运动参数之间的非线性关系,从而完成从输入序列图像到运动参数的端到端的规划。实验利用模拟驾驶环境的数据进行训练和测试,结果显示所提模型在乡村路、高速路、隧道和山路四种道路中均方根误差(RMSE)不超过0.017,且预测结果的稳定度优于未使用级联网络的算法一个数量级。结果表明,所提模型能有效地学习人类的驾驶行为,并且能够克服累积误差的影响,适应多种不同场景下的路况,具有较好的鲁棒性。

基于深度级联网络的多任务图像处理方法

提出一种新的多任务深度网络结构,用于合并一些独立的图像处理任务(例如去噪、去雾和语义分割等)。通过为每个单独的任务提供额外的解码路径来扩展常规的U型网络,并探索从一个路径到另一个路径的输出和连接的深度级联方式。实验结果表明,该方法只需少量的训练参数,即可在去噪和语义分割,以及渐进式的由粗到细的语义分割任务上展示出有效性,并获得比多个单独训练或者联合训练的网络更好的性能。

基于多目标级联深度学习的无砟轨道板表面裂缝测量

轨道板劣化严重程度判识是工务养维的重要基础,而裂缝识别与宽度的精确测量是判识劣化程度的重要依据。基于传统机器视觉的轨道板裂缝判识易漏检、错检,复杂背景条件下检测精度较低,计算成本较高。现有深度学习方案虽然提升了检测精度,但存在单一模型处理效率低,多裂缝目标分割粗糙等问题。本文提出一种基于深度学习的多目标级联算法,通过图像分类网络、实例分割网络和正交投影法的级联处理和特征传递,实现针对高速铁路无砟轨道板裂缝的精细化测量。该算法首先基于图像分类网络快速筛选巡检数据并捕获含裂缝图像;然后基于实例分割网络从图像分类网络的输出中逐像素地分割出独立的裂缝目标的边界,并作为正交投影法的输入;最后基于正交投影法沿裂缝边界提取单像素骨架及轮廓并计算连续宽度。研究结果表明:所提出的多目标级联算法的平均精度(AP)达到70.7%,相较于传统像素级的深度学习模型(Mask R-CNN)提升23.6%;综合处理效率达到63.44FPS,达到单一SOLOv2网络的3.6倍,有效克服了单一分割模型对健康图像的冗余计算。进一步地,多目标级联算法的裂缝宽度测量范围是传统人工测量方法的1.15倍且标准差更小,有效地解决了传统人工局部测量导致的宽度突变。此外,基于研究成果统计得到了无砟轨道板裂缝的宽度分布,可以作为裂缝的发展预测及轨道结构科学养维的潜在指标。

基于级联深度的主动实时乐观并发控制协议

主动实时数据库因结合了时间限制与主动机制而使系统事务的并发控制变得更为复杂。主动规则的引入使事务触发新的事务且在执行上具有多种耦合方式,传统的实时并发控制策略无法对具有复杂执行模式的事务进行有效调度,而基于主动数据库的并发控制机制也没有考虑事务的实时性问题。通过对事务不同耦合方式的实时要求及事务间冲突关系进行分析,提出了新的主动实时数据库乐观并发控制方法,对不同事务级联深度进行评估,结合事务执行的时间信息对冲突事务进行动态调整串行化顺序。理论分析与实验证明,能在保证事务可串行性的同时降低了不必要事务重启个数,更好地满足系统的实时性。

基于DCM‑PCA和GA‑BP的逆变器故障诊断

针对光伏并网三相电压型逆变器开关管的开路故障,提出深度级联模型(deep cascade mode,DCM)‒主成分分析(principal component analysis,PCA)与遗传算法(genetic algorithm,GA)优化的BP神经网络结合的故障诊断方法。首先对逆变器的开路故障进行分析和仿真,确定三相电流作为故障信号,选择22类故障状态作为诊断对象,通过以稀疏表示分类(sparse representation based classififier,SRC)为基本操作单元的深度级联模型提取故障特征,DCM根据层次学习特性将故障特征分层,再由SRC部分得到不同故障的编码系数,并采用t分布—随机近邻嵌入(t⁃distributed stochastic neighbor embedding,t⁃SNE)方法验证了DCM具有较好的特征提取能力,通过PCA降低故障特征的冗余度、保留有价值的主成分提高网络映射能力,最后将故障特征向量作为GA⁃BP神经网络的输入信号实现对故障的诊断识别。通过仿真实验得到该方法的故障诊断准确率为95.64%,与DCM⁃PCA⁃BP、FFT⁃GA⁃BP和FFT⁃BP相比准确率分别提高8.71%、20.64%、51.70%,表明该方法有更好的故障特征提取能力和故障诊断效果。

基于级联深度神经网络的车辆位姿融合估计

在复杂的城市环境下,全球导航卫星系统信号失效时,现有利用单目相机或惯性导航系统估计车辆位姿的方法存在严重的累积误差。针对以上问题,提出了一种基于级联深度神经网络(CDNN)的车辆位姿融合估计算法。首先,设计了一种级联深度神经网络,减小单目相机因尺度模糊和尺度漂移造成的累积误差;其次,为了减小引入的器件噪声,利用简化惯性传感器系统(RISS)获取车辆横向、纵向加速度和横摆角速度。为了减小系统中不确定噪声的影响,利用H∞滤波融合CDNN和RISS的输出,在准确估计车辆位姿的同时保证高频输出。在KITTI数据集上的实验结果表明,与基于卡尔曼滤波的方法相比,本文算法估计得到的东向位置均方根误差(RMSE)减小了41.3%,北向位置RMSE减小了70.6%,航向角RMSE减小了66.6%。

混合智能反射面辅助的通信感知一体化:高能效波束成形设计

能量效率(EE)是5G+/6G无线通信的重要设计指标,而智能反射面(RIS)被普遍认为是改善EE的潜在手段。不同于被动RIS,混合RIS由有源和无源元件组成,对来波移相的同时可放大信号强度,能够有效克服被动RIS引起的“乘性衰落”效应。鉴于此,该文提出一种混合RIS辅助通信感知一体化(ISAC)的下行链路传输系统。为探究数据传输速率与能耗之间的内在关联,该文以RIS辅助ISAC网络能量效率最大化为目标,在满足基站(BS)发射功率、波束图增益以及混合RIS功率和幅值约束的条件下,联合优化基站端的波束赋形和混合RIS的相移。为解决该复杂的分数规划问题,提出基于交替优化(AO)的算法来求解。为克服AO算法中引入辅助变量造成算法复杂度高的难题,利用耦合优化变量的关联,提出一种基于级联深度学习网络的求解算法。仿真结果表明,提出的混合RIS辅助ISAC方案在和速率、能效方面皆优于现有方案,且算法收敛速度快。

基于深度超分辨率重建的监控图像人脸识别

针对当前视频监控中人脸分辨率低、识别难度大的问题,提出一种深度超分辨率的监控图像人脸识别框架。通过级联2个深度卷积神经网络模块,首先对获取的低分辨率人脸图像进行超分辨率重建,其次利用第2个卷积神将网络模块提取重构后的高分辨率人脸特征,提出一种结构优化的深度卷积神经网络,并将深度卷积神经网络学习到的特征送入SOFTMAX对人脸进行分类识别。在FERET数据集上进行验证,实验结果显示,研究提出的框架与传统方法相比,大幅提高低分辨率情况下的监控图像人脸识别精度。

基于ResSE-SegNet的智能电表通信模块铭牌检测与识别

针对智能电表通信模块铭牌检测和识别问题,本文提出了一种基于ResSE-SegNet的级联深度学习方法,采用高斯滤波和自适应图像对比度增强等图像预处理技术,通过深度语义分割网络来确定输入图像中厂家名称所在的区域,并采用深度编解码器网络结构进行分割,构建并训练端到端的卷积神经网络(CNN)模型用于识别不同的厂家。最后通过全维度智能电表检测系统获得通信模块图像的数据集并进行通信模块铭牌的检测和识别实验,实验结果表明,该方法的召回率为92.34%,精确率为93.97%,F1-Score为92.14%,对智能电表通信模块厂家的分类准确率为98.53%。