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。

基于级联卷积神经网络的城市交通汽车目标图像检测方法

由于现有的城市交通汽车目标检测方法主要使用神经网络来定位回归检测区域,这种方法忽略了特征在损失函数中的关联性,易受到场景立体匹配距离变化的影响,进而导致平均检测精度较低。基于级联卷积神经网络,设计一种全新的城市交通汽车目标图像检测方法。提取城市交通汽车目标检测特征,采用逐级匹配法提升检测样本质量。不同类型的检测目标的IOU分配阈值不同,利用Iterative Bbox at Inference级联卷积神经网络进行分类回归处理,得到基于级联神经网络的汽车目标检测损失函数,对于每个栅格,需要预设先验框根据损失函数,计算预测参数,设计城市交通汽车多目标检测算法,从而实现城市交通汽车目标检测。实验结果表明:该设计方法的平均检测精度较高,说明所设计方法的检测效果较好,具有较高的准确性,有一定的应用价值,能够为城市交通安全性的提升作出一定的贡献。

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。

基于改进级联卷积神经网络的织物疵点检测

为了改进当前织物检测算法样本数量少、织物疵点检测准确率低和定位精准度差的问题,提出一种端到端的改进的织物疵点检测算法。针对公开数据集样本数量少、样本种类不均衡的问题,采用线下与线上结合的数据增广方式,除了基本的数据增广方法,同时引入复制粘贴以及混合的方式对样本进行扩充与增强;针对特征提取算法提取特征不精确的问题,对特征金字塔进行改进,通过加入可变形卷积、递归特征金字塔、可切换的空洞卷积、全局语义信息的方法扩大感受野、增强语义信息。实验结果验证了算法的有效性,该算法对天池雪浪制造数据集9种布匹疵点进行检测,检测是否具有瑕疵的准确率达到97%以上,疵点定位的平均检测精度为56.7%,样本检测效率为2.4 FPS。相对于基础模型定位精准度提升了10%以上,并且检测效果满足工业上的生产需求。

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%。

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。

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。

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。

基于低成本FPGA的深度卷积神经网络加速器设计

现有的深度卷积神经网络在推理过程中产生大量的层间特征数据。为了在嵌入式系统中保持实时处理,需要大量的片上存储来缓存层间特征映射。本文提出了一种层间特征压缩技术,以显著降低片外存储器访问带宽。此外,本文针对FPGA中BRAM的特点提出了一种通用性的卷积计算方案,并从电路层面做出了优化,既减少了访存次数又提高了DSP的计算效率,从而大幅提高了计算速度。与CPU运行MobileNetV2相比,文章提出的深度卷积神经网络加速器在性能上提升了6.3倍;与同类型的DCNN加速器相比,文章提出的DCNN加速器在DSP性能效率上分别提升了17%和156%。