基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。

基于RGB特征与深度特征融合的物体识别算法

RGB图像和深度图像的同时使用能有效提高物体识别的准确率。然而,已有研究仅将RGB图像和深度图像的特征进行简单的线性连接,没有根据RGB特征和深度特征的差异性进行特征提取和融合,充分发挥RGB-D图像的优势。为此,提出一种多模态稀疏自编码算法,在进行差异性特征提取的同时完成RGB特征和深度特征的有效融合。结合多模态稀疏自编码算法和空间金字塔最大池化算法,给出一个全新的深度学习模型。该模型能够提取有辨别力的特征并完成基于RGB-D图像的物体识别工作。在2个标准的RGB-D数据库上的实验结果表明,与基于RGB-D的物体识别算法相比,该算法能够有效融合RGB特征和深度特征,取得更高的识别准确率。

基于深度学习的RGB-D物体识别算法

结合RGB图像和深度图像,提出了一种新的基于深度学习的无监督物体识别算法KSAE-SPMP。采用标准的RGB-D数据库2D3D来验证新提出的算法。实验结果表明,与之前提出的基于RGB-D的物体识别算法相比,KSAE-SPMP算法取得了最高的识别准确率,此算法能够很好地完成RGB-D物体的识别。

基于p.d.f特征的分层稀疏表示在图像分类中的应用

为了在计算机视觉任务中构造有意义的图像表示,提出一种基于概率密度函数(p.d.f)梯度方向直方图特征的分层稀疏表示方法用于图像分类。传统分层稀疏表示方法利用SIFT描述子或者直接从图像块学习图像表示,通常不具有较强判别性。该文利用具有通用性的p.d.f特征进行分层学习并使用空间金字塔最大池化方式构造图像级稀疏表示。实验结果证明了所提算法的鲁棒性和有效性,在UIUC-Sports,Oxford Flowers,Scene15三类数据集上分别达到87.3%,86.6%,84.1%的分类准确率。