联合收割机裂纹转子与滚动轴承故障诊断系统研究--基于卷积神经网络

首先,介绍了传统神经网络,在其基础上引出了改进的卷积神经网络;然后,搭建了转子和滚动轴承的动力学模型,对转子和轴承的裂纹模型进行分析研究;最后,实现了联合收割机裂纹转子与滚动轴承故障诊断系统。实验结果表明:基于卷积神经网络的诊断模型达到稳定识别精度的迭代次数更少,且识别精度更高,效果更好,证明了系统的可行性和可靠性。

融合Word2Vec词嵌入的多核卷积神经网络音乐歌词多情感分类方法

目前,音乐歌词情感分类大多以二标签极性情感为主,多情感标签分类较少,并且对于情感性不确定的歌词而言,得到的分类性能不高。为了解决多情感标签研究分类的不足,以及提高分类准确性,提出一种利用Word2Vec词嵌入技术,并使用多核卷积神经网络作为分类器的音乐歌词多情感分类方法。该方法首先结合音乐歌词文本,进行数据预处理和可视化分析;其次利用Word2Vec词嵌入提取歌词局部特征,构建特征情感向量,挖掘歌词中情感信息,将歌词转化为更利于分类器模型输入的词向量;最后在分类器中,选用卷积神经网络模型,并在此基础上采用不同高度卷积核的方式构建新模型以此得到多情感分类。结果表明:音乐歌词多情感分类的结果达到94.26%,与传统CNN相比,分类精确率提高了6.86%,取得了良好性能。

基于卷积神经网络的嵌入式视觉感知交互系统设计与实现

针对语音智能助理无法提供周围环境的视觉感知问题,该文设计并实现一个视觉感知交互系统。该系统的基本结构由语音识别、语音播放、图像采集、中央处理控制等模块组成,具备语音交互、目标检测等功能。该系统设计选择语音识别专用芯片、利用卷积神经网络技术完成识别,采用基于图分割截块的算法进行目标分割。实验结果表明,系统性能良好,能够实现对周围环境的视觉感知并进行语音交互。

基于空洞卷积神经网络的铝硅合金实体关系联合抽取模型(英文)

近年来,材料基因组计划(Material genome initiative,MGI)已经成为全球热点。随着材料科学的不断发展,材料文献中包含的海量信息成为研究人员关注的焦点,如何获取大量有效的材料数据是现阶段的主要挑战。本文采用自然语言处理(Natural language processing,NLP)技术从铝硅合金材料文献中获取数据。命名实体识别(Named entity recognition,NER)和关系抽取(Relation extraction,RE)是NLP的两个子任务,可以高效地从文本中提取单词信息及其之间的关系。铝硅合金文献中存在多种命名实体及多种关系,本文从材料科学文献中选择11种实体类型和13种关系类型,手动标注构建了铝硅合金实体关系数据集,将命名实体识别与关系抽取进行联合学习,即对实体识别和关系抽取进行统一建模。此外,针对基础模型的编码层存在捕捉文本语义信息不充分问题,通过改进模型的编码层,将基础模型的BiLSTM层与空洞卷积模型结合,组成了新的编码器,避免了BiLSTM处理文本信息丢失的问题,最终使铝硅合金实体关系联合抽取模型能够更好地捕捉文本中句子的语义单元信息。

基于卷积神经网络的嵌入式手势检测算法分析

传统深度神经网络受到图形处理限制,运行速度较慢,难以对手势动作快速检测识别。为了解决这一问题,创建更加良好的人机交互智能应用,提出了基于单词多盒检测器(Single Shot MultiBox Detector,SSD)卷积神经网络的嵌入式手势检测算法。通过预处理方式,扩展原有数据库,并进一步分解神经网络卷积因子。在MobileNet神经网络的作用下提升运算速度,并在图形规格参数的变化下对网络结构加以优化,从而简化算法。经过测试证明该算法检测速度有所提升,尽管检测精度有所降低,但仍保持高精度标准。

一种融合特征与卷积神经网络的车轮缺陷识别方法

针对同一识别算法下不同损伤类型以及损伤程度识别准确率低的问题,提出一种多尺度融合特征与一维卷积神经网络(One-dimensional Convolution Neural Network,1D-CNN)相结合的车轮损伤诊断方法。利用完全噪声辅助聚合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)和魏格纳-维尔分布(Wigner-Ville Distribution,WVD)联合时频分析方法,对轴箱加速度信号进行融合特征提取,将提取到的多维度融合特征作为样本输入,构建适合车轮踏面损伤诊断的CNN模型,对样本中的不同损伤类型和损伤程度进行分类识别。经仿真分析和实验验证表明:所提出的多维度融合特征对于不同车速下的损伤类型以及损伤程度都有很好的识别能力,识别准确率可达到98%,且鲁棒性强,可为车轮踏面损伤识别和评估提供新的方法。

机载超轻量化卷积神经网络加速器设计

卷积神经网络庞大的权重参数和复杂的网络层结构,使其计算复杂度过高,所需的计算资源和存储资源也随着网络层数的增加而快速增长,难以在资源和功耗有严苛要求的机载嵌入式计算系统中部署,制约了机载嵌入式计算系统朝着高智能化发展。针对资源受限的机载嵌入式计算系统对超轻量化智能计算的需求,提出一套全流程的卷积神经网络模型优化加速方法,在对算法模型进行超轻量化处理后,通过组合加速算子搭建卷积神经网络加速器,并基于FPGA开展网络模型推理过程的功能验证。结果证明:本文搭建的加速器能够显著降低硬件资源占用率,获得良好的算法加速比,对机载嵌入式智能计算系统设计具有重要意义。

基于随机森林和卷积神经网络的风-光伏-抽水蓄能电站联合优化运行

风力发电和光伏发电的输出波动性、间歇性和不确定性,将加剧风光发电大规模并网的困难。针对以上问题,综合考虑环境温度、地表水平辐射、直接辐射和散射辐射四个因素,利用随机森林模型预测光伏发电输出功率;利用卷积神经网络卷积核参数共享与短期信息提取较好的特点,根据地面风速,风机轮毂中心风速,风向和气压数据,预测风电输出功率,预测结果误差小,最后利用BP神经网络算法具有较强容错和泛化能力特点对风力发电和光伏发电输出功率联合优化,得到总输出功率以及抽水蓄能发电功率。预测得到的最终总输出功率较为稳定,预测误差在可接受范围内,大大降低了风光发电并网给系统带来的不稳定性。

基于卷积神经网络的嵌入式排水管道缺陷检测系统

随着城市规模扩大、人口日益增多,城市排水系统压力越来越大,由于初期排水管道设计得不合理,技术落后等原因,出现了破裂、错口、异物插入等缺陷,严重影响社会和财产安全,更甚者影响社会的发展。CCTV视频探损法是近年来最主流的检测方法,但传统的采集数据,人工判读的效率低,主观影响大,已严重影响工程进度;本文提出一种基于卷积神经网络的嵌入式排水管道缺陷检测系统,具有实时检测,功能齐备等特点,有效提高了排水管道缺陷检测效率、提升了成果的客观性以及降低了项目人工成本。

卷积神经网络与人工水母搜索的图特征选择方法

目前,卷积神经网络(Convolutional Neural Network,CNN)模型在处理图像数据时分类效果较差,人工水母搜索(Artificial Jellyfish Search,AJS)算法收敛速度慢,迭代次数多,特征选择的效果不理想.针对上述问题,提出一种基于CNN和AJS的图特征选择方法 .首先,使用CNN来提取特征,将生成的特征图进行图嵌入降维,再使用AJS算法进行特征选择,把得到的特征输入分类器,进行模型训练和评估;然后,在图嵌入阶段,将特征图进行随机游走,并通过添加特征权重计算节点的游走概率来增强权重大的节点的游走概率,提高分类精度;最后,在AJS算法中引入余弦公式对人工水母的位置进行更新,充分考虑特征向量之间的相似性,提高算法的收敛速度并减少迭代次数.在10个基准函数上进行实验,结果表明改进的AJS算法具有较好的优化性能.在四个数据集上,将提出的算法与其他算法进行对比实验,实验结果表明,提出的算法能提高分类精度,减少迭代次数.

Emfacenet:一种轻量级人脸识别的卷积神经网络

随着计算机技术日益发展,计算机视觉逐渐融入人们的生活,深度卷积神经网络在计算机视觉领域得到了广泛的应用.然而计算资源和内存的限制,为卷积神经网络在嵌入式设备的部署带来了巨大的困难.本文提出了一种新的轻量级的人脸识别的卷积神经网络——Emfacenet,通过在CASIA-WebFace数据集上进行卷积神经网络的训练,并在计算机CPU平台以及嵌入式平台上利用LFW数据集对模型的预测效果分别进行测试,Emfacenet在CPU平台下识别速度分别是Resnet50、Mobilenetv3以及Mobilefacenets这3种模型的2.07倍、1.67倍、1.63倍,在嵌入式平台下识别速度分别56.65倍、2.09倍、3.41倍.而且Emfacenet卷积神经网络模型大小仅为138.1KB,保持较高精度的同时运行效率显著提高,可以适用于嵌入式等硬件资源受限领域来实现人脸识别.

基于卷积图神经网络的多粒度表示学习框架

卷积图神经网络(Convolutional Graph Neural Network,ConvGNN)以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中,多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能,但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题,提出一种基于ConvGNN的多粒度网络表示学习框架M-NRL,分为四个模块:粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息,训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数,推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示,融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了M-NRL的有效性,实验结果表明,MNRL不仅能加速现有ConvGNN的训练,还可以增强其最终的表示质量.

基于联合层特征的卷积神经网络在车标识别中的应用

针对现有智能交通系统仅仅通过车牌信息获取车辆信息存在不准确的情况,提出一种基于联合层特征的卷积神经网络(Multi-CNN)进行车标识别。该方法将通过卷积神经网络中不同层提取的特征联合起来,一起作为全连接层的输入,训练获得分类器。通过理论分析和实验表明,与传统的卷积神经网络训练获得的分类器相比,MultiCNN方法能够减少训练所需计算量,同时将车标识别准确率提升至98.7%。

基于卷积神经网络的电力信息物理融合系统入侵检测方法研究

现有的面向电力信息物理融合系统(CPPS)的入侵检测方法存在不够重视数据质量等问题,尤其是在处理离散化数据方面存在欠缺。为解决上述问题,提出了一种基于实体嵌入和卷积神经网络的CPPS入侵检测方法。该方法通过实体嵌入技术将数据集中的离散型特征映射为连续向量,从而生成高质量的新数据。将其与经过标准化的连续型特征合并起来作为新数据集训练卷积神经网络,以建立CPPS入侵检测模型。在KDD Cup 99数据集上的实验评估结果表明,所提方案的攻击检测准确率分别比独热编码和传统顺序编码提高了6.20%和6.04%,同时还减小了误报率和漏报率。

基于三流联合卷积神经网络的机械臂抓取检测

目前已有一些研究将深度学习应用于机械臂的抓取检测中,但很难同时保证检测的实时性和准确性.本文提出一种用于抓取检测的三流联合卷积神经网络模型,该模型由三个独立的深度卷积神经网络流组成,其中每个流分别处理其对应的输入模态,并将它们以一种后期融合的方式结合在一起;然后利用改进的单级回归算法进行抓取位置预测,并提出一种新的置信度计算方式.该模型在康奈尔抓取数据集上图像分割和对象分割的准确率分别为94.9%和93.7%.并且在GPU上以每秒14.2帧的速度进行实时检测.测试结果表明,我们的模型同时保证了抓取检测的实时性与准确性,提高了检测的速度与精度.

基于领域嵌入的循环膨胀卷积神经网络评价对象抽取方法

在评价对象抽取任务当中,基于循环神经网络的方法具有前向依赖性且未能利用图形处理器(graphics processing unit,GPU)并行计算的能力,而基于传统卷积神经网络的方法则存在语义覆盖能力有限的问题。针对所述问题,为充分发挥模型的计算能力以及语义覆盖能力,首次将循环膨胀卷积神经网络应用于该任务,并融入领域嵌入特征,提出了一种基于领域嵌入的循环膨胀卷积神经网络模型(domain embedding iterated dilated convolutions neural network,DE-IDCNN)。在评价对象抽取任务数据集L14、R14、R15、R16的实验中,取得的F1值分别为81.85、80.90、72.23、73.26,与基线模型相比取得了两个数据集实验效果的领先。经进一步实验验证,DE-IDCNN模型实现了更高的计算效率以及表现出更好的语义覆盖能力。

基于嵌入式深度神经网络的杂草识别模型

杂草的生存能力强,对环境要求低,分布广泛且随机,必将争夺农作物所需的水分和营养等生存条件,导致农作物的质量和产量有一定程度的降低。为解决以上问题,本文设计了一种基于嵌入式深度神经网络的杂草识别系统,使用嵌入式设备查看农田的杂草分布情况并检测出杂草的具体位置和种类,此时就可以有针对性地去除杂草,提高农作物质量和产量,节约劳动成本,同时保护生态环境。该系统选择YOLO系列算法进行模型训练,并通过模型转换获得合适的模型部署在嵌入式设备上进行目标检测。具体来讲,先筛选足够数量的杂草图像样本,经过手动标记获得对应标签文件,从而获得数据集;而后使用数据集模型训练,本文算法为YOLOv4、YOLOv4-tiny和YOLOx算法,得到PTH模型;PTH模型加载在PC端,PTH模型经模型转换生成TRT模型部署在嵌入式端Jetson Nano上。实验结果表明,采用F1值和mAP值进行模型准确度评估时,YOLOx最高,准确度为80.48%以上;采用计数准确度对目标检测正确率进行评估时,该指标下三个算法均在94%以上;采用单张处理时间进行速度评估时,YOLOv4-tiny作为轻量化网络仅需0.0068 s,嵌入式端仅需0.0453 s,相当于实时检测。

基于改进词嵌入表示和卷积神经网络的银行智能派单系统的研究

银行智能派单系统的实现和功能完善,对银行提升客户满意度、提高突发事件处理效率、降低人工处理成本等非常重要。针对现有的基于Word2vec和TextCNN模型的银行智能派单系统进行了改进,针对特征词权重表达性弱,特征词类别及位置区分性弱等问题,提出基于改进TF-IDF加权的Word2vec词嵌入表示和卷积神经网络结合的银行智能派单系统:首先利用Word2vec模型得到输入事件单的词嵌入向量;再针对经典TF-IDF方法不具备类别区分性、位置区分性,也没有考虑极端频率特征词代表性的情况,提出改进型TF-IDF算法,计算每个特征词的权重,得到基于改进TF-IDF加权的Word2vec词嵌入表示;最后在卷积神经网络模型中进行训练,通过迭代训练最终得到分类器,利用分类器可对输入事件单信息自动进行系统类别的判断。实验结果表明改进词嵌入表示的银行智能派单系统分类模型的宏查准率、宏查全率、准确率以及宏F1值都得到进一步的提高。

基于多尺度卷积的胶囊网络知识图谱嵌入模型

该文基于胶囊神经网络出色的维度信息挖掘能力,加入多尺度卷积以进一步增强其特征提取和交互能力,提出了基于多尺度卷积的胶囊网络知识图谱嵌入模型.首先,通过TransE算法训练得到实体和关系的初始化嵌入向量;其次,通过多尺度卷积生成不同的特征图,将得到的特征图进行特征融合,融合后得到的特征图重组为相对应的胶囊;最后,利用动态路由指定从第一层胶囊到第二层胶囊的连接,经过路由得到的第二层胶囊利用squash函数得到最终向量长度,该向量长度决定三元组的置信度.知识图谱链接预测任务的实验结果表明,较嵌入模型CapsE,本文提出的模型在WN18RR数据集上指标Hit@10提高1.8%,MRR提高1.4%,在FB15k-237数据集上Hit@10提高2.2%,MR提高4.8%.

基于卷积神经网络的低嵌入率空域隐写分析

近年来,基于深度学习的空域隐写分析研究在高嵌入率下已经取得了较好的成果,但是对低嵌入率的检测效果还不太理想.因此设计了一种卷积神经网络结构,使用SRM滤波器进行预处理来获取隐写噪声残差,采用3个卷积层并对卷积核大小进行合理设计,通过适当选择批量归一化操作和激活函数来提升网络的性能.实验结果表明:与现有方法相比,所提出的网络结构对WOW,S-UNIWARD和HILL这3种常见的空域内容自适应隐写算法取得了更好的检测效果,且在低嵌入率0.2bpp,0.1bpp和0.05bpp下的检测效果有非常明显的提升.还提出了逐步迁移(step by step)的迁移学习方法,进一步提升低嵌入率条件下的隐写分析效果.