基于多判别器辅助分类器生成对抗网络的故障诊断方法研究

在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。

深层次标签辅助分类任务的层次标签文本分类方法

层次标签文本分类是自然语言处理领域中一项具有挑战性的任务,每个文档需要被正确分类到对应具有层次结构的多个标签中。然而在标签集中,由于标签包含的语义信息不充分,同时被归类到深层次标签的文档数量过少,深层次标签训练不充分,导致显著的标签训练不平衡问题。基于此,提出了深层次标签辅助分类任务的层次标签文本分类方法(DLAC)。该方法提出了一种深层次标签辅助分类器,在标签语义增强的基础上有效利用文本特征与深层次标签对应的父标签结点(即浅层次标签的丰富特征)来提升深层次标签的分类性能。与11种算法在三个数据集上的对比实验结果表明,模型能够有效提升深层次标签的分类性能,并取得良好效果。

基于辅助分类网络的跨领域文本情感分类

为了使源域与目标域中同类情感文本准确对齐,且尽可能增大不同情感文本特征差异,提出了一种具有加权对抗网络的域适应模型。提出了一种主分类网络与辅助分类网络相结合的网络结构,主分类网络用于对源域文本进行有监督学习,辅助分类网络用来提高文本特征的可区分度;提出了一种多对抗网络权重计算方法,实现域间同类样本的准确对齐。实验结果表明:对于Amazon数据集,提出的模型对于目标域中文本的平均识别准确率可达84.22%,比对比模型提升了2.07%,说明该模型可将优化得到的特征提取器与特征分类器同时较好的适用于源域与目标域中,从而对不同领域文本分析仿真建模提供了可靠的数据。

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。

非平行文本下基于变分自编码器和辅助分类器生成对抗网络的语音转换

提出了1种基于变分自编码器和辅助分类器生成对抗网络的语音转换方法,实现了非平行文本条件下多对多的高质量语音转换.在该方法中,利用辅助分类器生成对抗网络替代基于变分自编码器和生成对抗网络模型中的Wasserstein生成对抗网络.由于辅助分类器生成对抗网络将特征样本的类别标签作为辅助信息,其鉴别器不仅能预测样本真假,还能预测生成样本所属的类别,从而提高了生成对抗网络的生成效果.充分的客观和主观评价表明:本文提出的方法明显优于基准模型,在显著改善语音质量的同时也有效提升了说话人个性的相似度.

基于ERDAS软件的生态环境计算机辅助分类

提出了应用遥感 ERDAS软件和地理信息空间分析技术对区域生态环境进行计算机辅助分类 ,较传统的技术手段相比具有省时、省力、周期短和分类结果准确等优势。以石羊河流域为例 ,实现了基于 ERDAS遥感处理软件的生态环境计算机辅助分类。

基于辅助分类–边界平衡生成式对抗网络的局部放电数据增强与多源放电识别

为解决局部放电(partial discharge,PD)源诊断中放电样本的不平衡问题,并克服传统多源放电诊断方法对脉冲聚类分离效果的依赖,该文提出基于辅助分类–边界平衡生成式对抗网络(boundary equilibrium generative adversarial network with auxiliary classifier,AC-BEGAN)的PD数据增强与多源放电识别方法。首先,对PD脉冲进行同步挤压小波变换(synchrosqueezed wavelet transform,SWT)作为训练样本。然后,在训练稳定性优越的BEGAN基础上,融合条件信息和辅助局放脉冲分类任务构建AC-BEGAN模型,旨在提升模型的生成能力并条件式地扩充训练样本。最后,采用扩充均衡的训练样本微调该辅助分类任务以学习多源放电中各单次脉冲的类别,并将占主导的脉冲标签的组合确定为该多源放电类型。结果表明,该方法相比于传统数据增强技术可以有效地均衡脉冲样本,同时可以克服传统诊断方法对聚类分离效果的依赖,直接实现多源放电诊断。

基于深度学习的癌症计算机辅助分类诊断研究进展

近年来,基于深度学习的医学影像分类研究迅猛发展,已成为癌症计算机辅助诊断(CAD)领域的研究热点。目前,基于公开数据库(如LIDC、INbreast、DDSM公共数据库)进行的研究中,对肺结节良恶性分类研究、乳腺病灶的良恶性鉴别诊断的研究报道较为全面。对基于深度学习的肺CT图像、乳腺X线摄影图像的癌症计算机辅助分类诊断研究进展予以综述。

基于辅助分类生成对抗网络的纸币红外特征鉴伪算法

针对假币的特征未知以及样本数量不平衡的局限性问题,提出基于半监督辅助分类生成对抗网络的纸币红外特征鉴伪算法。辅助分类生成对抗模型可以扩充样本的数据集,经过半监督的方式训练得到分类器进行分类,实现对纸币红外特征的鉴伪。实验结果表明,该算法能提高假币鉴伪的准确率以及泛化能力。

一种DEM辅助下的LiDAR点云PTD滤波改进算法

针对传统渐进加密不规则三角网(PTD)滤波算法在复杂地形环境下需要反复调试地面点判断参数才能获得较好结果的局限性,以往期DEM数据提取的地形高程和地形梯度为辅助,改进PTD中初始地面种子点的选取方法,优化地面点判断参数,并对往期DEM数据和现势LiDAR点云数据之间的地形变化进行检测和处理,适用于不同坡度地形条件的复杂地形,滤波效果较好。对比分析实验数据精度可知,该算法能有效降低I类与II类误差,且样本分类精度均在90%以上,说明DEM辅助可切实提高PTD滤波算法的精度。

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。

一种大数据环境中分布式辅助关联分类算法

在很多现实的分类应用中,新数据的类标需要由领域专家最终确定,而分类器的分类结果仅起辅助作用.另外,随着大数据所隐含价值越发被人们重视,分类器的训练会从面向单一数据集逐渐过渡到面向分布式空间数据集,大数据环境下辅助分类也将成为未来分类应用的重要分支.然而,现有的分类研究缺乏对此类应用的关注.大数据环境中的辅助分类面临以下3个问题:1)训练集是分布式大数据集;2)在空间上,训练集所包含的各局部数据源的类别分布不尽相同;3)在时间上,训练集是动态变化的,会发生类别迁移现象.在考虑以上问题的基础上,提出一种大数据环境中分布式辅助关联分类方法.该方法首先给出一种大数据环境中分布式关联分类器构建算法,在该算法中,通过横向加权考虑分类数据集在空间上的类别分布差异,并给出"前件空间支持度-相关系数"的度量框架,改进关联分类算法面对不平衡数据的性能缺陷;然后,给出一种基于适应因子的辅助关联分类器动态调整方法,能够在分类器应用过程中充分利用领域专家实时反馈的结果对分类器进行动态调整,以提升其面向动态数据集的分类性能,减缓分类器的退化和重新训练的频率.实验结果表明,该方法能够面向分布式数据集较快地训练出有较高分类准确率的关联分类器,并在数据集不断扩充变化时提升分类性能,是一种有效的大数据环境中辅助分类应用方法.

《中图法》计算机辅助分类软件的研制与应用

经过软件作者研究：《中国图书馆分类法》第四版共有条目近54000条，其中分类条目近52000条、各类复分表条目2000余条；分类条目中27．3％需参见其它条目、9．2％需参见其它条目至少二条以上、16．0％需参见复分表，37．3％需参见其它条目。因此，以往传统方法是分类人员参照《中国图书馆分类法》(纸张印刷品)对资料进行分类，查询不便。在需要参见其它条目或复分时非常麻烦，尤其要成为一个熟练的图书编目工作者需要较长的时间。开发一个方便实用的《中国图书馆分类法》

纹理特征提取及辅助遥感影像分类技术研究

研究了利用灰度共生矩阵提取纹理特征的方法,并对利用纹理特征影像辅助光谱特征分类的方法进行了研究。实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度。

纹理特征辅助遥感影像分类技术的探讨

随着卫星遥感影像分辨率的不断提高,人们希望从遥感图像中获得更多有用的数据和信息,所以遥感影像的分类变得尤为重要。但是基于光谱特征的影像分类精度过低,不能满足生产的需要,所以研究利用其他辅助手段来提高遥感影像的分类成为未来发展的一个重要方向。本文研究了利用灰度共生矩阵提取纹理特征的方法并对利用纹理特征影像辅助光谱特征分类的方法进行了研究。实验结果表明,纹理特征辅助光谱特征分类能够提高遥感影像分类的准确性和精度。

基于灰关联的分类信息辅助多目标跟踪

密集多回波环境下对弹道多目标跟踪时,通过灰关联方法融合了目标运动状态空间似然值和HRRP特征分类信息,提出了分类信息辅助多目标跟踪的CAT算法;结合目标电磁仿真数据,建立了多目标跟踪和识别交互仿真场景,并与JPDA和NN跟踪算法进行比较,仿真结果表明,CAT克服了轨迹合并和误跟的现象,较好的实现了多目标跟踪。

基于ACGAN和迁移学习的骨显像分类方法

由于骨显像存在样本数量有限、类别不平衡的问题,导致骨显像分类存在较大困难。为提升骨显像的分类准确率,本文提出了一种基于结合辅助分类器的生成对抗网络(ACGAN)数据生成和迁移学习的骨显像分类方法。首先,为解决骨显像类别不平衡的问题,设计了一种MU-ACGAN模型。该模型以U-Net为生成器框架,同时结合密集残差连接和通道-空间注意力机制结构来提升骨显像细节特征生成,判别器通过密集残差注意力卷积块提取骨显像特征进行判别;然后,结合传统数据增强方式进一步扩充数据量;最后,设计了一种多尺度卷积神经网络提取骨显像不同尺度的特征,提升分类效果。在模型训练过程中,采用两阶段迁移学习方式,优化模型的初始化参数、解决过拟合的问题。实验结果表明,本文提出方法分类准确率达到了85.71%,有效缓解了小样本骨显像数据集分类准确率不高的问题。

基于自注意力机制辅助分类生成对抗网络的轴承故障诊断

针对传统判别式轴承故障诊断算法在复杂工况下依赖人工特征提取、诊断效果不佳的问题,提出将生成式模型辅助分类生成对抗网络(auxiliary classifier generative adversarial network,ACGAN)用于轴承故障诊断研究。首先,通过快速傅里叶变换将轴承振动信号转为2维频域特征灰度图,设计卷积网络作为模型主体结构,添加批量归一化和LeakyReLU激活函数缓解梯度消失问题;其次,引入自注意力机制(self-attention mechanism,SA),将数据中相距较远的特征相互关联建立新的SA-ACGAN模型,实现多分类场景下对原始数据分布特征的有效学习;最后,将模型应用于电机轴承进行对比验证,结果表明所提方法故障诊断准确率高达99.7%,并具有良好的鲁棒性和泛化性。

计算机辅助铝合金焊缝X射线底片的缺陷检测与分类

X射线底片缺陷计算机辅助分类是目前无损检测领域的研究热点之一,主要包括:底片信息的数字化获取、缺陷区域提取、特征参数设计与计算、缺陷分类和底片评定等内容。针对铝合金构件焊缝射线图像对比度低、边缘模糊、背景起伏等特点导致传统边缘提取及图像分割方法不能有效提取缺陷的现实,在图像处理时用背景相减、数学形态学等方法对缺陷进行了有效地提取,并根据缺陷特征参数进行缺陷的分类。对于线型缺陷(如裂纹)检测问题,由于其特殊的难度,对其检测问题进行了专门的研究和探讨。

融合带权非局部模块的铝型材表面缺陷分类

针对铝型材表面缺陷分类任务中存在的极端长宽比、小面积缺陷分类困难问题,提出基于融合带权非局部模块和辅助分类器的表面缺陷分类方法(Fusion of Weighted Non-local Modules and Auxiliary Classifier Networks,FWACNet)。该方法通过提出带权非局部模块,利用点积相似度计算特征图空间上不同位置的相似性,以提升模型捕捉长距离依赖关系及上下文信息的能力;同时考虑到浅层特征中的纹理、边缘等细节信息会影响表面缺陷分类效果,设计深层和浅层特征融合的辅助分类器,以提升模型对浅层特征中细节信息的挖掘能力。为验证所提FWACNet方法的有效性,在公开的铝型材表面缺陷数据集上进行仿真实验,实验结果表明FWACNet较主流分类网络在极端长宽比、小面积的缺陷分类困难的问题上具有一定优势,分类准确率达95.7%。