基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件(天然地震80个、非天然地震50个),对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。

基于AlexNet卷积神经网络模型的人脸识别方法与应用

主要研究了卷积神经网络的模型特点,针对人脸识别方法与应用使用AlexNet经典卷积神经网络模型,结合LFW公开人脸数据集对模型进行训练,过程中结合模型评价指标采用微调参数的方式对网络的权值进行调优。通过应用实验分析,基于AlexNet卷积神经网络模型可以有效完成人脸识别,进一步验证了卷积神经网络在人脸识别领域的应用价值,也为AlexNet网络模型在人脸识别中的应用过程提供了一定参考。

并联卷积神经网络的近红外光谱定量分析模型

近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。

一种基于一维卷积神经网络的试井模型智能识别方法

为提高试井分析工作效率,实现试井模型的自动识别,提出了基于一维卷积神经网络(1D CNN)的试井模型智能识别方法。根据实测数据的特点,提出基于理论曲线构建样本库的原则与方法,并构建了4种常用油藏模型的训练样本库;建立了一维卷积神经网络模型,将样本库中双对数曲线的压力变化和压力导数数据作为输入,油藏类别作为网络输出训练及优化网络,总识别准确率可达99.16%,敏感度均在98%以上。经4口井实例应用,正确识别试井模型的概率大于0.99,与二维卷积神经网络相比,1D CNN显著降低了计算复杂度和时间成本,加快了训练速度。这表明基于试井理论所构建的样本库是有效的,能满足实测数据模型识别的需求;同时证明了方法的有效性、实用性和普适性。

基于卷积神经网络的福建省区域滑坡灾害预警模型

福建省滑坡灾害频发,开展区域尺度上的滑坡灾害预警是防灾减灾的重要手段,但由于滑坡成灾机理复杂,传统的区域滑坡预警方法存在精度不足等问题。深度学习是指通过构建神经网络模型进行特征的提取、抽象、表示与学习的技术,是机器学习的一种。卷积神经网络作为一种经典的深度学习算法,具有比传统机器学习更强大的分类能力与表征能力。文章以福建省为研究区,将卷积神经网络引入滑坡灾害预警领域,构建福建省区域滑坡预警模型,过程及结果如下:(1)采用SMOTE优化算法对2010—2018年福建省滑坡灾害样本库进行优化,扩充正样本的个数,将正负样本比例从1∶3.4扩充到1∶2,样本总量达到18040个;(2)构建卷积神经网络模型结构,模型结构包括一个输入层、两个卷积层、两个最大池化层和一个全连接层以及一个输出层;(3)使用卷积神经网络对优化后的样本(2010—2018年样本的80%作为训练集)进行训练,并用贝叶斯优化算法优化模型超参数,得到福建省区域滑坡预警模型;(4)以2010—2018年样本的20%作为测试集对模型进行测试,采用混淆矩阵、ROC曲线进行模型测试,结果显示模型准确度为0.96~0.97,AUC值达到0.977,模型精度与泛化能力良好;(5)以2019年汛期滑坡灾害实况作为正样本,通过时空采样的方法采集负样本,构建2019年区域滑坡样本校验集(样本数603个),对模型进行进一步实况校验,采用混淆矩阵、ROC曲线进行模型校验,结果显示模型准确度为0.75~0.85,AUC值为0.852。虽然仅用了2019年汛期的滑坡实况样本进行校验,但也达到较好的效果。将卷积神经网络算法应用到区域滑坡预警中,为建立区域滑坡预警模型提供了一种新的途径,初步校验表明,模型效果良好,今后将在福建省对模型进行进一步的应用与校验。

高效通道注意力结合卷积神经网络的近红外光谱分析模型研究

近红外光谱分析技术有无损、高效的特点,在各领域都有广泛应用。但传统分析模型在面对近红外光谱数据量激增时往往出现预测精度不高、泛化能力差等问题。为此,提出一种基于卷积神经网络(CNN)与高效通道注意力(ECA)模块相结合的近红外光谱分析模型(CNNECANet),该模型由8个一维卷积层、1个ECA模块、4个最大池化层、1个展平层、2个全连接层和1个参数优化器组成。ECA模块由1个全局平均池化、1个一维卷积层和1个Sigmoid激活函数组成。以啤酒、牛奶、柴油、谷物的近红外光谱公共数据为例,将CNNECANet与常用建模方法进行比较,CNNECANet比PLS的预测精度分别提高了30.3%、14.1%、29.5%、48.4%;CNNECANet比SVR的预测精度分别提高了33.5%、17.6%、39.0%、50.0%;CNNECANet比BP神经网络模型的预测精度分别提高了80.0%、29.0%、7.2%、42.7%。该模型具有更好的预测精度和鲁棒性,解决了传统近红外光谱建模算法容易出现过拟合、模型泛化性差等问题。

基于卷积神经网络的樟子松木材密度近红外预测模型优化

近红外光谱分析技术在木材密度的预测方面具有独特的优势,是一种方便且快速的无损检测技术。卷积神经网络作为经典的深度学习模型之一,能够利用卷积和池化操作提取数据中的特征映射进行学习,与传统的学习模型相比具有更强的模型表达能力。为此将卷积神经网络用于近红外光谱预测木材的气干密度,以樟子松为研究对象,获取样本木材横切面的近红外光谱数据,采用杠杆值与学生化残差t检验(HLSR)法剔除奇异样本,采用SGS+MC+Auto(Savitzky-Golay smoothing+mean centering+autoscaling)对光谱数据进行预处理,通过竞争性自适应重加权算法(competitive adaptive reweighted sampling method,CARS)对特征波长进行提取,构建卷积神经网络模型,预测樟子松的气干密度;并与偏最小二乘回归(partial least squares regression,PLSR)、支持向量机(support vector regression,SVR)和BPNN(backpropagation network)神经网络的预测结果进行对比。结果表明,当校正集比例小于0.65时,模型预测结果略低于PLSR模型。但当校正集比例大于0.7时,卷积神经网络(convolution neural network,CNN)模型的预测精度优于其他模型,且随着训练样本比例的增加,模型的性能和稳定性也随之提升。研究表明CNN可以显著提高近红外预测木材气干密度的模型精度,实现基于近红外技术的木材密度有效预测。为木材气干密度无损检测提供了理论基础和科学依据。

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动(power quality disturbances, PQD)的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出一种基于卷积神经网络(convolutional neural network, CNN)与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。使用23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较。结果表明:该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。

基于卷积神经网络的多偏移干涉相位滤波方法

为提升干涉信号处理中相位滤波的效果,提出了一种基于卷积神经网络的多偏移干涉相位滤波方法。利用干涉相位噪声模型解释了相位偏移原理,并根据相位偏移原理构建多个卷积神经网络去噪器,利用其分别对不同偏移的干涉相位进行滤波,生成多个去噪相位。利用神经网络计算像素权值,对多个去噪结果进行融合,进而获得质量更好的相位滤波结果。仿真的数据和真实的数据试验表明,相较于传统方法,所提方法具有更好的细节保持能力,并且所得结果的均方根误差和留数点数量更低。

基于改良U-Net卷积神经网络的复杂地质构造智能识别

浅地层中的地质异常体给地下工程带来了极大安全隐患,可能导致经济和生命损失.浅层地震法是开展施工场地勘察的一种无损高效的手段.但是地震勘探在浅地层问题中面临着信噪比低、信号衰减强、波场复杂等问题,结果存在多解性和主观性.针对地震勘探问题,提出了一种改良的卷积神经网络地质速度模型预测模型,提供了一种无需初始速度模型的浅层地质模型反演方案,形成了一套完整的浅层地震勘探信号处理处理流程.在训练样本方面,采用了随机地质模型方法构建多种类地质模型,并形成了地质模型-地震信号数据库.在传统U-Net卷积神经网络上进行了改良,以更好地适应浅地层弹性波叠前信号数据的反演任务.结果表明,神经网络的反演结果直观准确该模型能够精确地预测出地层分界线、褶皱、起伏、断层滑移线等的位置和大小等参数,所采用的SSIM和PSNR两个定量化评价指标均表示,所提出的改良神经网络可以实现高精度反演.预测结果与真实模型相比较,得到的SSIM平均值为0.91,PSNR平均值为39.0.同时该神经网络模型能够向三维问题扩展,能够极大地提高地震信号处理的效率和解译精度.

基于空间域图像生成和混合卷积神经网络的配电网故障选线方法

传统的配电网故障选线方法大多基于一维零序电流序列构建故障诊断模型,单一的诊断模型往往限制了故障特征的深层挖掘。为了提高故障选线的准确率,提出一种基于空间域图像和混合卷积神经网络的配电网故障选线方法。首先,利用优化的降噪光滑模型对零序电流信号进行降噪处理,减少外界环境的电磁干扰。其次,利用对称希尔伯特变换将一维时域信号转成二维空间域图像,图像的颜色、形状和纹理特征能够充分反映当前系统的运行状态。最后,将一维时域信号和二维空间域图像同步作为混合卷积神经网络的输入,充分挖掘系统的故障特征,利用Sigmoid函数实现故障选线。在辐射状配电网、IEEE-13节点模型、IEEE-34节点、StarSim仿真平台上模型上进行了实验验证。实验结果表明,该选线方法可以有效克服传统方法过度依赖主观特征选择、抗噪性能差等问题,能够在高阻接地、采样时间不同步、两点接地故障等极端情况下可靠地筛选出故障线路。

基于卷积神经网络的人体穴位识别研究

目的:基于卷积神经网络技术对人体穴位进行识别研究。方法:针对人体穴位识别问题构建FasterRCNN模型,并基于该模型构建实用的微信小程序。结果:综合使用Early Stopping策略和Dropout技术可以有效地避免过拟合。在模型训练过程中,通过设置一个最大迭代次数和一个最小性能提升阈值来触发Early Stopping策略,以提前停止训练。同时,可以在神经网络的各个层中应用Dropout技术,以降低模型的复杂度并增强模型的泛化能力。经过不断的调参训练,穴位模型的测试集map最终达到了92%左右,经过30次的迭代损失函数也达到了收敛该模型充分发挥了卷积神经网络的优势,既保证了识别的准确性,又实现了实时性,经过实验验证具有较高的准确性和稳定性。结论:基于卷积神经网络技术构建的微信小程序,用户可以随时随地获取穴位信息,了解穴位知识,为民众提供便捷的健康服务。

基于卷积神经网络的医院建筑公共照明能耗预测研究

为提升医院建筑公共照明能耗预测准确性,研究一种基于卷积神经网络的医院建筑公共照明能耗预测方法。对历史公共照明能耗数据实施缺失数据填补、孤立值检测与处理,以此作为输出变量;通过计算灰色关联度选取医院建筑公共照明能耗影响因子,作为输入变量。基于卷积神经网络构建预测模型,以输入、输出变量为基础,完成模型训练,完成实际能耗的预测。结果表明:所研究预测方法的拟合优度值达到极大值,最高可达到0.92,说明该方法的预测结果更为准确,与真实情况更为贴近,具有一定应用价值。

二阶段孪生图卷积神经网络推荐算法

针对推荐系统中双塔型神经网络难以学习用户侧和商品侧交互信息以及图连接信息的问题,提出一种二阶段孪生卷积神经网络推荐算法(TSN)。首先,以用户行为构建异质图;然后,在双塔型神经网络之间设计图卷积孪生网络,从而在学习异质图连接信息的同时进行信息交互;最后,通过设计特殊结构的二阶段孪生信息共享机制,使得用户侧和商品侧的神经网络在训练过程中能够动态地、双向地传输信息,且有效避免神经网络串联。在基于MovieLens和豆瓣电影数据集的对比实验中,NDCG@10、NDCG@50、NDCG@100相较于最优基准算法DAT(Dual Augmented Two-tower model for online large-scale recommendation)提升了11.39%~23.98%。结果表明,所提算法能够缓解双塔型神经网络缺乏信息交互的问题,较对比算法推荐性能提升显著。

基于卷积神经网络的超分辨率失真控制图像重构研究

目的解决超分辨率图像重构模型中存在的功能单元之间关联性差,图像色度特征提取完整性不强、超分辨率重构失真控制和采样过程残差控制偏弱等问题。方法通过在卷积神经网络模型引入双激活函数,提高模型中各功能单元之间的兼容连接性;引用密集连接卷积神经网络构建超分辨率失真控制单元,分别实现对4个色度分量进行卷积补偿运算;将残差插值函数应用于上采样单元中,使用深度反投影网络规则实现超分辨率色度特征插值运算。结果设计的模型集联了内部多个卷积核,实现了超分辨率色度失真补偿,使用了统一的处理权值,确保了整个模型内部组成单元的有机融合。结论相关实验结果验证了本文图像重构模型具有良好可靠性、稳定性和高效性。

基于先验驱动深度神经网络的泊松去噪变分模型

泊松去噪是一个典型的病态逆问题,其变分模型需要反复迭代和调节参数且计算效率低下,而纯深度学习模型往往依据经验设计网络且可解释性差。针对以上问题,在泊松噪声去噪变分模型的交替方向乘子法展开的基础上,设计端到端深度卷积神经网络,结合泊松噪声分布统计量与Bayesian最大后验概率估计推导出改进的泊松去噪变分模型。为了求解泊松去噪能量函数极值问题,采用交替方向乘子法,引入辅助变量、拉格朗日乘子和惩罚参数,将该问题分解为高斯去噪和图像重建两类交替优化子问题,先采用先验驱动的深度卷积神经网络实现高斯去噪,再通过解析迭代求解完成图像重建。实验结果表明,与基于非线性主成分分析、VST+BM3D、I+VST+BM3D和TRDPD的泊松去噪模型相比,改进模型在Set12数据集上的峰值信噪比均值分别提高2.73、0.87、0.57和0.50 dB,结构相似性均值分别提高0.148、0.046、0.020和0.047,在彩色图像及正电子发射断层扫描与计算机断层扫描图像上也明显提升了泊松去噪效果。上述实验结果证明了改进模型不仅有效去除了泊松噪声,而且避免了泊松去噪过程中产生的伪影和散斑等问题。

基于深度卷积神经网络的汽车图像分类算法与加速研究

在非法占用公交车道违规车辆等领域的边缘计算与识别中,针对基于深度卷积神经网络的图像物体分类算法模型算力需求大与边缘设备部署后有限资源的突出矛盾,如何设计边缘计算设备的加速单元以保证分类算法的精度与实时性具有重要意义。针对上述问题,提出一种基于深度卷积神经网络的公交分类算法,该方法在现场可编程逻辑门阵列上实现了公交车图像分类算法的加速。通过基于迁移学习方法对ResNet50预训练模型进行微调,采用嵌入式端的推理加速实现对模型的推理,并对FPGA加速方案进行推理部署实现。结果表明,该算法具有硬件配置灵活、信息处理加速快的优点,这为实现神经网络在嵌入式平台的高效、高速应用提供了有效解决方案。

基于卷积神经网络的刨花定向角度自动测量方法构建

基于卷积神经网络YOLOv5和最小外接矩形算法,构建一种自动准确地采集铺装刨花定向角度的方法。结果表明,构建的YOLOv5模型识别刨花目标的准确率、召回率和F1值分别为0.992、0.897和0.94,能够有效识别层叠刨花。模型自动测量和人工测量的刨花定向角度具有强相关性(R2=0.99),且模型不存在算法缺陷,计算每张刨花铺装图像(像素640×640)用时仅134.7 ms。该刨花定向角度计算模型可以为工业领域优化OSB生产工艺以及提高产品性能提供技术支撑。

基于卷积神经网络的白酒上甑探汽方法

针对白酒“探汽上甑”工艺在实现自动化过程中出现的探汽准确率低的问题,提出一种基于卷积神经网络的探汽方法。通过红外热成像仪采集甑锅内酒醅表面的红外图像并做预处理,再结合上甑工艺特点将图像分类,利用卷积神经网络训练得到探汽模型。训练结果表明,AlexNet、VGGNet⁃16、GoogLeNet、ResNet⁃18、DenseNet⁃37的探汽准确率分别为0.9970、0.9980、0.9942、0.9898、0.9970,综合考虑选用DenseNet⁃37做模型评估,测试集测试的精确率为0.9970,召回率为0.9970,F1分数为0.9969,表示该模型性能表现好,故能满足探汽上甑要求。

深浅双路径卷积神经网络

受限于嵌入式设备和移动设备的内存和计算能力,深度卷积神经网络(CNN)的部署因较大的参数量和较慢的推理速度受到阻碍,因此轻量化网络研究越来越受到关注。基于ResNet-50构建一个带浅层和深层的双路径架构(SDDP),可以通过调整两个路径的通道维度比例实现模型的压缩。此外,还提出一个特征分离模块,基于通道注意力将特征图分为两组,一组进入深路径,另一组进入浅路径,精确的分组可以让特征提取更加高效。该网络架构在ImageNet数据集上超越了当前最好的剪枝方法和轻量化设计模型。