基于CNN网络算法的无线传感器通信干扰信号识别方法

通信干扰信号识别方法通常采用LSTM网络原理设计信号识别算法,这种方法无法深入提取无线传感器通信干扰信号数据之间的内部联系,导致识别率较低。基于此,文章引入CNN卷积神经网络算法原理,提出了一种全新的通信干扰信号识别方法。其针对不同类型的无线传感器通信干扰信号建立模型表达式,获取信号的动态变化,在此基础上,基于CNN网络原理,设计通信干扰信号识别算法,完成干扰信号测试样本的识别。通过实验分析可知,采用本文中提出的方法识别无线传感器通信干扰信号,在信噪比不断变化的情况下,干扰信号识别率较高,均在80%以上,优势显著。

基于应变信号时频分析与CNN网络的车辆荷载识别方法

针对现有神经网络车辆荷载识别方法的识别精度不足且训练样本采集困难的问题,提出了一种基于应变信号时频分析与CNN网络的车辆荷载识别方法,对移动车辆总重进行荷载识别.首先,利用连续小波时频变换方法处理桥梁跨中应变信号,得到应变信号的时频特征,并利用双线性插值算法将时频信号矩阵变为大小为64×64的数值矩阵,作为CNN网络的输入数据;其次,利用CNN网络的回归学习算法,在训练少量数值矩阵后直接建立应变响应与车辆荷载的映射关系,从而实现对未知车辆荷载的识别;最后,通过模拟试验发现虽然在不同路面粗糙度和噪声影响下,CNN网络的荷载识别结果会受到不同程度的影响,但在一定范围内的路面粗糙度和噪声影响下仍然能较精确地识别车辆荷载.

噪声环境中时延区间CNN网络鲁棒稳定性

由于采用大规模集成电路方法实现细胞神经网络(cellular neural networks,CNN),其电路所产生的噪声不可避免,实际的网络都是在噪声环境中进行工作的,弄清楚这些随机干扰是如何影响网络的稳定性,在网络设计时非常关键.利用鞅收敛定理、李雅普诺夫直接法和矩阵分析的方法,研究了白噪声干扰下时延区间细胞神经网络承受扰动的能力,得到了仅依赖系统参数的充分性代数判据.所得结果在系统设计时检验较为方便.

基于LK-3DCNN网络特征的高光谱遥感图像分类算法

传统的高光谱图像分类方法均采用手工提取特征的方式,其表达能力有限,不能满足分类任务的高精度需求。因此,提出一种基于LK-3D卷积神经网络(Convolutional Neural Network,CNN)特征的高光谱遥感图像分类算法。该算法结合空洞卷积和三维卷积神经网络的双分支融合结构,对遥感图像进行深度特征提取,有利于提升小样本高光谱遥感图像数据分类的性能。在公开的3组高光谱遥感图像数据集上,与主成分分析(Principal Components Analysis,PCA)+3DCNN、PCA+3D-2DCNN算法进行对比,实验结果表明所提出的双分支融合网络提升了高光谱遥感图像的分类精度,具有较好的鲁棒性。

基于CNN网络和多任务损失函数的实时叶片识别

针对传统叶片识别易受环境干扰,难以实现复杂背景下的多叶片实时识别问题,提出一种基于CNN网络和多任务损失函数的实时叶片识别方法。采用CNN网络提取叶片图像特征图,输入到RPN网络生成区域候选框;依据特征图和区域候选框,提取候选框特征图,分别进行叶片分类和边界框回归,预测叶片类别和叶片预测框的定位;利用多任务损失函数约束分类和回归,来提高叶片分类和回归的准确率和运算速度。实验结果表明,该方法的平均实时叶片识别准确率为91.8%,平均实时识别速度为25 fps。

改进的CNN网络在轴承故障诊断中的应用

轴承故障诊断一直是机械状态监测中的重点及难点之一。近年来,卷积神经网络(convolutional neural network,CNN)在机器状态监测中得到了广泛的应用,其中在轴承故障诊断领域中也具有很大突破。但由于CNN提取一维特征时由于自身网络特征而产生的一些缺点,导致传统CNN对故障轴承原始振动信号进行处理所得的模型准确率较低且泛化性较差。基于上述问题,改进了传统CNN中的卷积层,提出了改进的CNN网络,将原始轴承振动信号作为输入,提取了信号的深层特征,将该特征输入到分类器中进行轴承故障分类。同时利用内蒙古科技大学轴承振动信号数据集及西储大学轴承振动信号数据集对提出网络进行了有效性论证及泛化性论证,实验表明:相较于传统CNN网络,该网络更具有稳定性,且更具有泛化性。

多特征融合CNN网络的旋转机械故障诊断研究

为提高旋转机械故障诊断中故障分类的准确率,以及针对故障数据特征不充足而带来的泛化能力较差问题,提出一种多特征融合卷积神经网络(CNN)的旋转机械故障诊断方法。首先利用连续小波变换将一维原始信号转换成二维小波时频图,构建多特征融合CNN网络模型。其中,原始振动信号为1DCNN模型输入,小波时频图为2DCNN模型输入;然后根据上面两个维度的输入进行网络模型训练;最后将测试集中的数据输入到已经训练好的网络模型,对不同旋转机械故障进行分类。在凯斯西储大学的轴承数据集、机械故障预防技术(MFPT)的轴承数据集上进行实验验证,结果表明,该方法与其他同类方法相比具有更高的故障诊断准确率,达到了99.78%。

人体关键点检测的Mask R-CNN网络模型改进研究

由于在现有的人体关键点检测问题中,深度学习解决方案采用的掩膜区域卷积神经网络Mask R-CNN存在参数量大导致计算成本过高、迭代次数多导致训练时间过长等问题,提出了一种基于重组通道网络ShuffleNet改进Mask R-CNN网络模型。通过引入ShuffleNet的网络结构,使用分组逐点卷积与通道重排的操作与联合边框回归和掩膜分割的计算结果对Mask R-CNN进行轻量化改进。使用该方法改进网络模型在进行单人或多人情况下的人体关键点检测中,在保留精度的前提下,可以加快运行速度,减少检测时间。

区间CNN网络鲁棒稳定分析

研究了连接权矩阵为区间矩阵的细胞神经网络(CNN)的鲁棒稳定性,得到了该网络系统鲁棒稳定的若干充分判据.

基于CNN网络的跳频信号个体识别

针对传统跳频信号指纹特征提取只是利用深度学习进行分类的问题,利用CNN网络特征提取的特性,实现了一种基于CNN网络的对预处理后的跳频信号实现特征提取和分类网络模型。首先将收集的跳频信号进行短时傅里叶变换转换到跳频信号敏感的频域,将跳频信号频谱图作为CNN网络模型的输入,CNN网络通过多层卷积提取信号频域深层次特征,通过Batch Normalization、Callback函数的优化加快了网络的收敛速度,同时防止了过拟合现象,最终输出跳频信号的识别分类结果。对比实验结果表明,CNN网络的分类识别正确率较以往的方法更高,在信号信噪比越大的情况下,识别效果越好。

一种CNN网络卷积并行计算方法

卷积神经网络(CNN)在图像分类、自然语言处理中广泛应用。区别于其他神经网络模型的最主要特点是卷积神经网络中使用的卷积操作。提出一种将卷积运算拆分为向量运算的方法,使得卷积网络部署在嵌入式平台时可以利用DSP、ARM NEON等硬件加速器进行加速,其简单的取址方式增加了cache命中率,大大提升了卷积运算的效率。此外,该方法也可以作为ASIC设计专用的卷积神经网络加速器。

基于Transformer和CNN交错混合的肺结节分割网络

针对肺结节尺寸多样、形状异质化高等问题,提出基于Transformer和卷积神经网络(CNN)交错混合(IMTC)的肺结节分割网络,该网络是一个对称的层次连接网络,具有很强的多尺度特征提取能力。该网络通过集成2种方案分别解决肺结节多尺寸与形状异质化问题:(1)采用感知注意力模块(inception attention module,IAM),通过并联多个不同大小的卷积核来增加浅层网络的感受野组合,以此捕获更为丰富的浅层特征;(2)为获取更具表示能力的高级语义特征,利用由Transformer和CNN组成的基本骨干网络交错提取结节特征,使得全局特征与局部特征充分融合,从而提高结节特征表示的泛化能力和鲁棒性。实验结果表明:本文模型可以准确分割直径较小以及边缘复杂的肺结节,在LUNA16公开数据集上分割性能良好,Dice和IOU分别达到86.15%和76.10%。

CNN网络优化技术在建筑设计智能化中的应用

本文以建筑设计的智能优化为研究对象,构建完整的技术流程,提出一种新的深度学习优化方法。本文以卷积神经网络(Convolutional Neural Networks,CNN)深度网络为框架,优化建筑结构BIM设计结果承载的数据流,得到更理想的优化结果。在整个方法的设计过程中,从空间金字塔池化处理、路径聚合网络引入、基于YOLOv4的头设计、标签平滑处理和损失函数5个方面对CNN网络进行详细设计。试验结果表明,CNN深度网络不仅对BIM模型的优化精度高,而且使用优化后的模型指导施工可以大幅降低建筑成本。

一种GRU结合CNN的网络流量分类算法研究

循环神经网络(Recurrent Neural Network,RNN)结合卷积神经网络(Convolutional Neural Network,CNN)的混合算法在流量分类问题上的表现往往优于单一深度学习算法。文章基于CICIDS2017的原始流量数据,先进行预处理,再利用CNN模型学习数据流的空间特征,将数据流中所有数据包的CNN输出作为门控循环单元(Gated Recurrent Unit,GRU)的输入,学习网络流的时间特征,最后通过Softmax分类器获得分类结果。经过测试,在此数据集下,提出的双网络结合算法可以在更少的步数内达到数据流量分类的高准确率。

基于混合域残差注意力网络的滚动轴承智能故障诊断方法

机械设备正朝着大型化、精密化和自动化的方向发展,机械系统也因此变得越来越复杂。考虑到机械系统可能会发生无特征的灾难性故障,因此机械故障的自动检测是一个巨大的挑战。然而,现有的故障检测方法在对高度复杂的工业系统进行故障类型识别时,误诊率较高,无法给出准确的故障诊断结果。针对这一问题,本文以滚动轴承这一机械设备关键部件作为研究对象,提出一种基于混合域残差注意力网络的故障诊断方法,旨在结合深度卷积神经网络自动学习表示的优点,并配合通道注意力机制和空间注意力机制的关键特征提取能力,提高故障检测性能。实验结果表明,所提出的方法能够准确地检测轴承故障类型,在准确度指标方面优于其他方法。

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CNN的毫米波无蜂窝大规模MIMO信道估计

针对小区间干扰导致蜂窝边缘无法满足不断增长的数据速率需求问题,毫米波无蜂窝大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统被认为是一种很有前途的解决方案。然而,毫米波的高频率、大带宽以及接入点配置的大量天线给信道估计带来了较大挑战。将毫米波大规模MIMO信道矩阵视为二维图像,结合图像去噪方法提出一种基于改进去噪卷积神经网络(Improved-Denoising Convolutional Neural Network,I-DnCNN)的信道估计算法。通过具有注意力机制的压缩与激励(Squeeze-and-Excitation,SE)模块,自适应调整提取的全局特征以增强对信道噪声特征的学习,根据接收信号估计出噪声等级图且增添为输入,提升对噪声的鲁棒性。最后,采用残差学习的方式获得估计信道矩阵。利用理论信道模型和基于波束追踪的信道数据集进行的仿真实验结果表明,与去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)算法相比,所提算法在两个数据集下的信道估计精度可分别平均提升2.27 dB和2.60 dB。

基于注意力机制的CNN-BiLSTM的IGBT剩余使用寿命预测

针对绝缘栅双极型晶体管(IGBT)可靠性问题,提出了一种融合卷积神经网络(CNN)、双向长短期记忆(BiLSTM)网络和注意力机制的剩余使用寿命(RUL)预测模型,可用于IGBT的寿命预测。模型中使用CNN提取特征参数,BiLSTM提取时序信息,注意力机制加权处理特征参数。使用IGBT加速老化数据集对提出的模型进行验证。结果表明,对比自回归差分移动平均(ARIMA)、长短期记忆(LSTM)、多层LSTM(Multi-LSTM)、 BiLSTM预测模型,在均方根误差和决定系数等评价指标方面该模型的性能最优。验证了提出的寿命预测模型对IGBT失效预测是有效的。

基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法

针对人工检测磁瓦内部缺陷过程中需要成熟的经验知识,检测过程不稳定且效率较低等问题,设计一套智能化检测系统。受人工检测的启发,提出一种基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法。将时域信号转换为时-频域语谱图,利用卷积神经对语谱图提取特征并分类。为更精准地强调重要信息而抑制无关信息,将坐标注意力机制引入到卷积神经网络中。提出的基于卷积神经网络和模态转换的预测模型的准确率达到98.4%,证明提出的检测方法对于磁瓦内部缺陷检方法是有效的。实验结果表明,模态转换和坐标注意力机制能提升模型的性能。

卷积神经网络在结直肠息肉辅助诊断中的应用综述

结直肠癌是一种恶性肿瘤,主要发生在结肠和直肠的组织中,其早期发现和治疗具有重要意义。结直肠癌的早期检测和预防主要是对病人的肠道进行视觉检查,从而筛查结直肠息肉,但人工检查存在漏诊率高等弊端。基于卷积神经网络(CNN)的辅助诊断系统在结直肠息肉的诊断方面表现出最先进的性能,是目前计算机辅助诊断领域的研究热点。根据近几年发表的相关重要文献,对卷积神经网络在结直肠息肉辅助诊断中的应用进行系统综述。首先介绍了结直肠息肉诊断领域的常用数据集,其中包括图片和视频数据集;其次分别对CNN在结直肠息肉检测、分割以及分类中的应用进行系统阐述,对各算法的主要改进思路、优缺点以及性能进行深入分析,旨在为研究人员提供更系统的参考,并对深度学习模型的可解释性进行总结;最后对基于CNN的结直肠息肉辅助诊断的各类算法进行总结,并对未来的研究方向进行展望。