基于LSTM-ResNet模型的肺部肿瘤图像分割算法研究

肺癌是一种高发病率和高死亡率的恶性肿瘤,肺部CT图像的精准分割是肺癌患者病情诊断和治疗的有效途径。针对肺部肿瘤CT图像分割中存在肺肿瘤与周围组织对比度低、肺肿瘤边缘模糊和形状、大小及位置各不相同等问题,提出了一种基于LSTM和ResNet的组合模型LSTM-ResNet用于从肺部CT图像中准确地检测和分割肺肿瘤。实验结果表明本文方法能够精准分割出肺部CT图像中的肺肿瘤,满足临床诊断治疗和病理学分析研究的要求。

基于LSTM-ResNet模型的定点有效波高预测

基于北部湾单站位浮标采集数据,提出一种基于长短期记忆网络(LSTM)和残差网络(ResNet)相融合的网络模型,将研究结果运用到短时波高预测中,并将模型的数值预测结果与LSTM网络、反向传播(BP)网络和ResNet网络在短时波高预测中的数值计算结果进行对比分析。结果表明:该模型在短时波高预测中,预测结果偏差较小且实用性较高,能够在一定条件下提高有效波高短期预测数值的有效性。

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测,提出了一种基于深度学习的损伤检测方法,直接将多个通道的振动数据作为输入,并基于由长短时记忆网络LSTM(Long Short-Term Memory Networks)和残差卷积神经网络ResNe(t Residual Convolutional Neural Networks)组合而成的LSTM-ResNet网络进行损伤识别。其优点在于,首先利用LSTM提取信号的时间依赖特征,减轻了由某些通道信号缺失带来的影响,再利用ResNet在不损耗特征的情况下进一步提取空间特征,提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗,并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练,训练结果表明,LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能,损伤检测精度更高。

采煤机自适应截割轨迹预测方案与试验

针对采煤机截割控制系统存在一次截割不干净、与煤层上下边界干涉碰撞的问题,提出基于深度学习的采煤机自适应截割轨迹预测方案。在分析采煤机截割过程、轨迹预测原理的基础上,设计了具有时间、空间特性的采煤机自适应截割轨迹数据预测方案以及截割轨迹预测模型,并完成试验验证。结果表明,采煤机自适应截割轨迹预测方案能够实现对采煤机截割轨迹变化规律的预测,上截割滚筒轨迹预测均方根误差为0.022 m,下截割滚筒轨迹预测均方根误差为0.013 m,满足采煤机截割控制系统要求。

基于M-LSTM与Resnet并联网络的同轴线缆开路故障定位方法

为了同轴线缆的高效维护和修理,精确、有效地定位同轴线缆开路故障非常关键,提出一种基于M-LSTM与Resnet并联网络的开路故障定位方法 SROCFL。该方法利用HFSS软件建立单端带有激励信号源的同轴线缆开路故障模型,通过对故障模型仿真,获取了在阻抗不连续和有噪声情况下的电压幅值序列数据;提出矩阵式LSTM (M-LSTM),用于充分提取开路故障电压幅值序列的时域特征;再对电压幅值序列做希尔伯特-黄变换获得时频域分布谱图,引入Resnet,提取时频域分布谱图的局部时频域特征。该方法利用M-LSTM与Resnet并联网络捕获不同层次的特征信息,能增强局部时域特征,减少时频域变换带来的信息损失。相比于现有方法,实验结果表明,SROCFL方法在机载同轴线缆开路故障定位中表现出更好的性能。

基于流量分析的Web服务器数据篡改攻击检测方法研究

为了提升Web服务器对数据篡改攻击检测方法的性能,结合残差网络和长短期记忆网络,构建网络异常流量分析检测模型。实验数据显示,该模型的准确率和检测率分别为94.05%和84.12%,均优于其他3种传统机器学习模型。该模型构造的网络异常流量检测系统可实时检测进出口流量,攻击测试的准确率约为94.43%,检测率为93.89%,满足系统设计的需求。研究表明,结合机器学习和数据挖掘算法的流量分析方法是一种有效的检测手段,有助于提升Web服务器的安全性。

ResNet-LSTM并行网络转子故障迁移诊断方法

为提高小样本下的转子故障识别精度,提出了基于残差网络(ResNet)和长短期记忆网络(LSTM)的并行神经网络(RLPN)转子故障迁移诊断方法。首先,使用卷积层和池化层作为模型的前置特征提取器,提取信号的浅层特征;然后,利用ResNet模块提取转子信号的空间特征,利用LSTM模块提取转子信号的时间特征;最后将提取的时间和空间特征融合,对转子的不同工况开展迁移学习,以实现故障诊断。结果表明:该方法能够提升故障的分类性能,有效识别转子故障,诊断结果优于已有的智能故障迁移诊断方法。

基于FB-LSTM ResNet的滚动轴承故障诊断方法

提出一种基于FB-LSTM ResNet的滚动轴承故障诊断方法,并将故障诊断过程划分为3个部分。原始振动信号获取与处理模块利用振动信号窗平移方法完成重叠信号的分割,并利用Inception网络高效完成一维信号预处理;振动信号特征提取模块采用FB-LSTM ResNet网络,可以有效处理层深所引起的退化情况;故障诊断分类模块选用全局池化层代替全连接层,能够削减网络参量,从而有效规避过拟合情况。采用CWRU与QPZZ-II故障轴承样本集的试验结果表明,FB-LSTM ResNet方法在原始样本和加噪样本中均获得了最高的故障诊断准确率,并可在较少的迭代过程中达到较优的准确率与损失值,其效果优于单独的FB-LSTM,ResNet方法以及其他融合方法。

结合LSTM与ResNet的声学回声消除

针对传统的声学回声消除(AEC)方法在双端讲话场景下较难实现快速收敛和动态自适应的问题,提出了一种结合长短时记忆(LSTM)与残差神经网络(ResNet)的AEC方法。通过使用LSTM和ResNet相结合的特征提取方法,同时提取到声学回声的时序特征和不同级别的抽象特征,且充分利用近端语音、近端麦克风语音和声学回声之间的幅度谱相似性的特点,引入它们之间的谱归一化互相关系数,构造了一种改进的理想二值掩蔽(iIBM)作为训练目标,此外引入深度可分离卷积使模型参数量减少了3.42 MB。实验结果表明:双端通话环境下所提出的方法相比参考算法取得了更高的客观评价得分。

基于深度学习的挖掘机工作阶段的分类与识别

为实现对挖掘机作业循环各工作阶段的自动识别,采用以执行机构先导压力、主泵压力和功率为识别对象的智能识别方法.根据执行机构先导压力的变化划分工作阶段,并用主泵压力和功率验证.以各工作阶段起始特征波形作为其起始标志,以时间窗滑移方式提取起始特征并确定最佳时间窗宽度,采用深度学习的方法识别各标志.对比了深度学习中分类识别领域应用广泛的ResNet和LSTM的识别效果,发现LSTM的识别效果更好,对测试集的识别准确率最高可达到99.75%.采用LSTM对测试数据进行识别,识别正确率仅有82.54%,说明存在误识别.提出以挖掘机工作阶段的逻辑顺序和设定主泵功率阈值作为校正依据对误识别进行校正,识别正确率可提升至99.72%.结果表明,该方法识别准确率高,可有效识别作业循环各工作阶段.

一种基于LSTM和ResNet网络的情感极性分析方法

人们习惯在社交平台分享生活、发表看法、发泄情感,由于数据量大且易于获取,社交平台文本数据已被广泛用于网络用户情感极性分析。因此,文本情感分析方法也经常用来对网络舆情进行研判和预测。传统对文本情感极性分析的方法没有应用深度学习等成果技术,使得情感分类结果的准确性不高。提出一种ResNet残差网络改进的LSTM长短时间序列分析方法。实验结果表明,与支持向量机、朴素贝叶斯等传统分类器相比,基于改进的ResNet与LSTM的文本情感极性分类方法在分类精度上有一定提升;与LSTM、循环神经网络等深度学习方法相比,该方法在保证运行效率的前提下能获得更高的分类精度。所提方法能够用来对社交平台的文本情感进行情感极性分类和预测。

基于人工智能的台风强度突变判别技术的应用

台风强度突变的趋势判别问题一直是台风预报中的难点。人工智能由于通过机器对大量样本进行分析和学习,能够隐式提取图像中深层抽象的复杂特征,而越来越多地被应用到气象领域中。以人工智能领域的深度残差网络(deep residual network)Resnet模型和基于时空关联深度学习模型LSTM(long short-term memory)为技术基础,通过标注、学习2005—2018年西北太平洋及南海台风的卫星云图数据中的关键信息,引入了生命周期指示,提出了一种自动、客观的台风快速增强趋势判别技术,可以有效地解决台风强度快速增强RI(rapid intensification)趋势预测和判别问题。通过对2019—2021年全年的业务台风云图和2022年多个强度突变的台风个例进行检验分析,结果表明基于人工智能的台风快速增强趋势判别技术优于传统主观的强度预报方法,具有一定的业务应用价值。

基于ResNet-LSTM的声纹识别方法

针对传统声纹识别方法实现过程复杂、识别率低等问题,提出了一种基于ResNet-LSTM的声纹识别方法.首先采用ResNet残差网络提取声纹的空间特征,其次采用LSTM长短期记忆循环神经网络提取声纹的时序特征,通过ResNet与LSTM结合的特征提取方法获得了同时包含空间特征与时序特征的深度声纹特征.实验结果表明,采用ResNet-LSTM网络的声纹识别方法的等错误率降低至1.196%,较基线方法 d-vector以及VGGNet分别降低了3.68%与1.95%,识别准确率达到了98.8%.

基于ResNet-LSTM网络和注意力机制的综合能源系统多元负荷预测

综合能源系统中多种负荷之间可能存在复杂的、较强的相互耦合关系。相对于对各类负荷进行单一独立的预测,直接开展多元负荷预测能够进一步挖掘负荷之间的内在联系,提高预测准确度。该文提出一种基于ResNet-LSTM网络和注意力机制的多任务学习模型,用于拟合多能负荷之间的空间耦合关系和时间耦合关系。首先,采用多层ResNet作为多能负荷数据的特征提取单元,挖掘多能之间的空间耦合交互特征;然后,通过双向长短时记忆网络残差结构进一步挖掘多能负荷数据的时序特征;接着,使用注意力机制实现多任务对于共享特征不同程度的关注,体现不同子任务对共享特征的差异化选择,实现多元负荷的联合预测;最后,结合亚利桑那州立大学CampusMetabolism系统的多能负荷数据,与其他预测模型进行对比分析,结果表明所提出的多元负荷预测方法具有更高的预测精度。

基于ResNet和双向LSTM融合的物联网入侵检测分类模型构建与优化研究

为提高物联网入侵检测模型的综合性能,将残差神经网络(Residual Networks,ResNet)与双向长短时记忆(Long-Short Term Memory,LSTM)网络融合,构建物联网入侵检测分类模型.针对大规模物联网流量快速批量处理问题,在对原始数据进行清洗、转换等预处理基础上,提出将多条流量样本转换为灰度图,并利用基于ResNet和双向LSTM融合的深度学习方法构建物联网入侵检测分类模型.对分类模型的网络结构、可复用性进行综合优化实验,得到最终优化模型,分类准确率达到96.77%,综合优化后的模型构建时间为39.85 s.与其他机器学习算法结果相比,该优化方法在分类准确率和效率两个方面取得了很好的效果,综合性能优于传统的入侵检测分类模型.

一种特征融合的视频事故快速检测方法

交通事故快速检测对于提升交通事故应急管理水平具有重要的现实意义。目前主流的视频事故检测算法较难同时满足高精度和低算力的要求,一定程度上制约了该技术的工程应用。针对存在的问题,本文提出了一种新的基于特征融合的视频事故快速检测方法,以期在有限算力成本下同时获得较高的检测精度和较快的检测速度。模型将特征融合通过两个步骤实现:首先,提出了一种事故注意力模块,并将其嵌入至残差网络(ResNet50)中以从复杂交通场景中筛选事故相关的外观特征;之后,将该外观特征输入到卷积长短时间记忆网络(Conv-LSTM)中,实现外观特征的微调与运动特征的提取。训练后的模型在视频测试集上的精度达到88.89%,检测速度达到FPS>30。事故注意力模块的引入提高了模型的外观特征筛选能力,而Conv-LSTM相比一般LSTM模型在提取运动特征时可以更好地保留外观特征,相比传统基于运动特征的检测方法,该模型可以获得更高的精度。相比典型特征融合模型(如C3D),模型显著降低了计算复杂度,在检测速度上更快。研究结果表明,本文提出的事故检测模型可以在有限算力下较好地取得事故检测精度和速度的平衡,有望实现推广应用。

基于并联深度学习网络的雷达有源干扰智能识别方法

针对传统的雷达有源干扰识别方法存在特征参数对干扰样式敏感,识别准确率不高等问题,提出了一种基于深度学习的雷达有源干扰智能识别方法,设计了一种残差网络(ResNet)和长短时间记忆网络(LSTM)相并联的新型网络结构。该方法基于多维度信息联合处理,可提高干扰识别的稳健性。通过外场试验,对常规的6种雷达有源干扰样式进行识别性能验证,识别准确率达到94.80%,证明了该文的方法具有较好的工程应用前景。

基于驾驶员面部时序数据的疲劳驾驶检测算法

针对传统疲劳驾驶检测方法识别准确率低、泛化能力差的问题,提出了一种基于CNNs和LSTM的端到端可训练网络,检测驾驶员的疲劳状态。根据驾驶员面部特征点提取ROI,将在其他计算机视觉任务上表现较好的深度网络迁移到疲劳检测任务中,并结合LSTM处理时序数据的能力,提出一种新的疲劳检测网络,该网络能够读入视频流中的时序数据并检测出驾驶员的疲劳状态。实验证明所提方法和模型在公开数据集中具有较高的识别准确率,并且在不同的数据集间具有很好的泛化能力,对于减少路面车祸、保障人身安全具有很重要的意义。

基于Attention-ResNet-LSTM网络的中期负荷预测模型

提出一种基于Attention-ResNet-LSTM网络的中期负荷预测模型。将Attention机制引入LSTM模型,赋予不同的权重于特征向量,加入ResNet网络后算出负荷的预测值。以爱尔兰某地区的真实负荷为数据集进行仿真实验,负荷预测结果表明:相比于RNN、LSTM、Attention-LSTM模型,Attention-ResNet-LSTM模型的预测精度更高。

基于ResNet-LSTM的行人过街行为识别方法

为提高行人行为识别精度,通过基于光流处理的Resnet-LSTM网络模型对行人过街行为进行识别。在采用光流法对连续视频帧进行处理的基础上,基于ResNet神经网络提取有序光流数据信息的空间维度特征,并利用LSTM网络进行时序性分析,完成行人过街行为的分类识别。论文利用Weizmann数据集对该模型做有效性检验,结果表明,算法的行为识别率可达99.46%。