基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络(即深度卷积测量网络)代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。

基于神经网络的医学图像特征提取算法研究

全卷积神经网络(Fully Convolutional Networks,FCN)是一种具有深度结构的神经网络,它在复杂人工智能,尤其是图像识别以及自然语言处理问题中应用广泛.全卷积神经网络应用在医学领域,能为人类健康提供更可靠的数据,文章提出一种基于改进的Adam深度学习算法来完成人体重要器官肝脏影像资料的提取,通过几百张肝脏图片进行训练比对,帮助提高肝脏影像图像的异常部分定位及精准性.

SAR射频干扰区域⁃强度特征提取与联合评估网络

由于射频信号的广泛存在,合成孔径雷达(Synthetic Aperture Radar,SAR)在成像的过程中容易受到各类射频干扰(Radio Frequency Interference,RFI)的影响,这会导致获得的SAR图像质量下降,从而对后续的信息提取和目标识别等过程产生很大的影响。因此,衡量SAR图像受射频干扰的影响程度就尤为重要。然而,现有评估方法的鲁棒性通常较低,并且在评估时未考虑SAR图像受RFI影响的区域大小,因此本文提出了干扰区域⁃强度特征提取与联合评估网络。所提出的网络包含两个模块,干扰强度特征提取模块用于提取输入SAR图像中的干扰强度信息,干扰区域特征提取模块则侧重于干扰区域大小与边界信息的获取。由于SAR图像的尺寸一般比较大,因此本文在干扰强度特征提取模块中采用了多级残差和多层特征融合结构,用于加强模型的特征提取和复用能力;同时在干扰区域特征提取模块中侧重于保留最关键的区域边界特征。此外,本文还建立了SAR受RFI影响的图片数据集用于评估所提出网络的效果。对比实验的结果表明,本文所提出的网络评估结果优于其他现有方法,能够衡量SAR图像受RFI的影响程度,同时具有较高的准确性。

基于边中心网络特征提取的癫痫脑电分类研究

癫痫病是最常见的神经系统疾病之一,准确检测癫痫发作对治疗至关重要。为了提高对癫痫脑电信号的自动识别和诊断的准确性,本文设计一种以边为中心构建复杂网络的特征提取方法。该方法首先计算时间序列的Z-score并通过点积运算构造连边时间序列,然后计算Pearson相关系数构造连边矩阵,最后通过网络分析获取特征参数,并选取SVM、K-NN和LR这3种分类器进行对比分类研究。实验结果表明,基于边中心网络特征提取的分类方法取得了较好的效果。其中,LR对癫痫非发作期和发作期的分类效果最佳,准确率达到99.30%。研究结果表明,该方法可有效提取特征信息,为癫痫的临床预警提供新思路。

基于双分支特征提取和自适应胶囊网络的DGA域名检测方法

面向域名生成算法(domain generation algorithm,DGA)的域名检测方法普遍具有特征提取能力弱、特征信息压缩比高等特点,这导致特征信息丢失、特征结构破坏以及域名检测效果较差等诸多不足.针对上述问题,提出一种基于双分支特征提取和自适应胶囊网络的DGA域名检测方法.首先,通过样本清洗和字典构建重构原始样本并生成重构样本集;其次,通过双分支特征提取网络处理重构样本,在其中,利用切片金字塔网络提取域名局部特征,利用Transformer提取域名全局特征,并利用轻量级注意力融合不同层次的域名特征;然后,利用自适应胶囊网络计算域名特征图的重要度系数,将域名文本特征转换为向量域名特征,并通过特征转移计算基于文本特征的域名分类概率;同时,利用多层感知机处理域名统计特征,以此计算基于统计特征的域名分类概率;最后,通过合并得到的两种不同视角的域名分类概率进行域名检测.大量的实验表明,所提方法在DGA域名检测以及DGA域名家族检测分类方面均取得了当前领先的检测效果.在DGA域名检测中,F1分数提升了0.76%-5.57%;在DGA域名家族检测分类中,F1分数(宏平均)提升了1.79%-3.68%.

多尺度特征提取残差网络的超分辨率图像重建算法

为了改善超分辨率图像重建算法存在的图像低频信息提取不足、边缘轮廓模糊、风格信息丢失等问题,提出一种全新的多尺度特征提取残差网络,在生成器网络结构中叠加使用残差特征聚合模块与多尺度感受野模块;采取浅层特征与深层特征接替训练,辅助网络对低频、高频信息的提取与融合;新添风格损失函数以约束风格信息,确保图像纹理、色彩、亮度等风格信息的有效传递。在自然景物占多数且细节信息多样的BSD100数据集上,其4倍图像重建的峰值信噪比(peak signal to noise ratio, PSNR)达到31.81 dB、结构相似性(structural similarity, SSIM)达到0.87,相比原始的超分辨率生成对抗(super-resolution generative adversarial network, SRGAN)算法,PSNR提高了3.47 dB,SSIM提高了0.04。实验结果表明,所提算法能够深层次学习自然景物图像在纹理细节、色彩亮度等方面的特征信息,实现多层网络结构对特征信息的连续性记忆性学习、提取与传递,使得重建图像质量更高。

联合图像最优特征提取及改进RBF神经网络的苹果质量估计

目的:以阿克苏苹果为例,设计一种联合图像最优特征提取和改进RBF神经网络学习的苹果质量估计方法,以克服人工分级称重成本高、误差大的缺陷。方法:首先,建立苹果图像采集系统,得到苹果前景图像信息;其次,设计苹果图像特征集合最佳子集提取策略,将最佳子集提取过程转化为目标函数优化问题,并利用改进的离散蝗虫优化算法进行求解,从而得到最佳苹果图像特征子集;最后,构建基于RBF神经网络学习的苹果质量估计模型,将最佳特征子集作为网络输入,并采用蝗虫优化算法优化配置RBF神经网络超参数,从而实现对苹果质量的有效估计。结果:所提苹果质量估计方法精度更高,质量估计值平均相对误差率为1.23%。结论:该方法可以有效实现苹果质量预估,也能够推广应用到其他类似轴对称形状的水果质量估计。

基于多尺度特征提取-改进天鹰算法-长短时神经网络的有载分接开关故障诊断方法

为实现有载分接开关(on-load tap changer)在复合故障下的精准故障诊断,提出一种基于多尺度特征提取与改进天鹰算法(improved aquila optimizer,IAO)和长短时记忆神经网络(long short-term memory networks,LSTM)的变压器OLTC故障诊断方法。首先提取OLTC振动信号时域尺度、频域尺度和能量熵尺度特征组成特征向量;通过混合初始化策略和精英解保留策略对天鹰优化算法(aquila optimizer,AO)进行改进,以提高收敛性;利用改进天鹰算法对LSTM的隐含层节点数和学习率进行优化,得到最优LSTM模型;以单一故障和复合故障融合特征向量为输入,以故障状态作为输出,在最优网络模型中训练,完成后进行故障诊断。结果表明,文中所述方法平均准确率达97.2%,适用于OLTC的故障诊断。

基于关键区域特征提取与二阶段分类网络的场景识别方法

在场景识别任务中,存在异类场景包含高相似度的物品种类或同类场景空间布局差异过大的情况,即场景的类间相似性与类内差异性。现有方法通过增强数据集或利用多层次的信息互补提高分类器的判别能力,尽管性能得到了一定提升,但仍存在局限性。文中提出了关键区域特征提取(Discriminative Patch Extraction,DPE)以及二阶段分类(Two-Stage Classification,TSC)网络的方法来克服场景的类间相似性与类内差异性。关键区域提取通过保留图像中的关键信息区域来避免类内差异性对场景识别的影响,而二阶段分类网络则通过粗细两个阶段的训练来避免类间相似性对场景识别的影响。文中方法结合ViT(Vision Transformer)等基线网络,在经典场景识别数据集Scene15、MITindoor67和SUN397上的分类精度分别达到了96.9%、88.4%以及76.0%。所提方法在最大规模的场景识别数据集Places365上取得了60.5%的最高分类精度。

面向遥感图像变化检测的特征提取网络结构改进

遥感图像变化检测技术作为一项重要的应用型技术,在地表变化监测领域有着广泛的应用。针对目前多数特征提取网络无法兼顾空间信息与语义信息的问题,以残差网络为基础,提出一种用于遥感图像变化检测的特征提取结构——CDResNet。使用该结构对不同时间的遥感图像进行特征提取,可以平衡所提取特征图中的空间信息和语义信息,还可以更准确地识别和定位图像中的变化区域。两个公共数据集上的实验验证了所提方法的鲁棒性和精确性。

基于特征提取的网络异常数据流检测方法

随着网络逐渐成为我们生活的一部分,在网络安全中,网络异常数据流检测逐渐变为不可或缺的一部分。然而随着网络环境的日益复杂,传统的网络异常数据流检测方法在面对关系复杂、流量数据分布不均的场景时会存在着无法构造准确性高的分类模型而导致检测的适应能力和结果的有效性降低的问题。因此,为解决上述问题,本文提出基于特征提取的网络异常数据流检测方法。

基于改进特征提取算法及胶囊网络的设备故障诊断研究

机电设备工作过程中产生的信号多为非平稳信号,特征提取难度大,针对该问题,将经验模态分解(EMD)与自回归(AR)模型相结合,利用AR模型的优点降低EMD提取特征的难度,用AR模型的自回归参数及残差方差构建特征向量。针对传统粒子群算法寻优效率较低的问题,对粒子群算法的惯性权重因子、学习因子及粒子速度迭代公式进行改进,提高算法的寻优能力,并通过仿真分析验证了改进算法的优越性。结合改进特征提取方法、改进粒子群算法及胶囊网络建立故障诊断模型,通过煤矿通风机现场真实数据进行试验验证,结果表明基于改进特征提取算法及胶囊网络的设备故障诊断方法具有较高的准确率,可提高煤矿井下机电设备故障诊断效率。

基于二维特征提取方法与混合神经网络的接触式采集110 kV三相三绕组变压器无载调压异常放电声纹的识别方法

异常放电是电力变压器中一种潜在的危险故障,若未及时检测可能导致严重的安全事故。采用接触式拾音器收集变压器箱体内异常放电声纹信号,并提出了一种特征提取方法和一个深度神经网络结构,以实现对变压器异常放电的高效识别。首先,设计了一种结合梅尔频率提取和关键频率提取的二维声纹特征提取方法。其次,提出了一种基于卷积神经网络和Transformer网络的混合二维特征识别模型,能够在确保识别速度的同时准确辨识异常放电声纹信号。通过对110 kV三相三绕组变压器无载调压试验过程中采集的放电数据进行试验分析,所提方法相较于ResNet50识别速度增加约0.16秒/样本,同时识别效果提升了4.5%。

基于时间序列特征提取的网络传输信息云挖掘方法

为了适应大规模网络传输信息的处理与应用需求,设计基于时间序列特征提取的网络传输信息云挖掘方法。将时间序列分解模型架构至云计算平台的Spark集群上,通过并行处理方式,分解网络传输信息的时间序列。选取本体匹配方法重构分解结果的相空间,并在相空间内通过数据聚类提取网络传输信息时间序列的相似度特征并构建特征集。基于相似聚类算法,针对所构建的特征集,设置聚类优化目标函数,利用粒子群优化算法确定网络传输信息云挖掘的最优聚类中心点,从而输出云挖掘结果。实验结果表明,采用该方法挖掘网络传输数据的PBM最大值高于0.8,有效降低了云计算平台的剩余队列长度。

基于自适应特征提取网络的复杂环境下人脸识别

针对现有人脸识别算法在运动模糊、低光照等真实复杂环境下识别率低、鲁棒性较差,导致难以稳定应用在实际人脸识别任务的问题,提出一种基于自适应特征提取网络的复杂环境下人脸识别方法;该网络结合传统方法的特征提取技术和深度学习网络特征表示能力,实现了对不同复杂环境下人脸稳定识别;设计了一种自适应纹理特征提取算法,通过自动获取阈值来实现特征提取,提高网络计算效率;使用逆向传播算法改进深度信念网络,并引入共轭梯度算法解决网络的梯度消失问题,减少其收敛时间,提高算法鲁棒性;经实验验证,所提方法在标准LWF数据集和复杂环境CASIA、MS1M数据集中的准确率分别达到99.72、89.54及88.75%,参数量和网络计算量分别为2.84 M和0.67 G,均优于对比算法,能够满足复杂环境下人脸识别任务需求。

利用U-Net神经网络的多光谱图像草地特征提取

针对多光谱图像目标物特征提取中波段信息融合、计算数据量大、上下文语义信息易混淆等问题,提出了一种融合U-Net神经网络的特征分析方法进行多光谱图像草地识别。首先对图像进行预处理,通过几何校正、辐射校正和图像配准等消除各种不良干扰;然后利用主成分分析法和相关性分析法实现特征波段选择;最后搭建U-Net神经网络进行草地特征提取,辨识出样本图像中的草地范围。仿真实验表明,该方法具有较高的特征辨识和提取精度,具有一定的可行性。

HMM特征提取结合感知哈希匹配的网络时间隐蔽信道检测

针对传统网络隐蔽信道检测识别率低和鲁棒性差的问题,利用正常信道和隐蔽信道在网络流量时间序列特性的差异,提出一种隐马尔科夫链(HMM)和感知哈希匹配的网络隐蔽信道检测方法。实验表明:所提方法能准确检测隐蔽信道的网络流量,且整体区分水平在70%~85%之间;在信号噪声干扰下能够保持较高的识别率,具有较好的鲁棒性;所提方法在感知特征提取花费的时间要明显少于传统的频谱域感知特征提取,且复杂度低。

基于Python的网络流量特征提取和图形化编程

研究开发了一个应用Python语言的图形化编程系统,旨在实现网络流量数据的特征提取,进而深化对网络流量行为的理解与分析。系统能够高效识别网络流量数据包,并将关键特征存储至.csv格式文件中,为后续的机器学习与深度学习研究提供数据支撑。另外,系统的图形化界面对代码执行过程进行可视化处理,简化了复杂操作的理解与执行过程。

基于神经网络的激波抖振特征提取与始发预测

激波抖振是一种由激波-边界层干扰引起的激波自激振荡现象,可能导致结构疲劳破坏,甚至引发飞行安全问题。激波抖振始发边界的准确预测对于运输类飞机的设计具有重要的工程意义。本文建立了一个融入定常流场中特征的神经网络(CFNN)模型,实现了对激波抖振始发迎角的准确预测。以NACA0012翼型为研究对象,利用卷积神经网络(CNN)模型提取抖振发生前后定常流场中的特征。随后,将提取的低维特征作为全连接神经网络(FNN)模型的隐含层,用以预测激波抖振的始发迎角。在较高马赫数的泛化预测中,CFNN模型预测的激波抖振始发迎角的平均相对误差,相较未融入特征的全连接神经网络(NN)模型,减小了约70%以上。研究结果表明,从定常流场中提取的低维特征能够辅助预测非定常激波抖振问题的始发迎角,提升神经网络模型的性能。

基于卷积神经网络的无人机遥感测绘图像特征提取方法

在地质勘探学领域,无人机遥感技术已成为获取地表数据的重要手段,而卷积神经网络(CNN)因其出色的图像处理能力被广泛应用于图像特征提取。文中介绍了一种基于卷积神经网络的无人机遥感测绘图像特征提取方法,分析了CNN的基本概念与结构、无人机遥感图像的特征类型、网络结构设计、数据预处理、特征提取及特征融合过程,旨在提高地质勘探中无人机遥感图像分析的自动化和准确性。