基于太赫兹及含Inception块残差网络的北柴胡鉴别

为更准确鉴别藏柴胡、锥叶柴胡和北柴胡,本文首先对柴胡样本进行太赫兹光谱测定,然后用含Inception块的残差网络对光谱数据进行识别.本文方法将Inception块中的卷积核收缩成一维,通过一维Inception块堆叠及残差连接来构建残差网络的主干部分.主干部分后面依次是全局平均池化(Global Average Pooling,GAP)层、全连接(Full Connection,FC)层和Softmax层,其中,网络的主干部分用于对输入的太赫兹光谱数据进行多尺度特征提取,GAP层用于汇聚多尺度特征,FC层和Softmax层用于实现最后的分类.本文算法与9种传统模式识别算法进行了对比实验.结果表明,本文算法鉴别精度达88.99%,优于9种传统模式识别算法.本文算法为北柴胡的鉴别提供了新的解决方案.

基于Inception模块与改进GRU的混凝土坝变形预测模型

针对现有基于经典线性回归方法或浅层机器学习技术的混凝土坝变形预测模型在提取环境量因子复杂特征与学习变形-环境量长期依赖关系上的不足,提出了基于Inception模块与自注意力机制改进的门控循环单元(GRU)的混凝土坝变形预测模型。该模型综合运用了Inception模块的特征提取能力和GRU的长期依赖性学习能力,可从不同尺度提取大坝环境量监测序列的特征并进行大坝变形的长期预测,同时通过引入注意力机制,降低了学习多种环境因子特征时的模型过拟合风险。某特高混凝土双曲拱坝工程实例验证结果表明,该模型在典型监测点的预测性能都优于其他常用的浅层或深度学习模型,可用于混凝土坝变形预测。

神经网络搭载Inception模块的框架结构集成故障诊断

针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入Inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on Inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。

融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型

针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。

基于Inception-BiLSTM和迁移学习的结构损伤识别

针对传统卷积神经网络(convolutional neural network,CNN)方法在时空特征提取存在不足,提出了一种改进的Inception与双向长短期记忆(bi-directional long short-term memory,BiLSTM)联合模型,以全面学习振动信号中的空间和时序信息。首先,构建具有多尺度感受野的Inception模块,自适应地提取不同尺度下的空间特征;其次,BiLSTM序列化处理时间特征,以深度挖掘时间相关性;最后,通过全局平均池化和Softmax分类器来实现钢框架结构的损伤识别。为评估该模型对噪声的鲁棒性,引入高斯白噪声作为干扰。此外,采用迁移学习策略来评估模型在不同强度激励和小样本下的泛化能力,确保适用于不同的损伤识别任务。结果表明,与传统的CNN方法相比,该模型在无噪声条件下及信噪比超过25 dB时保持了100%的识别精度。该方法解决了土木工程应用中样本量不足和不同强度激励的实际挑战。通过微调预训练模型的参数,实现了在不同强度激励和小样本情况下的知识迁移与泛化,从而增强了模型的实际适用性。

基于Inception-BiLSTM的小样本刀具磨损状态识别研究

针对工业生产中故障数据不足难以准确进行故障诊断问题,以Inception模块为主体结构,结合双向长短时记忆网络(BiLSTM),提出了Inception-BiLSTM故障诊断方法,并用刀具磨损状态识别进行实验验证。首先,将振动信号通过连续小波变换(CWT)得到时频特征图,利用Inception网络对时频图进行特征提取;然后,使用全局平均池化(GAP)将特征向量降维;最后,使用BiLSTM提取数据信息,以识别刀具磨损状态。实验结果表明,在小样本条件下,该方法相较于对比方法对刀具磨损状态识别的准确率更高。

基于时空Inception残差注意力网络的脑电情绪识别

为了提高脑电情绪识别分类精度,最大限度利用脑电信号的空间和时间信息,提出一种Inception残差注意力卷积神经网络与双向长短期记忆(bi-directional long short-term memory, BiLSTM)网络相结合的新型架构时空Inception残差注意力网络。将脑电信号采集电极位置映射到二维矩阵中,采集信号作为通道,构成三维数据;将得到的三维数据输入到时空Inception残差注意力卷积网络之中,提取时空信息;将得到的特征输入到全连接层进行分类;将Inception结构引入脑电情绪识别领域,实现多尺度特征提取,并将电极映射到矩阵之中,保留电极位置信息,使用时空Inception残差注意力网络从时空两个维度获取脑电相关信息。实验表明,使用该模型对DEAP数据集进行情绪四分类可得到93.71%的准确度,相较于对比模型,识别精度提高了10%~20%。提出的模型在脑电信号情绪识别领域具有优良性能。

基于SMOTE和Inception-CNN的种植和组培金线莲鉴别

金线莲是一种珍贵中药材,其治疗、保健作用十分显著。金线莲培育方式主要有种植、组培等,不同培育方式的金线莲,在性状上仅表现出细微差异,但药用、市场价值差异显著,培育方式鉴别能有效保证药用疗效、维护良好市场秩序,然而由于不同品系、产地、培育时间等复合差异的影响,增加了培育方式鉴别难度与复杂度。提出一种基于改进1D-Inception-CNN模型的金线莲培育方式鉴别方法。采用近红外光谱仪采集种植、组培金线莲的光谱,首先使用合成少数类过采样技术(SMOTE)进行过采样以解决种植品、组培品样本比例不平衡问题,其次构建基于改进Inception结构的一维卷积神经网络对来自不同品系、产地、培育时间的金线莲进行种植品、组培品鉴别,最后采用贝叶斯优化方法对构建的卷积神经网络模型超参数进行优化;最终五折交叉验证平均鉴别准确率、精确率、召回率、综合评价指标高达97.95%、 96.16%、 100%、 98.02%。研究表明,实验提出的鉴别模型为快速鉴别金线莲种植品、组培品提供一种有效方法。

基于孪生Inception网络的燃烧器火焰状态监测

燃煤电厂炉膛火焰的实时监测关系到发电经济性和锅炉的安全运行,而基于光能、热能和辐射能等能量信号的传统火检技术仅能探测火焰的有无,已无法满足日益迫切的火力发电精细化“调峰”需求。本文以实际电厂燃烧器火焰图像为研究对象,应用基于改进的Inception深度卷积神经网络(deep convolutional neural network,DCNN)的火焰状态分类方法,通过深入分析燃烧器火焰图像特点,对火焰多维度特征进行提取并制作数据集,同时将预处理后的不同类别火焰图像制作成火焰图像数据集,构建Inception DCNN,实现自动特征提取的火焰状态分类,并提出基于孪生Inception DCNN对燃烧器火焰状态进行分类。结果表明,改进的孪生Inception DCNN网络模型将火焰的状态分类问题转化为评价状态相似度问题,间接实现分类目标,识别准确率达到99.86%。

基于Attention-Inception网络集成的雷达HRRP序列目标识别方法

传统的雷达高分辨距离像(High Resolution Range Profile,HRRP)序列识别方法依赖于人工提取特征,并且在使用现有的经典深度学习方法识别小数据集时存在梯度消失和过拟合问题,导致收敛速度慢,识别率低。针对上述问题,提出了一种基于注意力机制的集成Inception网络模型,通过集成Attention-Inception单分支网络,实现了HRRP序列更深层次特征的提取;通过对模型的损失函数加入L2正则化,缓解小数据集在集成网络中的过拟合问题;利用Inception Ⅰ和Inception Ⅱ结构提取HRRP序列多尺度特征,并引入注意力机制计算特征序列的分配权重;加入残差结构,减缓了集成网络梯度消失问题。在预处理后的HRRP序列上进行实验结果表明,所提方法的目标识别率达到93.3%,并且与未去除噪声的HRRP序列相比目标识别率提高了14.67%。

融合Inception与SE-Attention的加密流量移动业务识别

移动设备通常接入无线局域网,并依赖WiFi加密协议对网络中数据链路层流量进行加密,以维护通信安全。然而,现有加密流量识别方法主要针对网络层及以上的流量载荷进行分析,无法有效识别链路层加密流量的移动业务类别。针对该问题,提出了一种在WiFi加密场景下基于链路层流量的移动业务识别方法。通过被动嗅探WiFi数据帧,提取链路层中可用的流量侧信道特征,将流量数据转换为二维直方图矩阵。融合Inception网络和SE-Attention机制,提出识别模型——SE-Inception,旨在更好地捕捉到流量数据帧分布特征中的细节和全局信息,突出对重要特征的关注,以提高识别准确率。文中采用真实数据集进行实验验证,结果表明该方法在WiFi加密场景下可有效识别链路层加密流量的移动业务类别,平均准确率可达98.29%,相比于已有的识别方法具有更优的性能。

基于Inception网络结构的光伏板积灰状态识别方法

传统的光伏板积灰状态识别方法识别准确率低、速度慢,因此提出一种基于Inception网络结构的光伏板积灰状态识别模型。该模型以Inception模块作为主体模块,通过在模型初期添加Stem模块,加大Stem模块卷积核尺寸,从而减少输入数据的维度,增大模型初期的有效感受野,提高模型泛化能力。同时引入Swish-SE轻量级注意力机制,增强模型对不同特征的关注度,提高模型的识别准确率。实验结果表明,所提方法的目标识别率为97.05%,较经典卷积神经网络Inception-V3模型和MobileNet-V2模型分别提高1.64%、5.91%。研究提出的积灰状态识别方法具有参数量少、训练时间短、分类效果好的优势,可以满足光伏电站智能化运维的基本要求,具备较好的实用性。

一种改进的基于Inception-ResNet v2的眼疾病识别算法

该文旨在解决传统方法在眼疾病识别中分类准确率低的问题,提出了一种改进的眼疾病识别算法,基于Inception-ResNet v2架构,并引入SENet注意力机制、Ghost模块和空洞空间金字塔池化等技术。通过学习通道相关性和加强对重要特征的关注,显著提高了眼疾病分类的准确率,有效区分常见四种眼疾病数据集。为了进一步提高模型的泛化能力,还引入数据增强技术以减少过拟合。相比Efficient-Net、ResNet和Inception-ResNet等经典深度学习模型,该算法表现更优,为眼疾病早期诊断提供了更准确、高效的方法。

基于Inception V3-BiLSTM模型的滚动轴承故障诊断方法

针对传统深度学习模型对滚动轴承故障诊断效果不佳以及计算效率低等问题,提出了一种基于Inception V3模型和双向长短时记忆网络相结合的滚动轴承故障诊断方法(Inception V3-BiLSTM),加入自注意力机制并采用全局平均池化取代传统的全连接层,实现滚动轴承的智能、高效诊断。使用凯斯西储大学以及渥太华大学轴承数据集的试验结果表明:与传统深度学习方法相比,Inception V3-BiLSTM能够实现同负载下多故障类别和时变转速工况下单一及复合故障的智能诊断,且具有更高的诊断精度和更快的诊断速率。

改进Inception结构的图像分类方法

为解决图像分类中Inception结构复杂且在深度网络中存在参数冗余的问题,提出一种改进的Inception结构。该结构整合了传统Inception结构中繁杂的1×1卷积操作,通过引入深度卷积增加Inception结构的特征多样性,降低模型参数量,并结合残差结构防止梯度爆炸及梯度消失。同时引入注意力机制,获取关键特征权重信息,优化资源分配方式,并在此基础上设计了一个基于标准卷积与非对称卷积的轻量化网络模型。实验对象选择苹果叶病害数据集与CIFAR-10数据集,通过与经典卷积神经网络VGG16、Inception-V3与MobileNet进行比较后发现,改进Inception结构的轻量化模型具有参数量少、训练时间短、分类效果好的优势。同时,通过比较改进前后Inception结构在所提网络模型中的训练结果,证明了改进Inception结构较传统Inception结构分类性能更好。

基于改进Inception-v3网络的肺炎检测方法

在Inception-v3网络的基础上提出了一种有效的改进方法以提升X光胸片肺炎诊断的准确度.在原始Inception-v3网络结构中引入了残差连接以减轻网络加深带来的梯度消失问题.使用空间注意力与通道注意力机制提升模型的特征提取能力,同时通过通道混洗(Channel Shuffle)促进不同通道特征图之间的信息融合.最终改进模型的分类准确率为94.64%,较原始Inception-v3网络提升了4.33%,且对于新型冠状病毒感染具有更高的召回率,达到99.72%.实验结果表明,引入注意力机制的Inception-v3网络在四类肺炎检测分类任务(正常、普通病毒性肺炎、新型冠状病毒感染、其他肺部感染)中具有更高泛化能力与鲁棒性.

华夏造山系元古宙-早古生代洋板块地层分布与演化

本文按洋板块地层理论与方法,系统收集和梳理了华夏造山系元古宙-早古生代与洋壳生成扩张和俯冲消亡遗存的洋壳残块和洋盆建造(称之为洋板块地层)共96处,均有测年和岩石地球化学分析数据控制,主要包括洋脊、洋岛和洋内弧3类洋壳的火成岩建造,以及海山、远洋深海和海沟3类洋盆内的沉积建造。本文还对洋盆汇聚俯冲的直接产物-陆缘弧和叠加在裂离地块上的火山弧建造(非洋板块地层)系统收集梳理了85处,其中59处有测年和岩石地球化学分析数据控制,26处无测年与地球化学分析,但有实测剖面控制。笔者对上述181处中的39处进行了野外实地考察和相关样品采集与分析。在上述所获大量资料的基础上,本文主要以图解形式展示了华夏造山系元古宙-早古生代主要洋板块地层分布与构造演化历程。横向上将华夏造山系划分为江绍-郴州-钦防对接带(主要含陈蔡-龙游、神政桥-神山、鹰扬关和糯垌4个含蛇绿岩残块增生楔,以及绍兴-兰溪增生弧和钦防残余洋盆)、武夷-赣州多岛弧盆系(主要含罗霄弧、赣州弧间盆地、北武夷弧和南武夷弧以及南平-宁化构造混杂岩带)和东南沿海多岛弧盆系(主要含龙泉-政和-大埔、贵子-石窝2个含蛇绿岩残块增生楔,以及伴生的云开地块-弧、粤南弧-弧背盆地和东南沿海地块);纵向上据洋板块地层和相关火山弧时空分布,从老至新划分出华夏造山系(华南洋)的7个构造演化阶段:(1)约1800~1200 Ma,洋盆拉张形成期;(2)约1200~820 Ma,洋盆扩张与汇聚转换期;(3)约820~635 Ma洋盆汇聚俯冲、弧-弧和弧-陆增生峰期;(4)约635~541 Ma洋盆汇聚与扩张转换期;(5)约541~458 Ma洋盆扩张期;(6)约458~443 Ma洋盆汇聚俯冲、弧-陆增生峰期;(7)约443~420 Ma洋盆关闭与陆-陆碰撞、残留洋(海)期。

高含水复杂断块油藏单层系边外注水开发模式

复杂断块油藏在开发后期面临综合含水率高、地层能量不足、剩余油分布复杂、井网适应性差等问题。以济阳坳陷沾化凹陷中部垦71断块油藏为例,基于水驱油藏的油包水和水包油2种油水分布状态,利用理论模型推导和数值模拟方法,开展了单层系边外注水开发模式研究。结果表明:从采液端和注水端的受力分析可获得单层系开发的合理注水量、合理采液量和合理注采井距,单层系开发的合理注水压差、合理注水量、合理采液量是影响其剩余油饱和度、含水饱和度的关键因素,对油层合理地层压力水平及剩余油二次富集起主要控制作用。通过加大注采井距至油水边界外围,以2.9倍含油条带宽度为合理注采井距的临界值,采用短注长静置的非对称周期注采方式,建立单层系边外注水开发模式,有利于保持单层系的压力系统稳定和提高剩余油波及率,从而提高原油采收率。矿场实践表明,采用单层系边外注水开发模式后,垦71断块油藏日产油量提高至254 t/d,含水率控制在93.7%,采收率提高至31.53%,采油速率提高4.9%,显示出良好的增产效果。单层系边外注水开发模式解决了高含水复杂断块油藏开发中的剩余油分布分散、水驱波及率低和井网适应性差等难题,可为复杂断块油藏开发提供指导和借鉴。

露天爆破中炸药单耗对岩石破碎块度的数值模拟研究

露天爆破中岩石破碎块度是钻爆、铲装、运输及后续工艺等综合成本的主要衡量标准,炸药单耗是其主要影响因素,而炸药单耗对破碎块度的研究一般采用爆破模型试验,但其存在成本高、试验结果误差大等缺点.为了优化炸药单耗来降低爆堆的大块率、平均块度,并预测实际工程块度,在爆炸破岩理论基础上,运用基础力学测试设备对模型材料进行了单轴抗压、弹性模量、断裂韧度等测试,标定RHT本构模型参数,通过LS-DYNA数值仿真软件和粒子流算法(SPH)构建了三维露天台阶爆破数值仿真模型,首次对爆破破岩数值模拟结果实现块度精准统计,并对爆破破岩块度随炸药单耗的变化规律开展了系统研究.研究结果表明:炸药单耗在0.23~0.79 kg·m^(-3)范围内,岩块最大尺寸均小于240 mm,其变化区域分为240、220、140 mm三个最大块度相近区和240~220 mm、220~140 mm两个明显下降区;随单耗增加,均匀性指数n呈波浪式减小,分形维数D与n的变化趋势相反,平均块度尺寸呈现先快速下降后缓慢变化的趋势;炸药单耗的块度分布拟合曲线采用G–G–S函数拟合,相关系数均在0.91~0.97间,其变化规律验证了通过SPH法来模拟岩石爆破和岩石破碎块度统计方法的可行性和准确性.研究结果对爆破破碎块度分布规律的完善及块度控制工程具有一定的意义.

基于优化的Inception ResNet A模块与Gradient Boosting的人群计数方法

针对人群计数问题,基于优化Inception-ResNet-A模块,使用集成学习中的Gradient Boosting方法提出了一种可用于稀疏人群和密集人群的人群计数方法,并给出此方法实现的具体细节.通过在三个公开数据集和真实场景(含光照和视角变化)中进行测试,检验了该方法对于光照、人群密度、视角等变化的鲁棒性.实验结果表明,该方法对于以上变化具有较强的鲁棒性,并且相比于之前的人群计数方法在准确性和稳定性方面具有更好的性能.