基于小波变换和Inception网络的心跳分类

【目的】针对临床专业人士对心电图进行逐拍分析诊断时存在的耗时耗力问题,本文提出了一种基于预训练的Inception网络心电图自动识别方法。【方法】首先使用墨西哥小波变换将心电图从时域转换到时频域,提取心跳信号的时域和频域信息,然后利用Inception网络对心跳时频图进行自动诊断识别。训练中采用随机梯度下降算法对模型进行优化。【结果】为验证所提方法的有效性,在公开心律失常数据集中选取5种心跳数据进行测试。结果表明,本文算法在阳性预测值、召回率和准确率等指标都取得了很好的成绩,且在相同试验条件下,收敛更快,其准确度比预训练好的残差网络和视觉几何群网络的更高。【结论】采用墨西哥小波基函数能更好地表征单个心跳形状,而采用端到端的Inception模型能将不同宽度心跳信号特征矩阵按深度进行拼接,提取更丰富的特征。

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%。

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。

基于Inception网络的好奇号火星车地面标样LIBS光谱定量建模

传统的多变量分析方法是LIBS定量建模的主要手段,但光谱的输入维度较高,很多算法需要提前对光谱进行降维或特征谱线提取,导致部分信息丢失,影响准确率.针对该问题,本文引入以深度卷积神经网络Inception为基础的定量建模方法,算法设计时将原有常规的2D卷积网络改造为1D卷积网络以实现光谱信息的全谱输入和特征提取.该方法不仅不需要对原始光谱的降维操作,且其他的预处理如滤波等操作亦可以省略.经多次实验,训练次数为2 000次时具有较好的预测结果,同时并不会出现明显的过拟合现象.此时其平均决定系数(R2)为0.957 9,其均方根误差相比多元线性回归方法平均降低了61.69%,与深度学习方法 AlexNet对比也获得较好结果.

IncepA-EEGNet:融合Inception网络和注意力机制的P300信号检测方法

为了实现更高效的P300信号特征提取,提出融合Inception网络和注意力机制模块的卷积网络模型,即IncepA-EEGNet.该模型使用不同感受野的卷积层进行并行连接,增强网络提取和表达脑电信号的能力.引入注意力机制实现不同过滤器特征的权重分配,提取P300信号中的重要信息.模型在BCI CompetitionⅢ数据集Ⅱ的2个受试者数据上进行验证.与其他深度学习模型相比,IncepA-EEGNet的字符识别率在5个实验轮次后达到平均75.5%,在3个轮次后受试者B的信息传输速率达到33.44 bit/min.实验结果表明,IncepA-EEGNet有效提高了P300信号的识别精度,减少了重复试验的时间,改善了P300拼写器的实用性.

基于通道选择的多尺度Inception网络的脑电信号分类研究

基于运动想象脑电信号的脑机接口系统有可能在大脑和外部设备之间创建通信通道。然而,特征提取的局限性、通道选择的复杂性和被试者之间的可变性使得脑电信号分类模型难以有效泛化。在这项研究中,文中提出一种端到端的深度学习模型,该模型使用并行多尺度Inception卷积神经网络在6个通道选择区域中进行多分类运动想象任务。为了解决被试者间可变性,实验进行了跨被试和跨被试微调两种评估场景。在BCI竞赛IV 2a数据集上的实验和测试结果表明:ROI F达到了98.49%的最高分类精度,比最低准确率高17.26%;且跨被试微调场景分类性能优于被试内和跨被试场景,分类准确率分别提高了1.82%和1.69%。此外,并行多尺度Inception卷积神经网络模型的平均分类准确率比单尺度Inception CNN模型高5.17%。总之,文中提出一种基于通道选择的端到端的脑电信号分类框架,可以促进高性能和稳健的脑机接口系统的开发。

基于重构设计的Inception网络

卷积神经网络(CNN)中大量乘加操作带来了巨大的参数量和计算量,使其在硬件加速中面临严重的访存和功耗问题。提出在4×4处理元阵列上实现同时支持1×1、3×3、5×5卷积核的28×28和32×32图像的并行重构计算方案,减少Inception网络的片上资源占用量。对输入图像进行预处理,提出一种重叠窗口的数据组织方案,将外存加载的像素数减少了30%。实验结果表明,在123 MHz的工作频率下,经过预处理的硬件访存开销降至45%,卷积计算的数据复用率达到66.7%,运行功耗为6.395 W,每瓦功率为0.176,性能较FPGA版本有明显提升。

基于改进Inception网络的语音分类模型

针对传统音频分类模型提取音频特征的过程繁琐,以及现有神经网络模型存在过拟合、分类精度不高、梯度消失等问题,提出一种基于改进Inception网络的语音分类模型。首先,在模型中加入ResNet中的残差跳连思想以改进传统的InceptionV2模型,使网络模型在加深的同时避免梯度消失;其次,优化Inception模块中的卷积核大小,并利用不同尺寸卷积对原始语音的Log-Mel谱图进行深度特征提取,使模型通过自主学习的方式选择合适的卷积处理数据;同时,在深度与宽度两个维度改进模型以提高分类精度;最后,利用训练好的网络模型对语音数据进行分类预测,并通过Softmax函数得到分类结果。在清华大学汉语语音数据集THCHS-30与环境声音数据集UrbanSound8K数据集上的实验结果表明,改进的Inception网络模型在上述两个数据集上分类准确率分别为92.76%与93.34%。相较于VGG16、InceptionV2、GoogLeNet等模型,所提模型的分类准确率取得了最优,最多提高了27.30个百分点。所提模型具有更强的特征融合能力和更准确的分类结果,能够解决过拟合、梯度消失等问题。

基于自适应小波降噪和Inception网络的齿轮箱故障诊断

齿轮箱是传动系统中的重要部件,其故障率发生较高且难以直接识别故障情况。针对齿轮箱故障振动信号常含有大量噪声以及难以提取出准确、全面的故障特征的问题,提出一种基于自适应小波降噪和Inception网络的齿轮箱故障诊断方法。首先对采集的振动信号进行自适应小波降噪,然后将降噪后的信号输入Inception网络进行故障特征提取与分类。Inception模块具有多尺度抽象特征提取性能,能够从信号中提取全面的故障特征信息,包括齿轮箱微弱故障信号。研究表明该方法在信噪比SNR为-4 dB的环境下故障识别准确率仍达到92.65%,并且在-4 dB的环境下经过降噪处理的信号再输入Inception网络进行故障识别比直接将信号输入Inception网络进行故障识别准确率高6%。因此利用本研究提出的方法,对齿轮箱进行实时监测,及时发现安全隐患,对保证齿轮箱稳定运行防止财产损失具有重大意义。

基于改进Inception网络及LightGBM的弓网电弧识别方法

针对弓网电弧识别方法对数据识别的单一性问题,提出一种基于改进多尺度卷积网络(GInception)结合LightGBM的弓网电弧识别方法。运用完整集合经验模态分解(CEEMDAN)和小波软阈值相结合的方法对原始信号进行降噪重构,将重构信号进行广播机制(Broadcasting)处理,变成多维信号后输入到GInception网络中进行特征提取,再将GInception网络提取的特征导入到轻量级梯度提升机中进行识别。研究结果表明:该识别方法在5组工况下弓网电弧识别的准确率达到96.3%。研究结论可为电车弓网电弧识别提供参考。

基于改进Inception网络的复杂环境下小样本黄瓜叶片病害识别

为解决田间复杂环境下小样本黄瓜叶片病害识别中模型泛化能力差、识别准确率不高的问题,将自注意力机制模块引入激活重建生成对抗网络(activation reconstruction GAN,AR-GAN),采用Smooth L_(1)正则化作为损失函数,设计改进激活重建生成对抗网络IAR-GAN(improved AR-GAN)增广黄瓜叶片病害图像。通过在Inception网络基础上加入空洞卷积和形变卷积,设计空洞和形变卷积神经网络(dilated and deformable convolutional neural network,DDCNN)用于黄瓜叶片病害识别。试验结果显示,提出的IAR-GAN有效缓解了过拟合现象,丰富了生成样本的多样性;所提出的DDCNN对黄瓜炭疽病、斑靶病和霜霉病的平均识别准确率均达到96%以上,比Inception-V3模型提高了9个百分点。以上结果表明,本研究提出的数据增广方法和病害识别模型可为复杂环境下小样本的作物叶部病害的准确识别提供新思路。

基于3D Res-Inception网络结构的密集人群行为识别

针对密集人群行为识别,结合传统计算机视觉和深度学习,提出一种双路3D Res-Inception网络结构。在二维卷积神经网络基础上扩展时间维度,设计一种时空残差单元用于提取时空特征,以此为基本单元设计融合人群的外观和运动特征的双路3D Res-Inception结构,并采用镜像、裁剪的方式扩增香港中文大学人群视频数据集(CUHK crowd dataset)。实验结果表明:数据扩增的方法适用于密集人群视频识别;与基于群体变迁的人群描述子算法、卷积神经网络-长短期记忆网络(CNN-LSTM)、三维卷积网络(3D CNN)相比,提出的双路3D Res-Inception网络结构对密集人群行为识别的准确率显著提升,可达95.48%。

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。

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卷积神经网络的城市快速路行程速度短时预测

为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合Inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。

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Res-Inception的农作物病虫害识别技术

针对现有视觉识别技术对于农作物病虫害识别存在实际农业生产中识别效果不佳的问题,研究提出了一种结合ResNet和Inception 2种模型优点的新构架Res-Inception块。Res-Inception块中采取了ResNet中的残差结构使得模型可以有效应对深度过深造成的过拟合和模型退化的问题;Res-Inception块中的卷积层采用Inception模型中的并行联结策略,将传统的3×3卷积核由并行的1×3、3×1卷积核代替,在简化模型参数量的同时使得模型获得了更强的多尺度特征提取能力;最后通过迁移学习使模型拥有高效的学习能力。在训练过程中将公开数据集PlantVillage中的多种作物病虫害作为预训练样本,通过迁移学习后对PlantVillage中6种番茄病虫害图像进行识别,模型对于训练集中病虫害的检测准确率达到99.1%,验证集的检测准确率达到98.9%,平均F 1分数达到98.82%。通过与VGG-16、ResNet34、ResNet50等检测模型在PlantVillage数据集中的6种番茄病虫害识别测试中,本模型的检测准确率远高于这些模型;并且通过对比采用迁移学习前后的模型检测能力,验证了本研究提出的模型可以有效解决模型过拟合问题。本研究提出的Res-Inception块在有效解决了现有模型过拟合及模型退化问题的同时提高了模型的实际检测效果,该模块可为农业生产中病虫害识别模型的轻量化提供新思路,助力模型在实际农业生产中的应用。