基于并行融合深度残差收缩网络的有源配电网故障诊断

针对含分布式电源的配电网故障呈现方式多样化以及故障诊断易受分布式电源类型、输出功率等非线性因素影响等问题,提出一种基于并行融合深度残差收缩网络(P-FDRSN)的故障诊断模型。首先,构建具有故障识别支路和故障定位支路的并行网络结构——P-FDRSN,在残差模块中引入收缩机制,减少网络中噪声或冗余信息的影响,提高网络对噪声的鲁棒性;其次,将故障录波信号波形幅值变化转换为灰度图和时频图,送入深度残差收缩网络进行深度特征提取并在汇聚层中将获取的特征进行融合,以增强故障录波信号的特征学习能力。仿真结果表明:在不同分布式电源类型和不同输出功率下,模型故障定位与识别精度均能保持在98.75%和97.25%以上,即使在噪声干扰的情况下,诊断准确率仍可保持在96.75%以上,模型具有较高的精度和较好的自适应性。

多分辨率特征协作的图像修复网络

深度生成方法最近通过采用由粗到细的策略在图像修复领域取得了相当大的进展,但子网络串行连接的多阶段修复方法由于结构定位不准确和瓶颈层的特征表达能力欠佳,造成图像结构不连续和细节模糊。针对上述问题,提出一种多分辨率特征协作的图像修复网络,以并行的多分辨率网络结构修复破损图像。对破损图像进行并行的多分辨率编码,学习到不同尺度的结构位置特征,利用迭代融合模块动态融合多尺度信息,为破损结构的恢复提供更准确的定位,从而生成结构连贯的图像。在瓶颈层使用门控多特征提取模块,结合注意力机制和卷积操作的优势,来捕获不同维度上的远距离依赖关系并提取在不同感受野下的特征,然后采用门控残差融合来调整多种特征的权重,增强瓶颈层的特征表达能力,从而更好地恢复出缺失区域的图像细节。在CelebA-hq数据集、FFHQ数据集和Paris StreetView数据集上进行的大量实验表明,该方法在峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)、结构相似性(Structural Similarity,SSIM)和Frechet Inception距离(Frechet Inception Distance,FID)指标上和视觉质量上相较于其他图像修复方法都有较大提升。

基于并联型神经网络的环境声音分类

针对传统单输入模型在环境声音分类中准确率不高的问题,提出一种基于时域特征和频域特征并联型特征融合神经网络。在该网络中,首先通过数据增强的方法来处理原始音频;其次处理后的原始音频数据和梅尔(Mel)频谱特征数据分别送入原始波形网络和Mel频谱网络,得到其时域和频谱特征后,进行特征融合;最后,将特征融合后的结果送入SoftMax分类器进行分类。本文在UrbanSound8K数据集上进行了实验验证,最终分类准确率高达96.03%,优于其他模型。

基于SimCSE框架融合预训练模型层级特征的文本匹配

SimCSE框架仅使用分类令牌[CLS]token作为文本向量,同时忽略基座模型内层级信息,导致对基座模型输出语义特征提取不充分.本文基于SimCSE框架提出一种融合预训练模型层级特征方法SimCSE-HFF(SimCSE with hierarchical feature fusion,SimCSE-HFF).SimCSE-HFF基于双路并行网络,使用短路径和长路径强化特征学习,短路径使用卷积神经网络学习文本局部特征并进行降维,长路径使用双向门控循环神经网络学习深度语义信息,同时在长路径中利用自编码器融合基座模型内部其他层特征,解决模型对输出特征提取不充分的问题.在STS-B的中文与英文数据集上,SimCSE-HFF方法效果在语义相似度Spearman和Pearson相关性指标上优于传统方法,在不同预训练模型上均得到提升;在下游任务检索问答上也优于SimCSE框架,具有更优秀的通用性.

基于多域信息融合的脑电情感识别研究

脑电信号识别方法较少将空间、时间和频率信息相融合,为了充分挖掘脑电信号包含的丰富信息,本文提出一种多域信息融合的脑电情感识别方法。该方法利用二维卷积神经网络和一维卷积神经网络相结合的并行卷积神经网络(PCNN)模型学习脑电信号的空间、时间和频率特征,来对人类情感状态进行分类。其中,2D-CNN用于挖掘相邻EEG通道间的空间和频率信息,1D-CNN用于挖掘EEG的时间和频率信息。最后,将两个并行卷积模块提取的信息融合进行情感识别。在数据集SEED上的情感三分类实验结果表明,融合空间、时间、频率特征的PCNN整体分类准确率达到了98.04%,与只提取空频信息的2D-CNN和提取时频信息的1D-CNN相比,准确率分别提高了1.97%和0.60%。并于最近的类似工作相比,本文提出的方法对于脑电情感分类具有一定的优越性。

基于多模型并行融合网络的恶意流量检测方法

针对单一串行深度学习检测模型提取流量特征时无法完整反映原始流量信息,且恶意流量识别精度低的问题,设计多模型并行融合网络,提出一种基于多模型并行融合网络的恶意流量检测方法。所提方法采用并行方式,融合一维卷积神经网络(1D-CNN)与双向长短期记忆(Bi-LSTM)网络进行特征提取和流量识别,各条支路均直接面向原始流量,同时提取流量的空间特征与时序特征,采用共同的全连接层进行特征融合,可更精准地反映原始流量信息并有效提高恶意流量的识别准确率。在开源NSL-KDD数据集上的实验结果表明,所提方法恶意流量检测的特征提取能力、鲁棒性以及在线学习能力等方面均表现了优越的性能。

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究

为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。

多任务并行卷积神经网络的电压暂降分类方法

针对电力系统中暂降事件引起的单相或多相电压在幅值和相位上的变化,提出了一种基于多任务学习的并行卷积神经网络的电压暂降分类方法.网络模型包括特征提取、特征融合和分类识别三个部分.首先针对三相电压之间的关联性,通过一维和二维卷积子网络分别捕获暂降信号在单相和三相电压上同一时刻的畸变特征.然后利用两个子网络的特征互补性将提取的特征进行融合,得到更具辨识力的特征信息.最后,采用多任务学习网络对电压暂降进行分类,同时辨别出其发生的相序、幅值和相位的变化.使用结果表明:所提方法能有效增强三相电压暂降信号的变化特征,实现电压暂降信号的精细化分类,显著提升现有暂降分类方法的准确率.

基于双通道残差密集网络的红外与可见光图像融合

为改善红外与可见光融合结果与源图像间的部分细节特征丢失问题,充分提取红外与可见光图像中的特征信息,提出了一种改进的双通道深度学习自编码网络进行红外与可见光图像融合。其中,双通道结构由密集连接和残差连接模块级联构成,并设置一种综合像素、结构相似度和梯度特征保留的损失函数,使该编码器结构可以充分提取红外与可见光图像的多层次特征,在融合层采用空间L1范数和注意力机制对级联双通道特征分别进行融合,最后设计对应的解码器对融合特征图像进行重构,获取最终的融合结果。通过与传统算法以及近年最新的深度学习算法进行实验对比,结果表明该方法在主观和客观上都具有优秀的综合性能。

基于双主干网络的雾天交通目标检测方法研究

车辆和行人安全监测是城市交通监测的一项重要任务。针对雾霾等复杂恶劣天气条件下,监测采集的图像视觉效果差、噪声高、目标检测困难等问题,提出了一种双主干网络(MobileNets VGG-DCBM Network,MVNet)用于雾天交通目标检测,结构受PCCN和CBNet网络结构的启发,由改进的深度可分离卷积神经网络MobileNets和基于VGGNet构建的VGG-DCBM网络组成;采用并行方式构建双主干目标检测网络结构,以改进的MobileNets为主主干网络,VGG-DCBM为辅助主干网络,共同提取特征信息,实现不同网络间特征层信息的融合;MVNet网络结构采用并行方式获取两个不同网络提取的不同特征层信息,通过采用通道拼接的方法实现不同网络特征信息之间的融合,以获得更丰富的细节特征;在RTTS和HazePerson数据集上,平均精度均值(mean Average Precision,mAP)分别达到71.50%和89.84%;实验结果表明:在雾霾等复杂恶劣天气条件下具有较强的鲁棒性且能够准确的检测到车辆和行人,在目标检测性能上优于对比方法。

基于数据融合并行特征提取的调峰电源设备状态评估方法

调峰电源设备状态评估有利于电力系统安全稳定运行。系统监测数据本质为一系列指标量的时间序列,评价系统状态时需综合考虑不同指标量间的耦合关系,且实时监测系统对模型的处理速度也有所要求。对此,提出了一种基于数据融合并行特征提取的调峰电源设备状态评估方法。并行提取时间序列统计特征,基于多重假设检验选择重要特征,再利用所设计的分层图卷积网络实现信息整合。试验表明,对比现有模型,该方法的识别准确率大幅提高,运行时间缩短,可迁移性提升。

基于深度学习的多声源并行化声纹辨别方法

随着大数据时代的到来,快速而有效地辨别声纹已经成为智能感知领域的重要需求,而传统神经网络和单拾音器系统的辨别精度不高,样本数据量大,其运算速度严重制约了系统的实时性.文中方法通过拾音阵列获取目标声源的位置和时频域信息,利用GPU并行构造掩蔽函数,实现信号数据级融合,强化目标语音特征,然后将多通道的MFCC(mel-frequency cepstral coefficient)声纹参数进行特征级融合,输入深度信念网络(deep belief network,DBN)进行训练和识别,同时使用CUDA(compute unified device architecture)平台对DBN的训练过程进行了并行优化.该方法能在多声源环境下全面地提取目标声纹,有效提高声纹辨别准确率,缩短数据训练耗时,保证了系统实时性.该方法为大数据环境下语音信号高性能处理提供了一种实现方式.

船联网信息融合关键技术研究

由于电子设备类型不同,基于物联网结构的数据传输与处理存在大量异构数据,船舶各电子设备之间﹑船与船之间的数据交互需要通过中间件进行数据融合及接口统一。基于船联网的信息融合需要提供一个完整的策略方法及框架来处理船联网中的异构系统数据。本文研究现有基于物联网结构的信息融合技术,针对船舶电子系统特征,提出一种高效特征信息融合算法,有效提高异构数据融合效率。

维数差异对模糊积分融合多FasART网络影响的研究

基于软决策的并行分布式融合系统能融合不同类型的特征,且最终决策结果与前期决策器输出的数值大小相关.当不同类型矢量的维数不等时,维数差异是否对最终融合决策有影响对设计融合算法和分类器的选择具有重要意义.本文分析了维数差异对模糊积分融合多FasART网络算法的影响原因,提出了解决办法,用遥感图像的光谱和纹理特征进行了融合实验,结果表明维数差异对该算法有影响.模糊积分融合多FasART网络是一种典型的基于软决策的并行分布式融合决策系统的算法,因此,基于上述融合系统的算法存在维数差异问题.

基于Fg-CarNet的车辆型号精细分类研究

车辆型号识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景.针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,采用车辆正脸图像为数据源,提出一种多分支多维度特征融合的卷积神经网络模型Fg-CarNet (Convolutional neural networks for car fine-grained classification, Fg-CarNet).该模型根据车正脸图像特征分布特点,将其分为上下两部分并行进行特征提取,并对网络中间层产生的特征进行两个维度的融合,以提取有区分度的特征,提高特征表达能力,通过使用小卷积核以及全局均值池化,使在网络分类准确度提高的同时降低了网络模型参数大小.在CompCars数据集上进行验证,实验结果表明, Fg-CarNet提取的车辆特征在保证网络模型参数最小的同时,车辆型号识别率达到最高,实现了最好的分类效果.

并行路网结构下的浮动车信息处理模型

受GPS定位精度的限制,浮动车在主辅路并行路网结构下进行地图匹配和路径推测存在困难,直接影响路况信息获取的准确性.在现有浮动车信息处理框架基础上,运用统计学方法提升地图匹配的精度,并将主辅路径同时作为车辆的行驶轨迹输出,有效降低了路径推测错误的可能性.最后,引入证据推理框架以解决路径选择策略调整所带来的信息不可信和信息冲突问题.对比实验表明,改进系统在主路和辅路上的路况准确性分别有14.26%和9.46%的提升.

融合并行网络特征的人脸表情识别算法

针对单一卷积神经网络对人脸表情特征提取不充分和参数量较大等问题,提出了一种融合并行网络特征的人脸表情识别算法。该算法首先对ResNet网络中的残差块进行修改,减少网络参数量同时使用预激活来减小错误率。之后将改进后的ResNet网络提取到的特征与剪层后的VGG网络提取到的特征进行融合,得到网络模型P-ResNet-VGG,其中损失函数使用交叉熵损失函数。该模型已在FER2013和JAFFE数据集上进行了大量实验。实验结果表明,该模型比其他几种模型在FER2013和JAFFE表情数据集上准确率都有所提高,具有更好的鲁棒性。

自动线机械手位置高速并联控制技术研究

为了提高自动线机械手的控制稳定性,需要进行机械手位置的高速并联调节控制。针对传统的反演控制算法存在输出误差大的问题,提出一种基于变结构比例-积分-微分(PID)模糊控制的自动线机械手位置高速并联控制算法。构建自动线机械手位置高速并联控制对象模型,进行控制约束参量分析,采用扩展卡尔曼滤波算法进行位置参数调节和融合处理,以提高参数的整定性,采用自适应的变结构模糊PID算法进行自动线机械手位置高速并联控制律设计,结合Lyapunov函数进行稳定性分析。实验结果表明,采用该算法进行自动线机械手控制稳定性较好,输出位置参数的误差较低,具有很好的控制稳健性。

基于并行卷积神经网络的人群密度估计方法

人群密度自动估计是智能视频分析的研究内容之一.目标之间相互遮挡、背景复杂等因素影响了人群密度估计的准确性.随着数据规模的不断扩大,深入学习已经成为数据处理中非常有用的工具.本文提出了一种并行卷积神经网络模型,对人群密度进行估计并分类.首先,将图片进行分块并将之作为并行卷积神经网络的输入;然后,基于不同区域采用不同的卷积核提取不同的特征,并进行特征融合;最后,将其进行分类,并得到分类结果.实验表明:该网络具有较好的学习及分类效果和较高的运算速度,对人群密度能够进行较为准确和快速的估计.

一种雷达组网融合实时处理系统设计与实现

雷达组网对于提高雷达系统目标探测及抗干扰能力具有重要的意义。设计并实现了一种基于ADSP TS201的组网雷达数据融合实时处理系统。主要阐述了双ADSP TS201并行处理系统的结构、算法量的估计与结果分析。系统可满足集中式组网融合和分布式组网融合的实时处理需求。该系统还具有灵活性和可扩展性,可满足组网雷达信号处理的多样性要求。