基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

基于PRPD图谱多特征融合的局部放电类型识别研究

局部放电(partial discharge, PD)信号的检测能够为电力系统提供绝缘缺陷诊断和运行状态评估。现有的局部放电类型识别算法难以有效识别相似度较高的绝缘缺陷,限制了其应用范围。为此,提出一种基于PRPD(phase resolved partial discharge)图谱多特征融合的局部放电类型识别算法。该算法利用卷积神经网络(convolutional neural network, CNN)提取局部放电PRPD图谱图像特征,将图像特征与PD信号统计特征进行有效融合,利用融合特征识别局部放电类型。在实验室环境下建立了4种局部放电模型,并进行了模拟对比实验。实验结果表明,相比传统的支持向量机(support vector machine, SVM)和反向传播神经网络(back propagation neural network, BPNN)算法,所提出方法的正确识别率分别提高了12.82%和19.70%,对相似度较高的缺陷类型也能进行有效识别,算法具有较好的鲁棒性。     

基于多源信息融合和ADCNN的离心鼓风机故障诊断

针对离心鼓风机故障识别过程中单一传感器信号故障信息有限,传统的卷积神经网络(CNN)在处理多源高维数据时特征提取能力不足的问题,提出一种基于多源信息融合和自适应深度卷积神经网络(ADCNN)的离心鼓风机故障诊断方法。首先,基于相关性方差贡献率法实现离心鼓风机多源同类信息的数据层融合,建立多源信息融合框架;然后,利用ADCNN自适应地提取各异类信息的特征并完成特征融合,建立融合多源信息的ADCNN故障诊断模型;最后,将此方法应用于离心鼓风机转子故障诊断上,并与传统的融合模式以及CNN、反向传播神经网络(BPNN)、支持向量机(SVM)方法进行对比,试验结果表明:提出的方法在诊断精度与鲁棒性上均优于其他方法。     

用于稳态视觉诱发电位目标识别的多尺度特征融合卷积神经网络方法

针对传统稳态视觉诱发电位(SSVEP)脑电信号目标识别方法分类精度低、提取特征不充分、方法复杂且耗时等问题,提出一种基于多尺度特征融合卷积神经网络的SSVEP信号分类识别方法(SSVEP-MF)。利用小波变换将多通道SSVEP信号整合转化为二维图像作为输入样本集;建立多尺度特征融合卷积神经网络模型(MFCNN),该模型利用三层二维卷积核实现图像样本不同尺度特征的充分提取,构建多尺度特征融合单元对不同层级特征进行融合,并通过全连接等操作完成模型的训练;将样本集输入到MFCNN模型中实现脑电信号特征自适应提取及端到端分类。所提SSVEP-MF方法能够充分提取信号各层级特征,实现短时间视觉刺激下SSVEP信号的有效识别,并具有较高的目标识别效率。实验结果表明,在1 s刺激时长时,相比传统功率谱密度分析方法、典型相关分析方法以及普通卷积结构方法,所提方法的识别准确率分别提升了18.57%、20.08%及7.03%,有效提高了基于稳态视觉诱发电位范式下脑机接口的信号识别性能。     

一种融合全局时空特征的CNNs动作识别方法

针对基于卷积神经网络(CNNs)的人体动作识别方法通常采用空域或时域局部特征的不足,提出一种融合人体动作全局时域和空间特征的双通道CNNs动作识别模型.空间通道对动作图像进行深度学习,采用多帧融合的方式提升准确率,全局时域通道对能量运动历史图(EMHI)进行深度学习,最后融合两个通道信息识别人体动作.利用现有的大型数据集进行预训练,以解决学习过程中训练样本不足问题.在UCF101数据集和该项目小样本数据集上进行实验,结果证明了该方法的有效性.     

基于膨胀卷积的多模态融合视线估计

基于表观的视线估计方法主要是在二维的三原色(red green blue,RGB)图像上进行,当头部在自由运动时视线估计精度较低,且目前基于卷积神经网络的表观视线估计都普遍使用池化来增大特征图中像素点的感受野,导致了特征图的信息损失,提出一种基于膨胀卷积神经网络的多模态融合视线估计模型.在该模型中,利用膨胀卷积设计了一种叫GENet(gaze estimation network)的网络提取眼睛的RGB和深度图像的特征图,并利用卷积神经网络的全连接层自动融合头部姿态和2种图像的特征图,从而进行视线估计.实验部分在公开数据集Eyediap上验证了设计的模型,并将设计的模型同其他视线估计模型进行比较.实验结果表明,提出的视线估计模型可以在自由的头部运动下准确地估计视线方向.     

基于多尺度3D卷积神经网络的行为识别方法

近年来卷积神经网络(convolutional neural network,CNN)在行为识别任务中取得了较大的进展.然而,现有的神经网络方法往往只注重高层语义信息的利用,对浅层特征信息挖掘利用不够.针对这一问题,提出一种基于3D卷积(convolution 3D,C3D)的多尺度3D卷积神经网络的行为识别方法.该方法受到特征金字塔结构的启发,在原C3D的基础上融合C3D的浅层特征信息,实现端到端的行为识别.同时该方法以现有的深度学习理论为基础,利用迁移学习的思想,将C3D和该方法中相同模块部分的参数迁移到本方法中,以降低模型的训练时间.通过在UCF101数据集上进行实验,实验结果表明,提出行为识别方法的分类精度达到84.56％,分类效果优于原C3D分类网络.     

基于小波变换和灰度-梯度共生矩阵的局部放电特征提取及识别

为了能够充分利用局部放电(Partial Discharge, PD)信号中包含的特征信息，提高变压器内部局部放电类型的识别率，文中提出了一种基于小波变换(Wavelet Transform)和灰度-梯度共生矩阵(Gray-GradientCo-occurrence Matrix,GGCM)算法的局部放电类型识别方法。结合变压器内部结构特点，设计四种局部放电缺陷类型，在实验室搭建变压器局部放电实验检测平台，通过脉冲电流法采集局部放电高频电流信号。运用小波变换对非平稳信号处理时的灵活性对局部放电信号脉冲构建时频谱图；然后结合GGCM算法提取时频谱图的15维纹理特征组成特征向量；将特征向量输入到支持向量机(Support Vector Machine,SVM)分类器进行模式识别。结果表明，小波变换和GGCM算法结合的识别方法能够有效地对不同局部放电缺陷类型进行识别。     

基于SVM信息融合方法的人脸表情识别

提出一种基于支持向量机(SVM)的信息融合方法进行人脸表情识别．该方法首先对 预处理后的人脸图像进行局部特征和整体特征的提取;然后用最小距离分类器、最近邻距离 分类器、最大相关分类器、径向基函数(RBF)神经网络分类器进行表情识别;最后构造一 个三阶的多项式支持向量机对多个分类器的输出进行决策融合以达到人脸表情识别的目的．     

GIS局部放电在线检测技术分析

简单介绍了GIS成套封闭式高压电器设备,并对其局部放电的产生和类型进行了简要叙述。详细分析了化学法、光学法、光机械振动法、电气测量法、超声波法、特高频（UHF）法这几种GIS局部放电在线检测方法。介绍了几种检测新技术及其实际应用情况。     

GIS超高频局部放电在线监测技术应用研究

超高频(UHF)局部放电检测技术是目前国际上对气体绝缘全封闭组合电器(GIS)类设备普遍采用的状态监测技术,具有灵敏度高、抗干扰性好等特点。本文介绍了一个基于超高频局放检测技术的GIS设备在线监测系统,其中运用UHF传感器捕捉GIS内部局部放电信号,经过在线监测系统对捕捉信号进行信号采集、检测、运算和分类,结合人工智能专家判别系统,来分析GIS设备状态与故障特征。实际现场应用结果表明了该系统的有效性。     

GIS体外UHF法检测局部放电的研究与应用

简单介绍了GIS几种局部放电常用的检测方法,具体介绍了GIS局部放电UHF检测法,分别对UHF检测法检测原理、干扰原理、定位原理进行了阐述,通过对局部放电的波形特征、相位特征和频率特征的综合分析列出了各种局部放电现象的特征经验总结表。最后给出了GIS局部放电UHF检测法的一个典型实例,应用此实例对GIS进行了局部放电现场测试并进行了测试分析。     

GIS局部放电超高频信号复小波的模式识别

为了对模拟气体绝缘组合电器(gas insulated switchgear,GIS)的4种绝缘缺陷产生超高频(ultra high frequency,UHF)局部放电(partial discharge,PD)数据和波形进行识别,用复小波变换对UHF PD信号进行分解,利用均值、方差、偏斜度、陡峭度、能量共5个统计参量对复小波变换的各尺度系数进行量化,构造出能够描述UHF PD信号特征的候选特征子集,引入衡量特征分类能力的分离度指标J作为特征量降维的评判指标,从60个特征量中选取了5个具有较高分类能力的最佳特征量,作为径向基神经网络识别放电类型的输入有效向量,识别结果表明:db系列复小波系数的实部和虚部信息共同描述了PD信号的特征,从中提取的最佳特征量具有较高的分类能力,其中db4复小波的分类效果最好。     

基于等角螺旋天线的GIS局部放电在线检测研究

对GIS局部放电的产生进行了分析,介绍了GIS局部放电的几种检测方法。着重论述了GIS特高频检测法和平面等角螺旋天线,探讨了如何使用特高频局部放电传感器进行现场测试。     

基于UHF技术的风电场油浸式主变压器局部放电监测与分析

为了避开风电场主变压器局部放电在线监测中存在的多种形式噪声干扰,引入了基于UHF技术的风电场油浸式变压器局部放电监测与分析方法,设计了UHF局部放电传感器及配套的硬件降频电路,仿真验证了传感器及降频电路的有效性,建立了风电场主变压器超高频局部放电监测与分析模型,研制了硬件构建方案及软件的功能框架,并利用现场实测信号对该方法进行验证.工业实践证明,UHF技术能达到避开风电场现场电磁干扰、可靠获取真实局部放电脉冲、有效诊断变压器内部故障的目的.     

气体绝缘组合电器局部放电的超高频检测

为了有效抑制气体绝缘组合电器GIS局部放电中出现的低频段干扰,在理论上分析了超高频检测GIS局部放电可行性的情况下,进一步研究了GIS局部放电超高频传感器、模拟无源滤波器以及相应的宽带和窄带检测方法.在实验室GIS模拟装置中,运用研制的内置圆环传感器检测系统进行超高频法检测.实验结果表明该检测系统可有效地避开空间的电晕及周期性脉冲干扰信号等低频段干扰.同时,窄带检测法能够避开超高频微波干扰信号,是一种有效的局部放电检测方法.     

基于特高频无线传感器和模式识别算法的局部放电定位法

对电力设备局部放电的检测与定位是保障电力系统安全稳定运行的重要手段之一。现有局部放电定位法主要是基于特高频传感器技术和时差法进行的,高的采样率和同步精度,使得其硬件成本巨大、实现困难,且容易受现场环境影响。提出了基于特高频无线传感器和模式识别算法的局部放电定位法,该方法硬件要求低,易于实现,且具有良好的环境适应性。首先通过现场测量,建立待检测区域局部放电信号强度与放电坐标的特征信息库。当有局部放电发生时,将此时传感器测量到的特征信息输入已建好的信息库中进行模式识别,从而得到定位结果。现场试验结果表明,提出的新型局部放电定位算法的平均定位误差为0.58 m,80.8%的定位误差小于1 m,从而验证了算法的有效性,具有较好的推广应用价值。     

外部传感器超高频GIS局部放电检测技术

针对GIS同轴结构中局部放电脉冲所激发电磁波的宽频带特征，设计出一种新型局部放电超高频检测非频变超宽带天线，用无限巴伦实现天线和传输线之间的阻抗匹配．由超宽带天线、宽带放大器、数字存储示波器和计算机组成外部传感器超高频局部放电检测系统，利用该系统对所建立的GIS固定微粒局部放电模型进行检测，并对局部放电源进行定位，实验结果表明，设计的天线满足GIS局部放电超高频检测要求，建立的系统可以方便地实现GIS局部放电检测和局部放电源的定位。