基于深度学习网络的电气设备图像分类

为了对变电站中智能巡检系统采集到的海量图片进行快速分析和识别,提出一种深度学习和支持向量机(support vector machine, SVM)相结合的图像分类模型。首先,运用旋转、翻折等方法对采集到的原始数据进行扩充。然后,合并扩展图像集,并在相同类型的条件下将其随机划分为训练集和测试集。基于实际图像改进卷积神经网络(convolutional neural network, CNN),并提取训练集的图像特征。最后,通过使用训练集图片的深度特征来训练SVM分类器,并且在测试集图片上实现分类测试。利用巡检机器人采集到的8 000张图片对模型精度进行实验验证,结果表明,该模型具有较强的分类性能。     

第三代移动通信中的自适应调制和编码方法

在无线信道的多媒体传输中,采用自适应调制技术可以提高传输效率和网络吞吐量,而结合编码码率的自适应调整,能够更大程度地降低系统的中断概率;介绍了改进的自适应功率分配的算法,并在此基础上给出了自适应确定调制级数M和码率R的界限,以用于3G系统的自适应调制和编码,仿真结果表明,应用该自适应调制和编码技术,可降低系统的中断概率达2到3个数量级。     

基于偏差估计卷积神经网络恒星光谱数据自动分类

天体物理学科中恒星光谱具有极其重要的研究前景,中国自主研制的大科学天文巡天项目大天区多目标光纤光谱望远镜(large sky area multi-object fiber spectroscopy telescope,LAMOST)自启用以来,已经成为世界上空间光谱获取数据量最大的科学装置.目前,第6期数据(sixth data,DR6)已对全球的天文工作者开放.恒星光谱数据分类在研究天文观测数据分析领域中极为重要,为了同时兼顾快速的运行速度和准确的分类精度,基于偏差估计卷积神经网络方法(bias estimation convolu-tional neural network,BECNN),分析了DR5中F、G、K、M型恒星光谱.BECNN核心思想主要是利用偏差函数泰勒展开式的偏差参数代替柔性最大值传输函数的偏差参数,进而减小误差,提高准确度.将本文方法与现有的神经网络(neural network,NN)和卷积神经网络(convolutional neural network,CNN)算法进行对比,BECNN算法在F、G、K、M型恒星光谱自动分类准确率分别为93.177％、88.349％、93.807％、89.255％;CNN算法分别为91.646％、87.671％、92.701％、89.054％;NN算法分别为90.819％、87.417％、91.325％、88.092％.同时,将两两恒星光谱数据融合作为测试样本集,做进一步验证.结果表明:BECNN光谱自动分类准确率高于CNN和NN方法,在今后特殊天体索搜与恒星光谱精细分类研究中,本文方法有较好的借鉴价值.     

基于深度卷积神经网络与中心损失的人脸识别

传统人脸识别方法手工设计特征过程复杂、识别率较低,对于开集人脸识别通用深度学习分类模型特征判别能力较弱。针对这两方面的不足,提出了一种以分类损失与中心损失相结合作为模型训练监督信号的深度卷积神经网络。首先,利用构建的应用场景数据集优调从公共数据集获得初始化参数的深度人脸识别模型,解决训练数据过小和数据分布差异问题,同时提高模型训练速度;然后,以传统损失函数和新的中心损失作为迁移学习过程中的监督信号,使得类内聚合、类间分散,提高模型输出人脸特征的判别能力;最后,对人脸特征进行主成分分析,进一步去除冗余特征,降低特征复杂度,提高人脸识别准确率。实验结果表明,与传统人脸识别算法相比该算法可以自动进行特征提取,并且相对于通用深度学习分类模型该算法通过度量学习使特征表示更具判别力。在自建测试集和LFW、YouTube Faces标准测试集上都取得了较高的识别率。     

差分跳频系统编码器与频率转移函数的匹配设计

将编码的差分跳频系统等效为串行级联码,充分利用频率转移函数所产生的网格关联信息,采用软输入软输出算法,进行类Turbo串行迭代译码,能有效改善系统的误比特性能.因此,如何实现差分跳频系统串行级联结构的外编码器和频率转移函数(G函数)的匹配设计是值得深入研究的问题.基于互信息的外信息转移图(EXIT)能有效预测迭代译码的收敛特性,并根据EXIT选择适当的内、外码进行级联.采用基于互信息的EXIT图分析差分跳频串行级联结构中外编码器和G函数的外信息转移过程,提出了一种采用EXIT图选择G函数及外编码器的方法.通过对该方法的理论分析和性能仿真,结果表明,在一定的输入先验信息量条件下,信噪比越高,G函数输出互信息量越大;在给定信噪比条件下,不同G函数对应的输出互信息量随输入先验信息量增长速度不同,能有效实现对性能较好的G函数的选择;对于给定G函数,在不同外编码方式下,通过EXIT图能得到迭代译码收敛的门限值;能反应出不同编码方式下的收敛特性的好坏,从而实现外编码器和G函数的匹配设计.     

串行级联码在浅海水声通信中的性能研究

基于π/4-QPSK调制解调方式讨论串行级联码在浅海水声信道中的实现方案,建立了浅海水声信道模型,并在此基础上针对多径干扰和多普勒频移进行了仿真。仿真表明,串行级联码能有效地减小密集突发错误,保证通信的可靠性。串行级联码的性能明显大于单独的RS码或卷积码,在不考虑译码复杂度的情况下,误码率低于Turbo码和LDPC码。     

基于一维CNN参数优化的压缩振动信号故障诊断

针对一维卷积神经网络(convolutional neural network, CNN)参数多的特点,提出一种正交试验和粒子群优化算法相结合的参数优化方法,并将其应用于压缩振动信号故障诊断。压缩感知理论突破了奈奎斯特采样定理的限制,为大量振动信号的采集与传输提供一种有效途径。首先利用CNN“端-端”特性,建立了基于压缩信号的CNN故障诊断模型。利用正交试验进行参数范围的粗略评价,选择出最优方案。对最优方案中每个参数,利用多目标粒子群优化算法进行细化,得出精确的参数最优取值。选择齿轮箱实测信号和西储大学轴承信号作为研究对象。实验结果表明,经过优化后非劣粒子的输出特征分类明显, CNN诊断率有明显提高,也证明了对压缩信号直接进行故障诊断的可行性。     

基于超密集特征金字塔网络的SAR图像舰船检测

针对星载合成孔径雷达(synthetic aperture radar, SAR)图像舰船目标检测困难的问题,提出了一种基于超密集特征金字塔网络的检测算法。首先,利用残差神经网络提取原始图像特征,构建特征图。其次,跨尺度连接多个特征层获取超密集特征金字塔,建立多尺度的高层语义特征映射,增强特征传播和重用。然后,再利用区域建议网络提取每层金字塔的候选区域输入检测网络。最后,通过融合候选区域及其周边上下文信息,将检测网络注意力集中至海域以抑制虚警,并为分类器计算置信度和边框回归提供补充信息。多组仿真实验证明,所提网络框架设定合理且检测性能优越。     

基于卷积神经网络的磁瓦缺陷检测研究

针对磁瓦缺陷种类多样性及无法准确描述其缺陷的问题,提出一种基于卷积神经网络的缺陷检测方法。构建缺陷类型的数据集,并对数据集中的图像进行预处理;设置卷积神经网络模型参数,训练缺陷分类器;通过训练结果完成对缺陷图像的识别并标注缺陷类型。实验结果表明,该方法检测的准确性和实时性均优于传统检测方法,具有非常好的鲁棒性,为工业生产的实际应用提供了可靠的依据。     

基于FPGA的卷积神经网络加速系统

以在现场可编程门阵列(FPGA)上部署卷积神经网络为背景,提出了卷积神经网络在硬件上进行并行加速的方案.主要是通过分析卷积神经网络的结构特点,对数据的存储、读取、搬移以流水式的方式进行,对卷积神经网络中的每一层内的卷积运算单元进行展开,加速乘加操作. 基于FPGA特有的并行化结构和流水线的处理方式可以很好地提升运算效率,从对ciafr-10数据集的物体分类结果看,在不损失正确率的前提下,当时钟工作在800 MHz时,相较于中端的Intel处理器,可实现4倍左右的加速.卷积神经网络通过循环展开并行处理以及多级流水线的处理方式,可以加速卷积神经网络的前向传播,适合于实际工程任务中的需要.