基于经典卷积神经网络的智能煤矸识别

为了准确快速地识别原煤中的煤和矸石,基于机器视觉的方式,采取经典卷积神经网络模型对煤和矸石图像进行识别分类;利用在以实验室环境下采集的小批量煤和矸石图像数据,运用数据增强技术扩充数据集,在深度学习框架中搭建各种经典卷积神经网络模型,对采集的数据集进行训练、验证和测试,获得各经典网络的训练准确率和损失函数曲线,并结合训练...     

基于MSB和CNN的弧齿锥齿轮损伤故障识别

针对弧齿锥齿轮损伤程度识别率低的问题,提出一种基于调制信号双谱和卷积神经网络的弧齿锥齿轮损伤程度识别方法.采集弧齿锥齿轮在正常、轻度损伤及中度损伤3种状态下的振动加速度信号,分别计算其调制信号双谱特征图,构建卷积神经网络,并将调制信号双谱特征图作为输入样本训练卷积神经网络.试验结果表明:本文方法可以有效地提高弧齿锥齿轮损伤程度的识别率,平均识别准确率达99.91%.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

基于ECG信号和体动信号的睡眠分期方法研究

为了研究整夜睡眠状况和睡眠过程, 利用多导睡眠仪(polysomnography, PSG)和体动记录仪, 分别记录被试的ECG信号和体动信号, 再对 ECG信号提取心率变异性(heart rate variability, HRV)的特征值, 并将其作为实验数据的特征参数。为了提高识别率和防止过度拟合, 将实验数据分为训练集和测试集, 设计一个用遗传算法改进的BP神经网络模型, 对样本进行训练和预测。研究结果表明, 改进的BP神经网络能有效地识别测试样本, 综合识别准确率为86.29%。将检测ECG信号和体动信号的穿戴式设备与睡眠分期识别算法相结合, 能够用于家庭睡眠监测, 也可作为睡眠疾病的初筛方法。     

基于轻量级CNN的电机轴承故障诊断研究

针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法.首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练.使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99％.通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力.     

基于CWT-CNN的滚动轴承故障诊断

针对滚动轴承传统故障诊断方法训练收敛速度慢、识别准确率不高、抗噪性能差等问题,提出CWT-CNN的轴承故障诊断模型。通过对滚动轴承振动数据经连续小波变换生成的时频图进行三次垂直方向随机裁剪的方法扩充数据集,之后将其导入到搭建的加入了批量归一化和随机失活的卷积神经网络中进行模型训练,再由训练好的模型实现轴承故障分类。为了测试模型性能,使用凯斯西储大学轴承数据集进行检测,经过实验结果表明：基于提出的方法构建的数据集相比于常规方法,在搭建的卷积神经网络训练中收敛速度更快,训练出的模型性能也更加稳定,最终最高测试准确率为99.75%,常规方法构建的数据集准确率为99.67%,证明了构建数据集方法的可行性;在原始数据中加入信噪比为6dB高斯白噪声后,通过常规方法构建的数据集测试的最高准确率仍达到了98.67%,展现了基于CWT-CNN的轴承故障诊断模型较强的抗噪能力,证明了所提方法的有效性和可行性。     

基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

基于深度卷积神经网络的三维模型识别

为了进一步提高三维模型的识别精度,提出了一种基于深度卷积神经网络的三维模型识别方法。将点云数据通过占用网格规范化计算转化为二值3D体素矩阵,通过附加正则化项的随机梯度下降算法提取体素矩阵的特征,再通过共享权重的旋转增强对训练集进行数据增广并以此对模型标签进行预测。实验结果表明,该算法在公开数据集ModelNet40及悉尼城市模型数据集上的识别精度均达到85%左右。与基于同类机器学习的三维模型识别算法相比,在相同训练数据集上该方法网络训练时间短,在相同测试数据集上模型识别准确率高,检索速度快。提出的体素占用网格模型的深度卷积神经网络,可以实现三维点云模型数据集及规范化体素模型数据集的识别和分类工作。     

基于改进LeNet-5模型的手写体中文识别

手写体中文的自动识别是中文文档数字化的前提和基础,由于中文字符数目繁多、相似性强、字体种类繁多、书写随意、缺乏统一规范等原因,一直是计算机视觉领域中一个具有挑战性的问题.为解决这一难题,提出了一种基于卷积神经网络的手写体中文识别方法.在经典LeNet-5网络模型的基础上进行改进,提出了一种LeNet-Ⅱ模型.利用改进的Inception模块和空洞卷积,设计了一种并行的双路卷积神经网络结构;两路分支可分别提取手写中文图像中不同尺度的特征,获得多个尺度的特征图像;通过对其进行特征融合,可以达到丰富特征图像多样性、提升识别准确率的目的;最后经过全连接层进行分类.利用经典手写体中文数据集进行训练,利用该模型实现了3 755类手写体中文字符及相关文本的自动识别.实验结果表明,基于改进LeNet-5模型的手写体中文识别方法,在同一训练数据集上的收敛速度和识别准确率明显优于经典LeNet-5模型,对经典数据集的识别准确率可以达到95.21%,也高于其他传统算法;此外,对4幅手写体中文文本的平均识别准确率达到97.30%,超出了人类表现,取得了理想的实际效果.     

塔南凹陷复杂岩性低渗透储层测井岩性识别

岩性识别是复杂岩性低渗透油藏高效开发中的关键地质难题,以塔南凹陷白垩系为例,探索了复杂岩性地层
的测井岩性识别方法。研究区白垩系正常陆源碎屑和火山碎屑物质同时沉积,铜钵庙组发育凝灰质砂砾岩、凝灰质砂
岩、沉凝灰岩、凝灰岩、砂岩、砾岩和泥岩7 种岩性类型,岩性复杂,储层物性差,岩性与电性对比度低。在不同岩性地
层测井响应特征研究的基础上,选择4 种测井曲线进行岩性综合解释,采用Fisher 判别方法达到减小同类岩性地层测
井响应差异,并增大不同岩性测井响应差异的目的,建立了研究区7 类岩性的判别函数,实现了非取芯井的测井岩性
识别,识别正确率达到98.1%,解决了复杂岩性低渗透储层中的测井岩性识别难题,为油藏开发提供了技术支持。     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.     

一种基于卷积神经网络的下肢动作模式识别方法

针对目前下肢动作模式识别技术存在的数据量少、识别率低的问题,提出了一种新的基于卷积神经网络的下肢动作模式识别方法。以下肢步态动作识别为对象,采集无负重平地行走,无负重上/下楼及负重上/下楼5种步态的表面肌电信号（surface electromyography,sEMG）,对sEMG进行特征提取,构建了一种以特征集作为输入的卷积神经网络,并比较了其与另外几种传统分类识别方法的识别准确率和工作特征。实验结果表明,新方法对于5种步态的平均识别准确率大于95%,错误率都低于8%,具有较高的准确性。因此所提方法的输入特征集更能代表预测模型特征,模式识别率更高,可为康复医疗机器人、助力机器人等设备改善下肢运动功能提供参考。     

数字调制信号识别系统的DSP硬件实现

针对人工的信号识别设备不足,设计了基于DSP的数字调制信号识别系统．使用希尔伯特变换提取信号的瞬时信息,计算得到3个特征参数值,使用决策树分类器对信号进行分类．设计了用于通信信号识别的硬件系统,并制作了实际电路．在CCS软件环境下,使用c语言编程实现了调制信号自动识别算法．DSP硬件仿真结果表明,在信噪比不小于10dB时,系统平均识别正确率超过了98％．最后使用系统对信号发生器产生的调制信号进行了实时离线识别,实验结果表明,系统具有较好的识别正确率和实时性．     

基于高斯混合模型的心音信号识别

为了准确区别各种心音信号, 获得更理想的心音识别效果, 提出一种基于高斯混合模型(GMM)的心音信号识别模型. 首先采用小波变换对原始心音信号进行去噪处理, 消除噪声对心音信号特征提取的干扰; 然后对心音信号进行特征提取, 并采用高斯模型构建心音信号分类和识别模型; 最后采用心音信号数据对模型的性能进行验证. 结果表明, 该模型的心音信号平均识别率超过95%, 且心音信号识别结果优于其他模型.     

花岗岩地层地铁隧道盾构孤石探测及处治新方法

在花岗岩地层地铁隧道盾构掘进过程中,经常遇到“孤石”导致盾构刀盘卡住及损坏的情况,目前国内外尚未找到有效途径解决这个问题。提出了采用“微动探测+加密地质补勘钻探+地面钻孔爆破”的全套地铁隧道盾构孤石预测及处治新方法,详细阐释了新方法的原理及实施步骤,并将其应用于具体工程实例。通过获取已揭露“孤石”的H/V曲线形态特征,来解译和判断盾构前方“孤石”的分布形态,根据解译成果对预测“孤石”位置进行加密地质补勘钻探,验证和修正解译结果的准确性,在探明盾构前方“孤石”分布位置及大小后,采取地面钻孔爆破或冲孔的方法最终破除孤石。工程应用结果表明,该方法取得了很好的效果,能够为微动探测理论的发展及孤石探测工程应用提供科学合理的指导。     

基于数据增强的卷积神经网络火灾识别

当前图像识别采用的普遍方法是卷积神经网络方法,但该方法依赖于大数据集,在样本不足时会出现过拟合问题。针对以上问题,根据火灾的背景复杂性和卷积神经网络自动学习特征的优点,提出一种基于数据增强的卷积神经网络火灾识别方法。对少量火灾图片引入数据增强技术,通过搭建一个3层卷积池化层和一个全连接层自动提取火灾特征,使用softmax分类器输出。仿真实验结果表明:原始数据测试集的识别率为95%,损失值发散,提出方法使测试集损失值收敛到0.2,改善了过拟合的问题;对数据增强减少过拟合的原因进行分析,表明对小样本使用卷积神经网络具有重要意义。     

基于麻雀搜索算法优化支持向量机的刀具磨损识别

针对微小深孔钻削刀具磨损状态检测的工程需求,提出了基于钻削声信号的麻花钻头磨损状态识别方法。根据不同磨损程度的麻花钻在钻削过程中的声信号,使用经验模态分解(empirical mode decomposition, EMD)将声信号分解成若干个固有模态函数(intrinsic mode functions, IMFs),通过时频联合分析探索刀具磨损与声信号特征之间的关联规律;再使用麻雀搜索算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的参数,并利用SVM实现基于声信号特征的刀具磨损状态识别。实验结果表明,微小深孔钻头磨损程度与钻削声信号特征之间存在非线性耦合关系,声信号高频特征对钻头磨损程度的变化非常敏感;采用经过SSA优化后的SVM算法,基于优选的IMF特征能够准确识别钻削刀具磨损状态,识别准确率可达98.246%。