基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先,采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后,对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。     

基于样本重采样的电路非平衡数据预处理方法

针对机载设备电子电路故障状态测试数据少、整体测试数据不均衡的问题,提出了一种基于样本重采样的数据预处理方法。首先，采用超限学习机对原始数据集进行训练以挑选出分类准确的样本。然后，对其中的少数类和多数类分别采用合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)进行过采样和局部密度欠采样处理;并将错误分类的多数类样本作为干扰因素进行删除。通过以上两种手段可以均衡数据集,并控制数据规模防止过拟合,提高对故障样本的检测率。实测数据处理结果表明,相比于其他重采样算法,所提算法整体效果优良且稳定,对电子电路故障诊断具有一定的应用价值。     

基于生成对抗神经网络的雷达遥感数据增广方法

在雷达探测领域,数据样本无论在完备性还是多样性上,均不能满足深度学习模型有效训练的要求,模型极易出现过拟合现象,从而限制了相关技术在雷达探测领域的广泛应用。面向雷达探测领域的智能化应用需求,针对雷达数据样本不足问题,提出基于生成对抗神经网络的微波成像体制雷达数据增广方法。针对雷达数据样本特征不显著问题,结合标签平滑正则化方法,实现增广数据样本的自动标注,通过构建增广样本与真实样本协同的深度学习模型训练框架,实现模型在小规模雷达数据样本集上的鲁棒训练。基于公开雷达探测数据集,验证了该方法的有效性。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。     

基于截断迁移与并行残差网络的调制识别算法

针对卷积神经网络提取的信号时序特征受限问题,提出一种截断迁移的数据预处理算法,将采样矩阵一端的距离单位截断,迁移到另一端,依次合并成新的矩阵,使卷积神经网络提取到更多的采样点,比较更多的符号信息。同时提出一种改进的并行残差神经网络,通过两路并行的支路同时关注水平和垂直2个方向的特征。结果表明,该算法比普通卷积网络提高约10%的准确率,改进的网络在信噪比为14 dB时,准确率为93.78%,信噪比大于0 dB时,准确率均在91%以上。     

基于卷积神经网络的陆战兵棋战术机动策略学习

针对从“人在回路”兵棋推演的复盘数据中提取推演者战术经验高价值知识的问题,提出一种基于深度神经网络从复盘数据中学习战术机动策略模型的方法。将战术机动策略建模为在当前态势特征影响下对目标候选位置进行优选的分类问题：梳理总结影响推演者决策的关键认知因素,定义了由机动范围和观察范围等7个属性构成的基础态势特征,建立了带有正负样本标注的态势特征数据集;设计了基于卷积神经网络的分类器,以分类概率实现了单个棋子战术机动终点位置的预测。实验结果表明：该模型的预测准确率可达到78.96%,相比其他模型提高至少4.59%。     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。     

基于神经网络的手绘服饰图纹上色及风格迁移

针对图纹上色容易色彩溢出、风格迁移缺少布料纹理特征等问题，提出基于神经网络的手绘服饰图纹上色及风格迁移方法。初始化数据集，收集服饰图纹图像，提取服饰图纹黑白线稿，合成具有颜色特征的手绘图像，构建风格数据集；构建条件生成对抗网络模型，基于该生成器模型实现对具有颜色信息的线稿图像上色；构建卷积神经网络模型，利用该模型计算内容图的内容特征并结合Gram矩阵计算风格图的风格特征，输出令人满意的服饰图纹迁移图像。实验结果表明，该方法生成的图像具有真实的服饰图纹颜色分布，具有较好的布料材质感。     

基于孪生网络的仿真模型智能排序评估方法

针对动态输出多样本条件下的多备选仿真模型择优问题，提出了一种基于孪生卷积神经网络(siamese convolutional neural network, SCNN)的仿真模型智能排序评估方法。首先，将仿真数据和参考数据的一致性度量问题转化为二者特征一致性度量问题。其次，在分析评估数据特点和对比试验结果的基础上，确定采用SCNN实现评估数据的特征提取。接下来，给出基于SCNN的仿真模型排序评估方法，包括网络结构初步设计、网络参数训练调优和仿真模型排序评估三部分。最后，通过实例应用，验证了该方法在评估数据特征提取和仿真模型排序评估方面的有效性。     

基于衰减因子的双通道神经网络图像分类算法

为解决深度卷积神经网络(convolutional neural networks, CNN)难以训练的问题,提出一种快速、高效的双通道神经网络(dual channel neural networks, DCNN),该神经网络由直通通道和卷积通道两种通道构成,直通通道负责保障深度网络的畅通性,卷积通道负责深度网络的学习。考虑到深层网络在训练时容易出现性能不稳定的问题,在卷积通道上引入卷积衰减因子,对其响应数据进行约束。设计一种“双池化层”对同一特征图进行降采样,不仅可以防止训练过拟合,还能保证各通道的维度一致性。在3个图像数据集CIFAR-10、CIFAR-100和MNIST上的实验结果表明,无论是神经网络的可训练深度、稳定性和分类精度,DCNN都明显优于现有的深度卷积神经网络。     

故障特征选择与诊断规则提取的VPRS模型方法

针对实际工程系统故障诊断过程中故障特征和诊断规则难以提取的问题，提出了一种基于变精度粗糙集(VPRS)模型的故障特征选择和诊断规则提取的新方法。该方法通过选取适当的分类误差参数β，运用知识约简简化知识系统。它不仅能从实测数据中提取出最佳的故障特征参数，还可得到简化的诊断规则。对滚动轴承故障诊断的仿真实例表明，该方法有效地简化了特征参数和诊断规则，提高了故障诊断的准确率，减低了诊断成本，具有比基本RS方法更广的适用性。     

基于双向编码转换器和文本卷积神经网络的微博评论情感分类

对微博多分句的评论,ELMo-Text CNN、GPT等模型不能准确提取文本上下文联系,导致分类效果不理想.为了解决此问题,采用BERT-Text CNN模型,利用BERT独特自注意力机制的双向编码转换器结构获得具有句子全局特征的字向量,将字向量输入到Text CNN中,利用Text CNN捕获局部特征的能力,最终提取...     

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。     

基于SVM和EMD 包络谱的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的调制特征和传统包络分析法的缺陷以及现实中难以获得大量典型故障样本的实际情况,提出了一种基于支持向量机(Support Vector Machine,简称SVM)和经验模态分解(Empirical Mode Decomposition,简称EMD)包络谱的滚动轴承故障诊断方法.该方法首先对原始信号进行经验模态分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,然后求出包含主要故障信息的若干个IMF分量的包络谱,最后定义包络谱中各种故障特征频率处的幅值比为特征幅值比,将其作为故障特征向量,并以此作为SVM分类器的输入参数来区分滚动轴承的工作状态和故障类型.实验分析结果表明了该方法的有效性.     

一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法

提出了一种基于Hilbert-Huang变换和AR模型的滚动轴承故障诊断方法.采用Hilbert-Huang变换将滚动轴承振动信号分解成若干个平稳的IMF(IntrinsicModeFunction)分量,求出每一个IMF分量的瞬时幅值和瞬时频率,然后对每一个IMF分量的瞬时幅值和瞬时频率序列建立AR模型,以模型主要的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数,进一步判断滚动轴承的工作状态和故障类型.实验结果分析表明,本文方法能有效地应用于滚动轴承的故障诊断.     

动态灰预测模型的缓冲适应性建模方法

提升对数据特征的适应能力是预测建模的关键问题之一.本文融合缓冲算子方法与灰色滚动预测模型构建适应性灰预测模型,即BARGM模型.该方法将原始序列拆分为连续的数据片段,利用缓冲算子和数据片段上的反馈信息调整变权系数.并用GM(1,1)的衍生模型对调整后的片段数据进行逐步建模和外推;缓冲适应性模型相对传统建模方法具有两个特点,即改变灰模型响应式形式的单一性、具有较强的智能化拓展能力:案例研究采用我国能源相关的温室气体排放数据进行建模测试与对比,建模结果显示拟合精度和预测精度均有明显提升,印证了缓冲适应性建模方法的有效性.     

基于改进深度残差网络的旋转机械故障诊断

针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network, IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory, LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。     

基于孪生深度神经网络的风电机组故障诊断方法

为有效提取风电SCADA (supervisory control and data acquisition)中时序数据故障特征,同时考虑一维卷积神经网络(one-dimensional, convolutional neural network,1-D CNN)提取局部时序特征和长短时记忆网络(long short-term memory networks, LSTM)提取长期依赖特征优势,提出一种基于1-D CNN-LSTM的风电机组故障诊断方法;针对故障样本稀缺问题,基于孪生神经网络架构(siamese network),提出一种基于孪生深度神经网络siamese 1-D CNN-LSTM的风电机组故障诊断方法,依靠少量样本数据对机组故障特征进行有效提取。结果表明：1-DCNN-LSTM优于其他现有深度学习方法;当训练样本不足时,所提出的siamese 1-D CNN-LSTM可以显著提升故障诊断结果。