函数连接型神经网络在氟化物非晶态形成条件中的应用

函数增强型神经网络（Functional Link Net，简称FLN）是一无隐含层的新型网络，应用其三阶联合激励增强特性来对三元体系氟化物非晶态形成条件进行识别研究，识别准确率近100％，在对预测集的第一一个输入信号添加10％的噪音干扰后，发现识别率依然不变，直到噪音添加到15％,仍然能准确判别，可见网络的容错能力是十分令人满意的。     

识别数学符号的神经网络方法

采用 BP网络和 Kohonen自组织特征映射网络组成的多级神经网络模型 ,对数学符号进行识别 ,引入“雪球”和平滑训练方法以提高网络性能 .实验结果表明 ,该模型对数学符号的识别 ,特别在有噪音污染的情况下 ,具有较好的效果 .     

融合注意力机制的淡水鱼类识别方法

针对多数淡水鱼类识别方法特征的提取进程复杂,在自然外部场景下很难进行高效识别问题,构造了残差模型及注意力机制相融合的ResNet50-SE-Fish网络对不同发育程度的8种淡水鱼类进行识别,并测试构造的网络识别性能.研究在原残差块内添加SE模块,增加所关注特征数据权重,减小外部场景噪声以及背景无关特征数据权重,并使用迁移学习来对不同发育程度幼鱼、成鱼特征数据进行识别.通过Grad-CAM方法对ResNet50-SE-Fish网络每个残差块提到的淡水鱼类特征数据可视化以解释注意力表示作用,并与7种常用网络所提到的热力图比较,以评估网络对淡水鱼类特征数据提取能力.结果表明,ResNet50-SE-Fish网络对不同发育程度淡水鱼类有很高的识别精度,验证时准确率高达95.53%,测试时准确率达90.16%,相较于AlexNet、VGG16、ResNet18、GoogleNet、VGG19、ResNet34、ResNet50,测试时准确率依次增大14.93%、6.32%、2.51%、3.55%、3.69%、2.14%、1.73%,注意力机制利用调节通道关注程度能够提高模型淡水鱼类特征的提取效果...     

液压站噪音产生的原因与降噪措施

噪音是液压系统常见故障之一,长期以来液压系统设计者多从消除振动,添加节流阀、脉动消减器,加强维护监控等方面来降低噪音.液压站是工业液压系统的重要组成部分,也是噪音的重要来源.从液压站结构入手,分析液压站噪音产生原因、从液压站设计角度提出降低液压站噪音的具体控制方法.     

铝电解监控系统重复记录辨识与噪音识别算法

在新型的铝电解网络监控系统中,需要对大量的监控数据构建数据仓库,为此,针对其重复记录的数据预处理问题进行了研究.在属性集的基础上,提出属性重复量、记录重复量等定义,并给出重复记录辨识的一般算法IRA及其推广算法GIRA;对重复记录集中的噪音处理,提出一种基于距离的噪音识别算法INA;以实例说明了算法的具体实现过程.     

基于复小波变换的拉索结构阻尼比识别

采用复小波变换对结构自由响应信号进行分析,推导出信号小波变换的脊线包含结构频率与阻尼比信息;采用动态规划的方法提取小波脊线,用最小二乘拟合方法识别结构固有频率和阻尼比.并对一数值算例信号添加不同噪音进行分析,与对数衰减率法识别结果进行对比,验证了方法的有效性和抗噪性.数值算例结果表明：提出的方法能有效识别结构频率与阻尼比;与对数衰减率法相比,小波方法具有更高的稳定性和抗噪性.将提出的方法用于安装减震器拉索的试验研究,较好地识别出了结构模态频率和阻尼比.     

基于改进的LeNet-5卷积神经网络交通标志的识别

针对目前现有交通标志识别算法耗时长、识别率低等问题,提出了一种改进的LeNet-5卷积神经网络模型(Improved LeNet-5Convolutional Neural Network,ILN-CNN).首先,对原有的LeNet-5卷积神经网络模型构造2个相对独立的不同卷积核的子卷积网络,用于加快特征提取;其次,增加子网络中卷积核的个数,以增强网络区分不同交通标志的能力;最后,添加激活函数ReLU,增加Dropout层,以达到加快函数收敛,避免CNN过度拟合,降低神经元间互适应的效果.实验结果表明:与传统的系统结构相比,ILN-CNN对交通标志的识别准确率达到93.558%;比BP神经网络模型、支持向量机分类算法分别提高了12.206%和4.018%,并且在识别时间上具有一定的优势.     

基于Resnet18网络的红外图像行人危险动作识别

对夜间行人危险动作进行有效识别是无人驾驶和智能辅助驾驶系统的一个核心任务，也是保证系统安全性的基本需求.考虑到夜晚的光学条件下摄像机的成像特性，提出一种基于深度卷积网络的红外行人危险动作识别算法对夜间行人动作进行识别.该算法选择残差网络为基本网络结构，首先从红外图像的特性和问题的规模出发确定采用Resnet18网络框架，然后对数据集进行预处理使之能够适应网络，最后对网络进行训练与测试以确定网络的识别性能.在实际红外行人危险动作数据集中进行实验的结果表明，所提出方法对6类危险动作识别的平均精确率达到98.3%,平均召回率达到98.1%,优于传统的识别方法.     

基于改进YOLOv5和视频图像的车型识别

为了提高车型识别的精度和检测速度,提出了改进YOLOv5的车型识别算法。首先利用高速公路收费的监控视频数据扩充BIT-Vehicle车型数据集,同时针对数据集中各车型图片数量不均衡现象利用图像翻转、添加高斯噪声、色彩变化等图像处理技术对各车型数量进行均衡化,构建BIT-Vehicle-Extend数据集;其次,添加RFB(receptive field block)模块用于增加网络感受野,有助于模型捕捉全局特征;第三,将无参数的SimAM注意力机制添加Bottleneck中,在不增加参数的情况下,提高网络的特征提取能力。实验结果表明,相比于原始网络模型,本文所提出的YOLOv5优化算法,mAP0.5和mAP0.5:0.95达到98.7%和96.3%,分别提高了0.7%和1.5%。在检测速度方面,达到90 frames/s,与原网络相比检测速度基本不变。因此,本文所提出的YOLOv5优化算法,能够高精度的实时检测车型信息,满足车型识别检测需要。     

噪音背景下流体识别应用方法探讨

地震资料处理中,难免存在噪声,因此在频率域储层识别的研究中,低频噪音问题是干扰储层识别的重要影响因素,在噪音问题上必须采取有效的手段,才能排除低频信息是流体的响应而不是噪音的响应。据此在储层检测手段上,首先要进行噪音对算法的干扰分析,只要在检测方法上噪音不产生干扰,那么用到实际地震资料流体识别上才有意义,通过在噪音背景下的模型进行试算,优选了抗噪性好、分辨率高的小波基函数对实际资料进行处理。另外,对地震流体识别可靠性检验方面,主要是通过测井解释来验证地震检测流体的可靠性。研究结果表明,优选的小波基函数不仅在模型上取得了很好的效果,在研究区过井地震资料上存在低频异常,与测井解释油气显示基本吻合。     

分类均值—加权中值混合滤波器

研究了受混合噪声污染图像的降噪滤波问题,并提出了一种基于均值滤波和加权中值滤波的混合滤波方法,该方法将输入样本集按照某种分类方法分成若干子集,在各自子集内进行求均值,然后根据不同子集的样本个数进行加权中值滤波。经分析和计算机模拟表明,此种方法能较好地消除高斯和脉冲混合噪声的影响,并且计算简单。     

粗晶材料缺陷的超声检测信号识别

对于非均匀材料，超声无损检测技术受到能否有效区分有用信号与背景噪声的限制，目前人们大多倾向使用频率分隔与统计算法来提高粗晶材料（一种非均匀材料件相对颗粒散射的缺陷回波比例．文中介绍一种用Ｗｉｇｎｅｒ分布作特征提取、用前馈网络自动识别超声散射回波中的缺陷信号．由于普通的人工神经网络要求输入信号的特征与时间起始点无关，因此采取了一种数学变换方式来实现这一要求，这样训练好的网络就有很强的识别能力．在实验中，正确识别率达到９０％．所述方法对其他非均匀介质的超声检测与评价工作也有益处．     

输油管道漏磁检测信号自适应滤波的研究

在采用漏磁法对输油管道进行无损检测过程中,信号会受到各种噪声的干扰。介绍了输油管道漏磁检测方法及归一化最小均方自适应滤波方法。通过实验装置采集了含有噪声的漏磁信号。由于各传感器提离值不能保证一致,对信号进行了补偿调整。将一路的传感器输出信号作为主输入信号,与之相邻的传感器输出信号作为参考信号,采用归一化自适应滤波对主输入信号进行处理。结果表明,采用归一化最小均方自适应滤波方法可使缺陷漏磁信号的信噪比得到显著的提高。     

基于深度卷积神经网络的弹道目标微动分类

针对传统弹道目标微动分类缺乏智能性及噪声条件下分类性能差的问题,利用深度学习的高维特征泛化学习能力,提出一种将深度卷积神经网络用于弹道目标微动分类的方法。首先,在建立弹道目标微动模型的基础上,分析3种微动形式下的微多普勒表示,并生成雷达回波信号的时频图,作为训练、验证及测试的数据集;然后,运用深度卷积神经网络中的迁移学习对AlexNet和GoogLeNet进行再训练;最后,利用训练后的网络实现3种微动形式下的目标分类,并研究信噪比对分类性能的影响。仿真结果表明,与传统的微动目标分类方法相比,该方法不仅智能化程度高,而且在低信噪比条件下分类准确性更强。     

瞬态信号波形提取的子波变换方法

提出了一种把子波变换与假设检验结合起来从噪声中提取有用瞬态信号波形的方法。先对瞬态信号加高斯噪声的混合信号进行离散子波变换得到了子波系数，根据假设检验理论确定门限，把子波系数与门限进行比较，如果子波第数大于门限，则保留这些子波系数，否则置为零。     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。     

基于FrFT滤波和LMS降噪的变转速滚动轴承故障诊断

变速工况下的机械故障诊断逐渐成为旋转机械监控领域的一个热门课题,在变转速下故障更容易发生且伴随更大的噪声,而相应的降噪问题目前却没有可靠的解决方法。因此提出一种基于分数阶傅里叶变换（FrFT）滤波和最小均方算法（LMS）降噪的故障诊断方法,对变转速工况下轴承振动信号进行降噪,进而提取非平稳故障特征。首先,同时获得滚动轴承振动加速度信号和转速信号;然后对Hilbert解调后的振动信号进行峰值搜索FrFT,按照搜索得到的最佳阶次和分数阶域聚集位置进行FrFT滤波;再将FrFT滤波得到的信号作为参考信号,原包络信号作为输入信号,进行LMS自适应降噪;最后对降噪后的信号按照转速重采样进行阶次分析,将包络阶次谱中的突出特征与故障特征阶次对比,判断故障。该方法可成功应用于变转速工况下滚动轴承的试验数据处理,证明了方法的有效性。     

栈式降噪自编码器在辐射源信号识别中的应用

针对传统辐射源信号识别方法在低信噪比条件下提取特征困难且识别率低的问题,提出了一种基于短时傅里叶(STFT)变换和栈式降噪自编码器(sDAE)的识别系统。首先对雷达辐射源信号进行短时傅里叶变化,然后对时频图像进行一系列预处理,将处理后的图像输入到栈式降噪自编码器中,将提取的特征输入到softmax分类器中,完成分类识别。通过仿真表明:该系统在SNR=-10dB的时候,识别率能够达到80%以上,在低信噪比的情况下,识别效果明显优于传统识别方法。     

视觉诱发电位的自适应处理

本文介绍了一种利用自适应信号增强技术检测并跟踪视觉诱发电位的新方法，自适应信号增强器有两个输人端，其主通道输人为带噪声的原始记录；参考输人需经设计使系统产生最佳性能，我们用移动窗口平均法形成动态参考输人，使系统具备较好的跟踪能力实验表明，利用这种方法可以检测到单一记录的视觉诱发电位信号，并能获得信号随时间变化的轨迹。     

双能X射线检查系统的Monte Carlo模拟

为了提高双能X射线安全检查系统的材料分类能力,采用M on te C arlo方法对系统的成像过程进行了模拟。利用M CNP 4C程序模拟电子打击钨靶产生韧致辐射、射线与物质的相互作用,得到了材料分类曲线。与数值方法以及实验方法相比,该方法的材料分类不受系统噪声影响,可以分辨原子序数相差为1的两种材料,并且只需要几m in计算时间。进行了铝阶梯的实验,对一系列典型材料和专用测试工具箱进行了测试。结果表明,M on te C arlo模拟方法可以提高安全检查系统的材料分辨能力。