一种基于CNN的航拍输电线路图像分类方法

输电线路场景的复杂程度较高,经典卷积神经网络对输电线路场景数据集的分类效果较差。为了解决这一问题,利用卷积神经网络的优势,提出了一种基于VGG-19的优化网络结构,并将此优化网络应用在输电线路场景数据集的分类中,优化网络的分类准确度为95.1%。实验结果表明本文提出的优化网络相较于经典的卷积神经网络有更好的分类效果。     

基于卷积神经网络的入侵检测算法

作为深度学习的一种有效算法,深度卷积网络已成功应用在处理图像、视频和音频等领域.通过建立一卷积神经网络模型并应用于网络入侵检测,选取的卷积核与数据进行卷积操作提取特征的局部相关性从而提高特征提取的准确度.采集到的网络数据通过多层"卷积层-下采样层"的处理对网络中正常行为和异常行为的特征进行深度刻画,最后通过多层感知机进行正确分类.KDD 99数据集上的实验表明,文中提出的卷积神经网络模型与经典BP神经网络、SVM算法等相比,有效提高了入侵检测识别的分类准确性.      

基于迁移学习的高分辨率遥感影像场景分类研究

对于小样本集合的遥感影像场景分类问题,采取了一种基于迁移学习的卷积神经网络高分辨率遥感影像识别方法,通过深度卷积神经网络Inception-v4在ImageNet上训练,得到预训练模型以及相应的初始化参数,随后将小样本遥感数据按比例划分注入预训练模型当中,根据样本集合特征,不断调整网络参数以便获得最佳识别分类模型.最后将本文的方法与现有的场景分类方法进行实验对比,测得该方法在UC merced land use场景影像数据集上取得97.92%的准确率,有效提高了高分影像场景分类精度.     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

拆分降尺度卷积神经网络入侵检测方法

针对卷积神经网络(convolutional neural network, CNN)模型待训参数量过大、多层网络导致特征和梯度消失等问题,提出一种基于拆分层和Inception-ResNet的卷积神经网络模型用于入侵检测。首先将网络流量数据转化为具有空间相关性的图像以适用于卷积神经网络的输入;然后使用Inception-ResNet卷积层增加网络深度,减少模型训练参数数量以及消除梯度消失问题,拆分层在降低图像尺度时基本保持图像原有分类特征;最后采用NSL-KDD数据集对改进模型进行训练和测试。测试结果表明：改进模型相对于Inception-ResNet模型具有更高的检测准确率和少数类样本召回率以及更好的训练时间性能。     

基于卷积神经网络的第一导联心电图心拍分类

第一导联心电图心拍的分类具有重要的医学价值,可以用来判断心脏的健康状况.采用深度卷积神经网络的方法,设计了针对单导联心电图这种特殊一维信号的卷积神经网络.该卷积神经网络具有层数多、卷积核尺度多样、参数量小等特点,能有效对第一导联心电图心拍进行分类.首先将心电数据进行预处理输入网络,经过一系列卷积、池化操作,最终输出分类结果.将该网络应用于INCART数据库,对超过17×104条第一导联心电图数据进行分类实验,取得了98%,的准确率、90%,的敏感度和86%,的阳性预测值的分类性能.实验结果表明,所采用的方法可以对第一导联心电图心拍进行很好的分类,并可应用于可穿戴设备和远程监护领域.     

基于STFT-Inception-残差网络的轴承故障诊断

为使轴承故障诊断工作更加准确与智能化,构建了一种基于Inception结构和残差结构的卷积神经网络(CNN:Convolutional Neural Network),提出一种新的轴承故障诊断方法。首先使用短时傅里叶变换(STFT:Short Time Fourier Transform)将滚动轴承原始一维信号转变为二维时频图,分为训练集、验证集和测试集;然后使用训练集对搭建的Inception-残差网络模型进行迭代,不断更新网络参数,并由验证集检验模型是否出现过拟合现象;最后将训练好的模型应用于测试集,并通过输出层的分类器输出诊断结果。最终由实验证明所提方法的可行性,对轴承故障分类的平均准确率到达了99.98%±0.02%,相对于其他方法具有较高的准确率和稳定性。     

一种深度卷积自编码网络及其在滚动轴承故障诊断中的应用

为了解决卷积神经网络权值往往只能随机初始化的问题,提出了一种卷积自编码器。以卷积池化过后的特征为权值,对反卷积核进行叠加,叠加步长为池化时的长度,将信号重构回原信号空间。以原信号与重构信号的差值最小为目标,对卷积核和反卷积核进行优化。进一步,编码特征可以作为新的输入,利用同样的方式进行编码,依次循环,最后给网络加上全连接网络和分类器,用少量带标签样本进行微调,形成具有复杂特征提取能力的深度卷积自编码网络。将该网络用于滚动轴承故障识别,将时域振动信号直接输入网络,在公共数据集——西储大学轴承数据集以及实验室实测数据集上均取得了比传统卷积神经网络要好得多的识别效果,例如在实验室实测数据集上将识别精度从0.799提高到了0.921。将底层提取到的特征通过反卷积核逐层重构,第一次在原信号空间看到了神经网络到底"学"到了什么。观察重构信号可知,卷积神经网络对信号特征的提取实际上就是对信号的一种分解,网络底层通道数对应信号分解时基的个数,通道内单个特征对应基分解时的时间点。提出的卷积自编码器以及对网络结构的分析可为后续科研技术人员构建卷积神经网络提供指导。     

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...