基于增强数据集卷积神经网络的SAR目标识别方法

提出基于增强数据集卷积神经网络的合成孔径雷达(SAR)目标识别方法。卷积神经网络的分类能力与训练样本的数量和全面性息息相关。由于SAR目标识别中存在大量的扩展操作条件,基于原始少量训练样本的卷积神经网络稳健性较差。通过添加噪声构造噪声样本;通过多分辨率分析获得多分辨率的样本;通过模拟部分遮挡获得不同程度的遮挡样本。采用增强后的训练样本训练卷积神经网络从而提高其对于噪声干扰、分辨率变换以及部分遮挡等情形的稳健性。同时,由更多训练样本训练得到的网络对于其他扩展操作条件的适应性也有一定的提高。基于MSTAR数据集进行了验证实验,证明了提出方法的有效性。     

面向SAR目标分类的卷积神经网络算法研究

随着合成孔径雷达(aynthetic aperture radar,SAR)成像技术的日益成熟,如何对SAR目标进行高效分类得到了普遍关注。在此背景下,提出了一种面向SAR目标分类的二层卷积神经网络算法。为增强适应性,设计了一种随迭代次数增加而减缓的分数渐变学习率。同时,在损失函数中引入类内、类间相似度量函数,丰富了样本分类特征,提高了分类的准确率。在MSTAR数据集上的测试结果表明:该算法相比于其他分类方法和经典卷积神经网络算法有更高的分类准确率,证明了算法的有效性。     

基于改进的卷积神经网络的图像分类性能

将改进的卷积神经网络应用到图片目标识别中。为了提高分类预测准确度,对传统卷积神经网络结构进行了改进,其具体结构为:卷积层C1—池化层S1—卷积层C2—池化层S2—卷积层C3—池化层S3—全连接层FC—输出,主要增加了卷积层和池化层层数,且在卷积滤波器规格选择上统一选择了5×5。最后用这一网络结构模型和其他模型(Re Net、APAC、PACNet)对CIFAR-10数据库进行试验对比,通过最终的预测准确度可以看出:改进后的卷积神经网络的精度达90.37%,高于其他3种模型。     

基于深度学习的车牌智能识别方法

针对传统的车牌识别算法对于复杂环境车牌定位效果不理想、车牌识别准确率低、实时性差等问题,提出了一种基于深度学习的车牌智能识别方法。首先使用Yolov3网络对图片中的车牌进行定位,然后采用空间变换网络对倾斜的车牌进行校正,并将校正后的车牌送入设计的改进卷积神经网络中提取车牌序列特征,最后通过双向递归神经网络和时序分类网络识别出车牌字符。与传统车牌识别方法相比,提出的方法能够有效克服天气等不良状况的影响,从Yolov3定位到识别完成的平均时间可以缩短至33 ms左右,平均识别准确率能够达到96.1%。     

应用卷积神经网络的测距算法研究

针对传统的接收信号强度指示(RSSI)测距算法过于依赖经验或测距环境从而导致测距精度不高的问题,提出了一种基于卷积神经网络的测距算法。为了减小复杂测距环境下,由多径效应、非视距传输等因素造成的RSSI信号波动,通过多次测量RSSI信号来构建RSSI样本数据。将RSSI样本数据集作为输入训练卷积神经网络,并通过该网络对实时捕获的RSSI信号进行特征提取,从而估计节点之间的距离。实验结果表明:与传统RSSI测距算法相比,该算法显著提高了测距精度。     

一种改进YOLOv3的绝缘子检测方法

针对无人机巡检图像中绝缘子识别精度不高的问题,提出了一种基于YOLOv3的目标检测方法。该方法通过将YOLOv3主干网络16倍下采样单元中原始卷积层替换成扩张率为2的空洞卷积层,增大了卷积层感受野,卷积网络在保证分辨率的同时融合了更多的目标信息,有效提高了检测网络的识别精度。此外,考虑到输电线路中绝缘子具有细长型特点,方法对k-means聚类算法中距离度量公式也进行相应改进,聚类出更适合绝缘子特征的anchor框尺寸。实验结果表明:在保证实时性的前提下,改进后的YOLOv3网络结构与经典的YOLOv3网络结构相比较,其目标检测召回率从80.3%提高到89.1%,识别精度从83.9%提高到91.8%,可为后续的绝缘子故障识别提供技术支持。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于改进的PSO-SVM的SAR图像分类识别

利用SAR图像的Hu不变矩,仿射不变矩,以及Zernike不变矩,通过调整学习因子后的PSO对SVM进行优化,提出了基于改进PSO-SVM的SAR图像分类识别算法。该方法主要调节PSO的异步学习因子,加强粒子的学习能力,在算法性能上不仅减小粒子陷入局部最优的概率,而且能有效提高算法的收敛性。最后,对SAR图像进行分类识别实验,结果表明:该算法比其他算法识别率显著提高。     

适用于不同油纸比的改进KNN变压器拉曼光谱老化评估模型

为了准确判断不同油纸比的变压器油纸绝缘系统的老化阶段,提出一种基于拉曼光谱技术的改进KNN变压器油纸绝缘老化评估模型。制备油纸比分别为10∶1和15∶1的不同老化阶段样本,在拉曼检测平台下获取样本的拉曼光谱并进行去噪声、去基线等预处理。运用改进KNN算法对样本的拉曼光谱数据进行建模分析。结果表明:改进KNN算法的老化评估精度相比传统KNN算法有所提升,对油纸比分别为10∶1和15∶1的样本整体检测准确率分别达到92%和93%。与油中溶解糠醛含量、溶解CO/CO_2值以及绝缘纸聚合度检测等传统老化评估方法相比,该模型可靠易行且评估效果更为精准,进一步验证了改进KNN老化评估模型对不同油纸比的变压器油纸绝缘拉曼光谱老化评估的有效性。     

基于全卷积深度学习模型的可抓取物品识别

目前,工业机器人识别可抓取物品大多是先通过图像传感器收集作业场景信息,然后通过粒子滤波或条件随机场等各类相关算法提取可抓取物品的像素块特征来进行的。但是,这些可抓取物品的识别方法都存在着在同一像素块内部不同类别像素有误差,只考虑邻近区域、而不考虑全局信息和结构信息等问题或缺点。为此,在引入基于像素点的全卷积网络(fully convolutional networks,FCN)的基础上,提出了基于FCN的改进模型进行可抓取物品识别,其优势在于该模型经过学习能够预测各个像素所属物品类别的概率,并且能将结果恢复成为背景与前景分割的图像,从而识别作业场景中可抓取物品的位置与类别。由于FCN模型不限制输入、输出图像的尺寸大小,所以它克服了传统卷积深度学习模型的缺点,同时也考虑了全局信息与结构信息。以康奈尔抓取数据集(cornell grasping dataset,CGD)作为实验样本对提出的改进模型进行验证。实验结果表明:改进后的全卷积深度学习模型的正确率较全卷积深度学习模型提高了6.2%,同时该方法也可用于其他分割前景的感知任务。     

一种改进小波阈值函数的信号去噪

针对传统小波阈值函数去噪容易存在尖峰和边缘模糊现象导致去噪效果不理想的问题,在现有软阈值和硬阈值的基础上综合软硬阈值的优点,提出一种改进的阈值算法,在尽可能多的滤除噪声信号的同时保留原始信号的特征。同时,在Matlab环境中对含噪信号进行去噪处理,比较各阈值函数和改进阈值函数的去噪效果,从而验证改进阈值函数对信号去噪的有效性。此外,在小波变换中选取不同的小波基函数和阈值进一步验证该改进阈值函数较软、硬阈值和半软阈值方法所获得的去噪效果更好,在新的阈值函数下去噪后的信号信噪比更高,均方根误差越小,越有利于提取信号的特征,进而对信号进行频谱分析。     

一种CNN与ELM相结合的船舶分类识别方法

为提高船舶分类识别的精度,提出一种卷积神经网络(CNN)与极限学习机(ELM)相结合的分类识别方法。该方法采用8层AlexNet的卷积神经网络对船舶训练图片进行监督训练,并把AlexNet网络的第一个全连接层的输出作为特征训练样本完成对ELM的监督训练。对比实验结果表明:本文方法对船舶分类识别平均准确率为94%。     

多通道特征融合卷积神经网络的齿轮箱故障诊断

针对一维数据的卷积神经网络故障诊断方法无法十分准确地识别齿轮箱故障类型的问题,提出一种二维振动信号的多通道特征融合卷积神经网络(MC-FFCNN)算法。采用格拉米角场将传感器获取的一维振动信号转换为二维矩阵,将矩阵中的数值作为像素值转换为灰度图从多个通道输入卷积神经网络,经过多个卷积层、池化层及增加的融合层,导出各通道的融合数据到全连接层。在试验中,通过对多个故障数据进行训练与测试,实现齿轮箱单一故障的诊断。将诊断结果与单通道的卷积神经网络诊断结果进行比较分析,结果显示：所提方法的故障诊断准确率更高。     

暗通道先验理论的绝缘子图像去雾算法

以雾霾场景下的绝缘子图像为研究目标,在原绝缘子缺陷检测模型的基础上,采用改进型暗通道先验去雾算法进行图像预处理,以提升绝缘子缺陷检测精度。为保证在图像去雾的基础上具有良好的抗噪性能,并提高图像结构相似度,在传统暗通道先验去雾算法的基础上融入高斯滤波算法与图像对数增强算法,对图像亮度进行调整以增强绝缘子图像特征信息,并对比主流去雾算法去雾后的图像性能指标。仿真结果表明：运用改进型暗通道先验去雾算法得到的图像相对于改进前算法,其PSNR值平均提升6.8 dB,图像SSIM值平均提升0.143,绝缘子缺陷检测精度提升12%。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

TV数值计算的图像去噪

继承传统TV去噪算法的图像边缘保护性,弥补平滑区域抑噪不充分的不足,结合图像的空间梯度和像素梯度,提出了新的基于TV数值计算的去噪算法。该算法分析了图像的空间梯度;为了抑制噪声对图像平滑区域梯度的影响,对该区域的空间梯度进行抑制,克服了传统TV算法对平坦区抑噪不充分,甚至出现的虚假边缘和阶梯效应;结合像素梯度分析了图像TV去噪的迭代函数。实验结果表明,该算法实现了保边去噪且残余噪声较小,提高了图像的峰值信噪比(PSNR)和视觉效果。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于PCA-BP神经网络的审计风险识别研究

审计风险的识别和评估是现代风险导向审计的重要内容,为准确地识别审计风险,提出了一种基于PCA-BP神经网络的审计风险识别模型。选取33项指标建立风险识别指标体系,使用PCA方法对训练集数据进行降维处理,将特征值大于1的主成分作为神经网络的输入向量,构造PCA-BP神经网络。选用124家A股上市公司作为研究样本进行实证研究。结果表明:模型平均识别准确率达到90.04%,高于传统BP神经网络模型,计算速度快、识别率高和适用范围广,能有效识别审计风险。     

复杂背景下航检视频字符的识别算法与应用

传统的OCR技术在复杂背景视频中的字符识别方面,其识别结果的准确率不尽如人意。为此,本文通过改进及优化传统识别算法,研究出一种新的复杂背景下的字符识别算法。该算法借鉴统计模式识别的思路,通过大量实验得出每个字符的特征规律,并形成公式,实现了字符的识别。然后以输电线路航拍图像为例,设计开发了字符识别系统。通过系统运行表明,采用本文算法识别字符的准确率为99.4%,优于开源Tesseract-OCR接口函数方法及样本训练方法,对于复杂背景中的字符识别具有较高的准确性和广阔的应用前景。     

基于卷积神经网络的衣物属性分类方法

针对衣物属性分类的多样性和复杂性,传统算法和并行卷积神经网络难以准确快速地对衣物属性分类,提出了基于卷积神经网络的衣物属性分类方法,从衣物图像不同角度和不同位置特征出发,利用加入了DenseNet网络的模型自动完成特征学习,得到全面的衣物属性分类信息,然后利用cen误差函数优化softmax分类器,提高类间分散性和类内紧密性。结果表明:与并行卷积神经网络和传统算法相比,该网络结构收敛速度更快,在衣物多种属性上分类准确率更高。