检索结果-南通市图书馆

基于VGG19-SK模型的机械密封启停状态识别

在线全文

学校读者我要写书评

暂无评论

机电工程 2024年

作者：刘伟翟志兴张书尧李双喜北京化工大学机电工程学院

机械密封在机械设备的的启停过程中，时常会发生失效。针对这一问题，提出了一种新的深度学习模型VGG19-SK，并将其应用于机械密封的启停状态识别。首先，在机械密封启停过程中，利用密封声发射信号试验台获取了试验数据，这些数据为训... 详细信息

机械密封在机械设备的的启停过程中，时常会发生失效。针对这一问题，提出了一种新的深度学习模型VGG19-SK，并将其应用于机械密封的启停状态识别。首先，在机械密封启停过程中，利用密封声发射信号试验台获取了试验数据，这些数据为训练深度学习模型提供了基础；然后，在传统VGG19基础之上进行了改进，增加了SK卷积层、全局平均池化层和批归一化（BN）层，这些改进显著减少了模型的参数数量，降低了对硬件设备的要求，同时提升了模型的性能；最后，在模型训练过程中，对VGG19-SK模型进行了细致的调优，采用准确率曲线、损失值曲线以及混淆矩阵等指标，与其他模型进行了对比，验证了VGG19-SK模型的有效性，突出了VGG19-SK模型的优越性。研究结果表明：在机械密封启停阶段8种分类识别中，VGG19-SK取得了86.67%的准确率，比传统VGG19提升了约2.19%；同时，模型的训练参数减少了83.74%，模型总体大小缩减了约80%。该VGG19-SK机械密封状态识别模型在兼顾准确率的同时保证了在硬件资源受限状况下的运行能力，为进一步开发基于深度神经网络模型的机械密封状态故障诊断系统奠定了基础。

关键词：机械密封深度学习模型声发射信号 SK卷积层全局平均池化层批归一化层 VGG19-SK模型

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

结合全局与局部池化的深度哈希人脸识别算法

西安电子科技大学学报 2018年第5期45卷 163-169页

作者：曾燕陈岳林蔡晓东桂林电子科技大学机电工程学院广西桂林541004 桂林电子科技大学信息与通信学院广西桂林541004

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络.第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型... 详细信息

针对采用大型卷积神经网络提取高维特征进行人脸识别时占用内存空间较大以及消耗大量计算资源的问题,提出一种结合全局与局部池化的深度哈希全卷积神经网络.第一,提出一种基于全局平均池化层的全卷积网络,用以减少网络参数以及压缩模型尺寸;第二,提出一种学习不同特征的融合损失方法,将哈希量化误差损失与分类损失进行加权融合,用以学习具有多分类性质的近似哈希编码.实验表明,该方法能够在Visual Geometry Group(VGG)框架下将识别效率提高68%,且准确率略有提升;融合损失方法扩展到Face Residual Network(Face-ResNet)框架时,在保持准确率的情况下将识别效率提高了23.7%。结果表明,该方法可在保证准确率的前提下有效地从特征提取和特征降维两方面提高识别效率,同时该方法还可扩展用于其他网络.

关键词：全局平均池化层近似哈希编码融合损失全卷积网络

基于改进卷积神经网络及LightGBM的滚动轴承故障诊断

在线全文

学校读者我要写书评

暂无评论

轴承 2021年第6期 44-49页

作者：杨瑞双宁芊雷印杰陈炳才四川大学电子信息学院成都610065 大连理工大学计算机科学与技术学院辽宁大连116024

针对大多基于深度学习的故障诊断模型存在泛化能力不强、训练时间长等问题,提出了一种基于改进卷积神经网络(GCNN)和LightGBM的轴承故障诊断方法,首先,利用卷积层对随机失活后的原始信号进行特征提取;然后,使用全局平均池化层取代全连... 详细信息

针对大多基于深度学习的故障诊断模型存在泛化能力不强、训练时间长等问题,提出了一种基于改进卷积神经网络(GCNN)和LightGBM的轴承故障诊断方法,首先,利用卷积层对随机失活后的原始信号进行特征提取;然后,使用全局平均池化层取代全连接层以提高模型的泛化能力;最后,将提取到的特征输入到LightGBM中进行分类。试验结果表明,GCNN-LightGBM模型的训练、诊断平均时长分别只有44.64,0.08 s,在同负载、变负载测试集上的平均分类准确率分别高达99.72%和95.04%,诊断效率及分类准确率均优于其他对比模型,且具有较强的泛化能力。

关键词：滚动轴承故障诊断卷积神经网络深度学习轻量级梯度提升机全局平均池化层

在线全文

学校读者我要写书评

暂无评论

一种基于R3D网络的人体行为识别算法

电讯技术 2020年第8期60卷 865-870页

作者：吴进安怡媛代巍西安邮电大学电子工程学院西安710121

现有的行为识别算法不能充分地提取抽象的行为特征,为此提出了基于三维残差卷积神经网络(3D Residual Convolutional Neural Network,R3D)的人体行为识别算法。该网络在三维卷积神经网络(3D Convolutional Neural Network,3D-CNN)基础... 详细信息

现有的行为识别算法不能充分地提取抽象的行为特征,为此提出了基于三维残差卷积神经网络(3D Residual Convolutional Neural Network,R3D)的人体行为识别算法。该网络在三维卷积神经网络(3D Convolutional Neural Network,3D-CNN)基础上加入了残差模块,可以更好地提取时空域的特征,然后通过改变步长大小进行特征图降维,提高网络效率,并加入批量归一化层和Softplus激活函数,提高网络的收敛速度和拟合能力;之后添加Dropout层,降低过拟合风险,并且使用全局平均池化层(Global Average Pooling,GAP)代替全连接层,克服了网络参数量过大的问题;最后,使用Softmax进行分类。实验结果表明,使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。

关键词：行为识别三维残差卷积神经网络批量归一化层全局平均池化层

在线全文

学校读者我要写书评

暂无评论

基于深度学习的脑电情感识别研究及实现

基于深度学习的脑电情感识别研究及实现

作者：胡振超南京邮电大学

学位级别：硕士

情绪在人际交往和医学研究中起着重要作用,情绪识别是情绪研究中的重要一环,是计算机科学、神经科学、心理学和认知科学的交叉学科领域。其中“情感计算”是比较具有权威性的领域。情感计算可以利用计算机去自动识别、理解和反映人类的... 详细信息

情绪在人际交往和医学研究中起着重要作用,情绪识别是情绪研究中的重要一环,是计算机科学、神经科学、心理学和认知科学的交叉学科领域。其中“情感计算”是比较具有权威性的领域。情感计算可以利用计算机去自动识别、理解和反映人类的情感。例如,计算机可以通过人的面部表情、语音、眨眼、姿势和生理信号来识别情绪。以前大部分研究主要集中于通过语音、面部表情等方法。但是在某些情况下,例如刻意掩饰自己情绪的人、因患有面神经炎而无法表达情绪的患者,就不能准确反映出他们的情感。为了解决上述问题,许多研究者提出了基于脑电生理信号的情绪识别方法,相比于传统方法更可靠,更真实。然而现有的脑电情感识别技术有许多不足,本文致力于研究新方法、新技术来解决脑电情感识别中准确率不高的问题。本文对情感识别方法进行了详细阐述,对深度学习研究思想进行概述,分析对比了现有脑电情感识别方案的优缺点,针对深度学习的脑电情感识别,主要做了以下两方面工作:1、基于集成卷积神经网络的脑电情感识别方法,设计和搭建了5层卷积模型,再用集成学习中相对多数投票法来获得最终结果。该方案可以自动挖掘脑电波信号与外部生理信号之间的相关性,自动提取出有效特征并给出结果,最终将情绪划分为4类。本实验在DEAP数据集上进行,实验结果表明了所提方法的有效性,并与相关方法对比证明该方案在准确率上性能更佳。2、为了进一步提高脑电情感识别的准确率和稳定性,采用了全局平均池化层来代替传统的全连接层。该方法在卷积神经网络层之后对全局进行平均池化来优化损失率不稳定的问题。通过在DEAP数据集上对比全连接层和全局最大池化层表明该方案的可行性。最后,论文设计了一个基于深度学习的脑电情感识别的原型系统,通过将脑电数据的输入,通过模型训练判别来得到最终的情感类别,同时测试了情感识别的准确率和稳定性,实验结果表明本文提出的基于深度学习的脑电情感识别方法的可行性、准确性和有效性。

关键词：情绪情感计算脑电波信号外部生理信号全局平均池化层集成学习集成卷积神经网络

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进时序卷积网络的跌倒检测系统研究

基于改进时序卷积网络的跌倒检测系统研究

作者：魏嘉雪河北农业大学

学位级别：硕士

近年来,随着我国人口老龄化形势的逐渐严峻,独居老人的人口数量逐渐增长,空巢老人的安全问题也渐渐引起社会的关注。老人跌倒是一个很常见的社会突发问题,因为老年人的平均体力远低于青壮年,一个小小的跌倒可能会引起类似“多米诺骨牌... 详细信息

近年来,随着我国人口老龄化形势的逐渐严峻,独居老人的人口数量逐渐增长,空巢老人的安全问题也渐渐引起社会的关注。老人跌倒是一个很常见的社会突发问题,因为老年人的平均体力远低于青壮年,一个小小的跌倒可能会引起类似“多米诺骨牌效应”的连锁反应,从而使得老年健康遭受巨大威胁、造成很多的身心影响,甚至可能给生命安全带来重大危害。相关调查发现,跌倒是中国老年人因伤致死的第一原因。现代医学研究证实,如果能在跌倒后及时进行抢救,则极有可能会防止严重病情出现,因此通过现代科学技术的手段,及时发现老人是否发生跌倒行为是十分具有现实应用价值的。过去多数跌倒检测设备是基于摄像头和基于可穿戴设备的,基于智能手机的跌倒检测研究少之又少。但是随着科技的快速发展,智能手机得到普及,作为出门必备的移动设备,智能手机更适合作为跌倒检测设备对老人行为进行实时检测。本文基于智能手机内置三轴加速度传感器和陀螺仪提供的人体行为数据,通过研究如何针对跌倒检测调节神经网络模型提取数据特征,分析单个传感器数据的时序特征与多个传感器数据间的空间特征,进而对老人行为数据进行识别。本文具体的研究内容如下:(1)基于智能手机的跌倒检测数据采集系统的研究与实现。针对老人跌倒数据难以通过模拟实验获得大量数据的问题,本文采用将公开的跌倒测试集MobiAct与自制数据集融合的方法扩充数据量。自制数据集的来源为基于智能手机的跌倒检测数据采集系统,将智能手机放置身体固定位置,通过其内置的加速度计和陀螺仪获取人体行为的运动信号。为保证融合数据集的统一性,系统采样频率与MobiAct采样频率保持一致,通过加权移动平均法进行平滑操作,减少噪声对提取信号特征的影响。(2)基于时序卷积神经网络跌倒检测算法的改进与优化。针对传感器数据的时序性和多传感器数据的空间性问题,本文提出采用时序卷积网络进行跌倒检测模型拟合,不仅可以避免递归神经网络的长依赖问题,同时可以利用卷积核获取空间特征。时序卷积神经网络存在模型拟合不当以及模型规模大的现象,本文针对跌倒检测问题进行了相关优化:首先将原算法中ReLU(Rectified Linear Unit)激活函数改进为Leaky ReLU(Leaky Rectified Linear Unit)激活函数,避免了神经元坏死的问题;其次将时序卷积神经网络中的全连接层优化为全局平均池化层,缩小了模型规模;最后针对残差结构进行了适当调整,提高了模型整体的拟合效果。(3)实验对比分析。为了使模型获得更好的拟合能力,本文进行了大量的探索与实验,实验结果表明本文的跌倒检测算法准确率可达99.4%,精准率和召回值均达到0.99。为了找到合适的采样频率,本文对比了多倍采样频率的ROC(Receiver Operating Characteristic)效果;为了证明优化激活函数后的作用,对比了不同的激活函数在跌倒检测问题中的效果;为了验证优化前后模型的拟合能力,设计了一组以时序模型为基线的对比实验方案;通过对比本文算法与其他算法的效果,证明本文改进后的算法优于LSTM(Long Short-Term Memory)算法和CNN-LSTM(Convolutional Neural Network-Long Short-Term Memory)算法。最后为了验证算法鲁棒性,本文对比了优化算法在公开数据集和融合数据集上的表现。

关键词：跌倒检测智能手机时序卷积网络激活函数全局平均池化层残差结构

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的DDoS攻击检测研究

基于深度学习的DDoS攻击检测研究

作者：肖向飞深圳大学

学位级别：硕士

分布式拒绝服务攻击（DDoS）已成为最难解决的网络安全问题之一,给网络社会带来了极大的危害,如何在较短时间内准确处理大量信息是DDoS检测的重要挑战。本文通过对国内外现有的DDoS攻击检测方法进行分析,按照DDoS样本的属性可以将其分... 详细信息

分布式拒绝服务攻击（DDoS）已成为最难解决的网络安全问题之一,给网络社会带来了极大的危害,如何在较短时间内准确处理大量信息是DDoS检测的重要挑战。本文通过对国内外现有的DDoS攻击检测方法进行分析,按照DDoS样本的属性可以将其分为两类,一类是DDoS数据量小、样本属性少的情况;另一类是DDoS数据量大、样本属性多的情况。本文针对以上两类情况分别提出了一种检测方法。本论文的主要工作和创新点如下:1)本文搭建Kubernetes分布式训练环境,并且在Kubernetes分布式系统上构建TensorFlow集群,使用Kubernetes的容器编排技术,这样可以充分利用机器的各种资源（CPU、磁盘和内存等）,以至于提供更高效率的训练能力。2)针对检测DDoS攻击（NSL-KDD）数据量小、样本属性比较少的情况,传统的卷积神经网络（CNN）算法检测会出现过拟合现象,进而导致准确率下降。本文提出一种改进的CNN检测方法,具体是使用卷积层及全局平均池化层代替全连接层,首先在最后一个卷积层生成一个分类任务中相应类别的特征映射,然后求出每个相应类别的特征映射的平均值,最后再将平均特征向量送入Sigmoid层进行分类。实验结果表明,使用改进的CNN模型去训练DDoS数据,准确率达到99.83%。3)针对检测DDoS攻击（CICIDS2017）数据量大、样本属性比较多的情况,使用传统的循环神经网络（RNN）算法检测会导致检测时间过长的问题。本文提出一种改进的RNN模型的DDoS攻击检测系统,即切片循环神经网络（SRNN）,该算法的思想是将样本DDoS数据集切分成多个子样本数据,然后将各个子样本数据并行化地送入神经网络模型,让LSTM循环单元在每层的子序列上同时工作,从而实现并行化计算,并且使用Adam优化算法代替传统的随机梯度下降算法,通过大量实验对比,SRNN模型的训练速度和准确率明显高于RNN。最后,利用搭建的Kubernetes分布式深度学习系统进行神经网络训练,通过实验对比,确定了SRNN（4,3）模型准确率最高,训练时间最短,检测准确率达到99.86%,训练时间为237.54s。

关键词： DDoS Kubernetes TensorFlow 全局平均池化层 SRNN

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度卷积神经网络的人脸识别技术研究

基于深度卷积神经网络的人脸识别技术研究

作者：黄跃俊长沙理工大学

学位级别：硕士

随着信息化技术的发展和现代生活方式的改变,各个领域对于如何快速自动的识别出用户身份提出了更高的要求。生物特征识别中的人脸识别技术,由于其本身具有非接触性、易采集等特点,已经成为了身份认证领域的研究重点。传统的人脸识别技... 详细信息

随着信息化技术的发展和现代生活方式的改变,各个领域对于如何快速自动的识别出用户身份提出了更高的要求。生物特征识别中的人脸识别技术,由于其本身具有非接触性、易采集等特点,已经成为了身份认证领域的研究重点。传统的人脸识别技术主要包括几何特征法、模板匹配法以及子空间法等多种类型,由于这些方法容易受到光照、表情以及姿态变化等外部影响,导致人脸识别精度低,不能满足实际应用中的需求。随着深度学习算法的迅速发展,基于卷积神经网络的人脸识别技术凭借着能够通过样本训练“学习”到隐性人脸特征的特点,已成为当前领域的研究热点之一。虽然基于卷积神经网络的人脸识别方法能够通过增加网络的深度提高识别精度,但是网络的参数和计算量也会成倍增加,需要耗费更多的硬件资源和推理时间。因此针对深度人脸识别技术在实际应用中存在着网络参数冗余、模型计算量大以及推理过程慢等问题,本文通过对卷积神经网络的结构设计和损失函数进行研究,提出了一种小型的、识别精度更高的Small-FRNet卷积神经网络模型。相比于传统的卷积神经网络,该模型在结构设计上采用了深度可分离卷积和全局平均池化技术。首先通过深度可分离卷积将标准卷积分解成Depthwise卷积和Pointwise卷积,再利用全局平均池化层替代以往的全连接层作为特征向量表示的输出层,从结构上简化网络的复杂度,从而有效地降低网络的参数和计算量。同时为了改善人脸识别精度,该模型在损失函数设计上联合了 Softmax损失和中心损失作为监督信号对网络进行优化。在训练过程中,Softmax损失能迫使不同类别的特征保持分离,而中心损失则能最小化特征与其类别中心之间的距离,因此该模型能够提取出具有判别性的人脸特征,从而提高网络的识别准确率。通过实验仿真与测试可知,相比于DeepFace该模型的参数量和计算量分别减少了 97%和86%,在LFW人脸库上取得了 99.38%的准确率。最后,本文搭建了一套基于Small-FRNet卷积神经网络的人脸识别系统。该系统首先采用MTCNN技术对输入图像进行人脸检测与定位,接着对裁剪后的人脸进行预处理,然后通过Small-FRNet网络进行人脸特征提取,最后计算出待测人脸样本与标准人脸之间的欧氏距离,实现人脸分类。通过在ORL和Yale人脸库上进行性能仿真测试可知,该系统对光照差异、表情和姿态的微小变化具有较好的鲁棒性,识别效果良好。

关键词：人脸识别卷积神经网络深度可分离卷积全局平均池化层中心损失

基于Faster R-CNN的高速铁路异物侵限检测算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于Faster R-CNN的高速铁路异物侵限检测算法的研究

作者：陶慧青兰州交通大学

学位级别：硕士

行人、车辆和动物等非轨旁固有物进入铁路警戒范围内会引发严重的交通事故,因此有效地检测识别进入铁路限界的异物对于保障铁路行车安全以及行人生命安全有着重要的意义。传统的目标检测算法通常使用基于滑动窗口的区域选择策略,针对性... 详细信息

行人、车辆和动物等非轨旁固有物进入铁路警戒范围内会引发严重的交通事故,因此有效地检测识别进入铁路限界的异物对于保障铁路行车安全以及行人生命安全有着重要的意义。传统的目标检测算法通常使用基于滑动窗口的区域选择策略,针对性不强,预测位置不准确,冗余窗口多,计算量大及时间复杂度高。采用手工设计特征进行特征提取,无法适应待检测目标形态、检测场景及光照等变化的多样性,且鲁棒性较差。传统分类器无法处理高维图像数据且需要单独对其进行训练,训练步骤繁杂,不能满足现场实际需要。基于深度学习的目标检测算法比传统的目标检测算法具有更快的检测速度,摆脱了刻板的人工设计特征,让机器“自己学习”图像数据中蕴含的潜在特征联系,实现了对目标的精确检测分类。本文提出一种以VGG-16为特征提取网络的Faster R-CNN模型进行铁路侵限异物检测,并且对其进行了适应性改进以满足现实应用需要。本文主要做了以下几项研究工作:（1）弃用全连接层,使用全局平均池化层来完成特征整合工作。自卷积神经网络理论出现后,在卷积层后加若干全连接层似乎成为了模型标配,然而随着研究的深入,其参数量过多、计算量庞大及不能有效利用像素间的空间位置信息等缺点逐渐凸显。全局平均池化层能够有效减少模型参数的同时保证模型的性能,因此将其作为模型的全连接层的替代来进行最终的特征信息处理。分别对使用全局平均池化层和全连接层的模型进行训练测试和结果分析,发现使用全局平均池化层的应用效果更好。（2）增加区域建议网络中的锚点数量。原Faster R-CNN模型中采用的是3种规格及3种纵横比的锚点参数设定,可产生9种候选框,考虑到铁路侵限异物在视频监控中较小的特点,因此增加锚点的小参数设定,将其规格数量增加到4种,由于纵横比不同对模型影响较小,因此保留3种纵横比的设定,改进后每个滑动位置可产生12种候选框。通过不同锚点数量下模型对不同规格目标的召回率说明了改进后算法对小目标检测效果的提升。（3）使用基于迁移学习的模型训练方法。铁路异物侵限领域没有专门的可用数据集,然而数据集对于模型训练又至关重要,因此引入基于实例的迁移学习方法,使用公开数据集中与本研究领域特征空间相似的图像数据对现有异物侵限数据集进行补充。从“零”开始训练一个全新的模型的代价十分高昂且训练结果的好坏受诸多因素影响,本文提出引入基于参数的迁移学习方法,基于ImageNet对于模型参数初始化,使用人工标记的铁路异物侵限领域数据集对模型参数进行调优,并且采用交替训练的方式完成对改进后模型的训练。通过比较使用迁移学习算法前后模型的准确率说明了本文提出的训练方法的有效性。为了验证改进后的模型的整体性能,将本文模型与原模型以及其它相关深度学习模型相比较,本文算法能够在保持一定的检测精度的基础上具有较快的检测速度,对铁路侵限异物的检测精度达到了97.81%,比现有的同领域算法更具有现场实用价值。

关键词：铁路异物入侵 Faster R-CNN 全局平均池化层区域建议网络迁移学习