检索结果-南通市图书馆

一种基于改进的googlenet网络模型的图像分类方法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种基于改进的GoogLeNet网络模型的图像分类方法

作者：解梦浩华北电力大学(北京)

学位级别：硕士

随着神经网络以及图像处理技术的快速发展,对图像应用神经网络的方法进行处理也愈发成熟,卷积神经网络在生活中有了越来越多的应用。本文针对卷积神经网络googlenet在遥感图像上分类精确率低问题,在googlenet的基础上引入深度可分离卷... 详细信息

随着神经网络以及图像处理技术的快速发展,对图像应用神经网络的方法进行处理也愈发成熟,卷积神经网络在生活中有了越来越多的应用。本文针对卷积神经网络googlenet在遥感图像上分类精确率低问题,在googlenet的基础上引入深度可分离卷积以及DenSeNet中的密集连接,全文的主要研究内容为:1、介绍经典卷积神经网络的基本结构。从数学公式的角度解释为什么要采用激活函数和采用不同激活函数对网络训练会产生什么影响。2、针对卷积神经网络googlenet无法充分提取遥感图像上多尺度特征问题进行研究改进。在原Inception模块基础上引入7×7卷积通道以及空洞卷积,之后又引入ResNet网络中残差模块,在激活函数方面使用计算更为快捷的H-Swish激活函数。将DRgooglenet网络与原googlenet网络在UCM数据集上进行实验,DRgooglenet相较于原googlenet网络准确率提高了 1.11%。3、针对上述改进可能存在的某些弊端,对googlenet网络模型又提出进一步改进。首先将空洞卷积替换深度可分离卷积卷积,在进一步减少网络参数量的前提下,保证所有特征都可以得到充分使用;然后将基于Inception模块的残差模块替换为密集连接模块,保证信息特征在网络传递中的能充分利用。最后将DMgooglenet网络模型、DRgooglenet网络模型以及原googlenet网络模型分别在UCM数据集和RSSCN7数据集上进行训练测试,在UCM数据集上,DMgooglenet网络较原网络准确率提升了 1.83%,在RSSCN77数据集上,DMgooglenet网络较原网络准确率提升了 5.76%。

关键词：卷积神经网络空洞卷积 DW卷积 googlenet网络密集连接

基于改进googlenet网络的时空双流乒乓球动作识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电脑知识与技术 2021年第33期17卷 78-80页

作者：张傲于洪霞沈阳工业大学人工智能学院辽宁沈阳110023

针对乒乓球运动视频中人体动作具有连续性,需要有效地提取时间维度上的运动信息,提出了基于改进的googlenet作为基础网络框架,搭建了时空双流卷积神经网络进行乒乓球动作识别。对googlenet网络进行内部参数优化和网络结构改进。该方法以... 详细信息

针对乒乓球运动视频中人体动作具有连续性,需要有效地提取时间维度上的运动信息,提出了基于改进的googlenet作为基础网络框架,搭建了时空双流卷积神经网络进行乒乓球动作识别。对googlenet网络进行内部参数优化和网络结构改进。该方法以RGB图像作为空间网络的输入,光流图作为时间网络输入,选择加权的特征融合方式在分类层进行时空特征融合。在UCF101中的乒乓球动作视频以及自制数据集上进行实验,通过实验表明,本文提出的乒乓球动作识别方法最终识别准确率可以达到98.88%,该方法提高模型的训练速度同时提高了模型的识别能力的。

关键词：人体动作识别 googlenet网络双流网络

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

卷积神经网络在交通标志识别中的研究

卷积神经网络在交通标志识别中的研究

作者：甘晓楠广西师范大学

学位级别：硕士

自然环境下的交通标志识别,是无人驾驶中必不可少的技术要求,近年来百度、亚马逊、google、facebook等公司越来越重视无人驾驶,前几年的研究者通常应用颜色、形状、尺度等来表达交通标志的特征。本文充分利用最近5年热起来的卷积神经网... 详细信息

自然环境下的交通标志识别,是无人驾驶中必不可少的技术要求,近年来百度、亚马逊、google、facebook等公司越来越重视无人驾驶,前几年的研究者通常应用颜色、形状、尺度等来表达交通标志的特征。本文充分利用最近5年热起来的卷积神经网络来识别交通标志,把网络不断优化,多次实验,调整网络结构与参数,最终设计了一个在交通标志识别中表现优秀的网络模型,该网络具有良好的准确性、高效性、可移植性。用卷积神经网络的理论解决分类识别问题时,往往用到大量的数据,本文是基于德国交通标志数据集(GTSRB),以在图像处理领域效果最好的Caffe作为框架,设计适合于交通标志识别的网络模型以及网络中使用的超参数。本文的研究工作主要包含以下几个方面:(1)本文在Siamese网络模型的基础上,提出了一种双网络线性合并的想法,首先将Siamese网络卷积层与池化层的权值共享的特性改进成先不共享,随着图片特征的不断提取,再进行权值共享,这样可以提高交通标志的准确率。(2)为了进一步优化网络的结构,提高交通标志识别的准确性与可移植性,本文采用2-channel网络结构思想,把单通道图片改进为双通道图片,该方法提高了网络模型的泛化能力,还能提取图像的特征表达能力,并且给交通标志识别中因为数据量的不足,带来更加方便的识别方法。(3)最后本文应用了全新的Inception结构为基本元素,以Ubuntu14.04为操作系统,以Caffe框架为平台,以googlenet.为整体网络模型构架,设计了一个高精度的TrafficNet网络模型,主要改进了网络的层级结构与激励函数,大大加快了网络训练的速率,针对43类交通标志,总计54324张图片最终取得了 99.8%的分类正确率。

关键词：交通标志识别 Siamese网络 googlenet网络 Caffe框架

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

北斗卫星导航干扰检测与识别技术研究

北斗卫星导航干扰检测与识别技术研究

作者：吴晋哈尔滨工程大学

学位级别：硕士

北斗卫星导航系统(Beidou Navigation Satellite System,BDS)是继美国GPS、俄罗斯GLONASS之后第三个成熟的卫星导航系统,其导航精确性高于其他导航系统,能够为用户提供更精确的时间和位置等信息。随着科技的进步及电子设备的蓬勃发展,... 详细信息

北斗卫星导航系统(Beidou Navigation Satellite System,BDS)是继美国GPS、俄罗斯GLONASS之后第三个成熟的卫星导航系统,其导航精确性高于其他导航系统,能够为用户提供更精确的时间和位置等信息。随着科技的进步及电子设备的蓬勃发展,卫星导航系统所处的无线电磁环境复杂多变,接收端接收到的信号大多不能直接使用,需要对系统中的接收信号进行干扰存在性检测及干扰信号识别,以进行相应的抗干扰措施,提高北斗卫星导航系统的稳定性和可靠性。本文首先对BDS系统受到的干扰信号进行分类并分析,重点研究常见的六种压制式干扰信号,对其完成数学建模,并使其与高斯白噪声混合作为输入信号,方便干扰存在性检测与识别技术研究。在干扰存在性检测算法方面,针对能量检测(Energy Detection,ED)算法在低干噪比时检测概率较低的问题,一是引入噪声不确定系数r,动态估计噪声功率,提出双门限(Double Threshold)能量检测算法,有效提高低干噪比下的检测概率;二是从二元检测的数学统计角度出发,提出构建以门限值th为自变量的错误概率函数,对该函数求极值得到新的门限值,从而提高低干噪比下的检测概率。针对半盲检测(Non-blind Detection,ND)算法检测性能受噪声功率不确定性影响较大的问题,结合随机矩阵理论(Random Matrix Theory,RMT)知识,研究了全盲检测(Blind Detection,BD)算法,因协方差绝对值检测(Covariance Absolute Value Detection,CAVD)算法计算量大,通过计算接收信号矩阵的特征值,分别研究了最大特征值检测(Maximum-Minimum Eigenvalue Detection,MMED)算法和最小特征值检测(New Maximum-Minimum Eigenvalue Detection,NMMED)算法。针对MMED和NMMED算法只考虑最大或最小特征值分布情况的问题,引入加权因子a和b,提出加权融合检测(Weighted Fusion Detection,WFD)算法,使得检测概率有了进一步提高。在干扰识别算法方面,本文从机器学习出发,分别研究了基于决策树、基于支持向量机、基于深度学习网络的干扰信号识别算法。针对决策树(Decision Tree,DT)人为选取阈值的方法识别概率较低且识别过程慢的问题,采用CART准则进行阈值选取,既提高了识别速度又提升了识别准确率;针对支持向量机(Support Vector Machine,SVM)对参数调整敏感的问题,采用网格搜索法(Grid Search,GS)进行参数寻优,有效提升了识别准确率;针对网格搜索法对大规模数据集训练较慢的问题,结合深度学习网络知识,利用googlenet网络对干扰信号进行分类识别,该算法具有更高的准确性和鲁棒性。

关键词：干扰存在性检测干扰识别能量检测错误概率函数加权融合检测决策树支持向量机 googlenet网络

基于机器学习的滚动轴承实时状态监测与故障诊断系统研发

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的滚动轴承实时状态监测与故障诊断系统研发

作者：田依多电子科技大学

学位级别：硕士

机械故障严重威胁到风力发电设备、航空发动机、高档数控机床等大型机械设备安全可靠运行,在机械设备正常运行时,采取必要措施对设备的运行状态进行监测,预测可能发生的机械故障并及时预警,可以极大地减小生产的成本、提高生产安全。传... 详细信息

机械故障严重威胁到风力发电设备、航空发动机、高档数控机床等大型机械设备安全可靠运行,在机械设备正常运行时,采取必要措施对设备的运行状态进行监测,预测可能发生的机械故障并及时预警,可以极大地减小生产的成本、提高生产安全。传统的轴承故障诊断往往是针对已经发生故障的轴承进行故障的分类。对此本文基于对轴承故障分类算法以及故障预测算法的研究,研发了一套可以部署在边缘端设备上的滚动轴承故障实时诊断系统,可以对滚动轴承的故障进行实时的监测、识别以及预测。本文围绕滚动轴承的智能故障诊断及预测,完成了以下内容的研究:(1)使用傅立叶(FFT)算法结合包络谱研究了基于轴承故障特征频率的故障分析方法。在时域、频域以及时频域分别通过时域特征指标、小波包算法、短时傅立叶(STFT)算法提取振动信号多域特征值。对时域特征使用方差过滤、箱线图分析进行特征筛选。同时本文提出了基于MIC相关性分析的小波包特征降维方法,过滤与分类标签相关性低的特征,减小特征数据集的空间大小。(2)本文基于小波包算法提取的小波包特征以及STFT算法提取的时频谱特征,提出了采用XGBoost模型以及googlenet模型进行故障分类的方法。XGBoost算法相比目前其他智能故障诊断算法如神经网络、支持向量机,在算法的时间复杂度、空间复杂度上具有十分明显的优势,非常适合部署在边缘端设备。基于时频谱特征结合googlenet网络可以对故障信号进一步诊断。本文还提出了基于TPE搜索算法优化的XGBoost轴承故障分类方法。进一步提高了分类的准确率。(3)传统的轴承故障预测或寿命预测通常是基于经典随机退化模型进行研究,而实际的工况下往往会伴随复杂的噪声信号,影响模型预测的准确率。本文研究了基于时间序列预测模型LSTM的智能故障预测方法。相比传统基于模型的方法大大减小了预测的误差。(4)基于对轴承故障分类以及故障预测算法的研究,本文开发了一套滚动轴承故障实时诊断系统。该系统包含轴承故障监测、轴承故障预测以及轴承故障分析三大主要模块。系统开发架构基于MVC架构开发为Web轻量级应用,并基于Docker容器化技术在边缘设备进行部署。

关键词：轴承故障实时诊断 XGBoost算法 googlenet网络轴承故障预测 TPE

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的目标检测研究

基于深度学习的目标检测研究

作者：付若楠北京交通大学

学位级别：硕士

目标检测作为图像处理和计算机视觉领域中的经典课题,在交通监控、图像检索、人机交互等方面有着广泛的应用。它旨在一个静态图像(或动态视频)中检测出人们感兴趣的目标对象。传统的目标检测算法中特征提取和分类决策分开进行,对特征选... 详细信息

目标检测作为图像处理和计算机视觉领域中的经典课题,在交通监控、图像检索、人机交互等方面有着广泛的应用。它旨在一个静态图像(或动态视频)中检测出人们感兴趣的目标对象。传统的目标检测算法中特征提取和分类决策分开进行,对特征选取的要求就更加严格,在面对复杂场景的时候很难得到理想效果。自Hinton教授提出深度学习理论,越来越多的研究学者尝试采用深度学习理念来解决目标检测问题,并且提出了不同的模型。不同的模型应用也不尽相同,通常采用卷积神经网络来处理目标检测问题。相比于传统目标检测算法,卷积神经网络中特征提取和模式分类并行进行,而且随着层数的增多可以更好的处理复杂场景,但是它对目标边缘的约束性太差。在这样的基础上,本文对传统算法和卷积神经网络做了深入的研究,实现了将传统算法和卷积神经网络相结合的目标检测算法。本文的主要工作和创新有:(1)针对传统目标检测算法一般是使用矩形框的方式得到目标的大致区域,而我们的需求是尽可能的获得目标的边缘轮廓问题,本文实现了一种改进的基于主动轮廓模型的目标检测算法,使轮廓尽可能的接近目标。(2)针对传统算法需要人工设计图像特征,不同场景模型不稳定问题而卷积神经网络分割不精确以及缺少相邻像素之间的约束的问题,本文将传统算法和卷积神经网络相结合,使用卷积神经网络进行图像“高层次”特征提取,超像素提取出图像“低层次”特征,可以适应不同的复杂场景,并且获得准确的目标边缘。在颐和园景点数据库中进行了充分的实验。通过结果可以看出使用我们的算法进行目标检测提取,可以很精确的提取出目标,而且目标的边缘约束性也非常强。(3)主要创新点:在使用超像素提取特征删除重复特征,减少特征冗余,降低特征的维度;同时将VGGNet(Visual Geometry Group Network)网络换成收敛速度更快的googlenet网络,提高了算法的速度。

关键词：目标检测深度学习超像素卷积神经网络 googlenet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

基于卷积神经网络的抽油井故障诊断方法研究

基于卷积神经网络的抽油井故障诊断方法研究

作者：李泽熙沈阳工业大学

学位级别：硕士

石油是工业生产和日常生活中应用广泛的能源之一,在能源领域占有重要地位,作为一种天然能源,石油开采所用的抽油井工作环境恶劣,经常会出现故障,轻则影响石油产量,重则会造成严重的人员伤亡和财产损失。因此抽油井安全且高效地运行对石... 详细信息

石油是工业生产和日常生活中应用广泛的能源之一,在能源领域占有重要地位,作为一种天然能源,石油开采所用的抽油井工作环境恶劣,经常会出现故障,轻则影响石油产量,重则会造成严重的人员伤亡和财产损失。因此抽油井安全且高效地运行对石油开采意义重大,而油井安全的关键是抽油机故障的准确识别。在抽油机故障识别上,以示功图为依据是目前普遍采用的手段。现有的方法大部分以对示功图提取特征后进行故障分类为主要途径,这类方法的识别精度对特征提取有较强的依赖性;卷积神经网络以其特征提取与分类为一体的优势在故障诊断领域得到了广泛应用,采用卷积神经网络进行抽油机故障诊断有重要意义。本文以抽油机中使用最广泛的有杆式抽油机为研究对象,以辽河油田中油井的实际采集数据为基础,现场使用WIA-PA无线示功仪采集数据并绘制井上示功图。针对抽油机井上示功图与井下泵功图在反映抽油机井下部分运行状态上存在的差异性,基于Gibbs波动方程,将井上示功图转换成井下泵功图,对泵功图进行数据预处理和数据集扩充,构建了WPD油井故障诊断数据集。在卷积神经网络类型选择上,对比多种常见的卷积神经网络模型,选择googlenet网络结构进行抽油机故障诊断,并修改googlenet网络结构的激活函数、归一化层、全连接层、学习率、Dropout层等重要参数对网络改进。实验结果表明改进卷积神经网络New-googlenet使抽油机故障识别准确率和识别速度均得到了提升。进一步针对现有抽油机故障数据集数据量不足对识别精度的影响问题,选择引入迁移学习来提高识别精度,在迁移学习实现中使用了对比分析迁移不同的数据集、不同的数据集扩充方式和不同的冻结方式。实验结果表明引入迁移学习的改进卷积神经网络TL-New-googlenet进一步提高了故障识别准确率和识别速度。本文采用卷积神经网络对抽油机故障识别,结果表明具有高准确率和高识别速度的优势,本研究方法对抽油机故障诊断具有重要的应用价值。

关键词：抽油机故障诊断卷积神经网络 googlenet网络迁移学习

永磁同步电机的高阻连接故障分析及诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

永磁同步电机的高阻连接故障分析及诊断方法研究

作者：李浩华安徽大学

学位级别：硕士

因功率密度大、结构精简等特点,永磁同步电机(Permanent Magnet Synchronous Motor,简称PMSM)被广泛应用于新能源汽车、高铁等现代工业中。PMSM运行过程中一旦发生故障将直接影响系统的正常运行,造成严重的经济损失,甚至会烧毁电机造成... 详细信息

因功率密度大、结构精简等特点,永磁同步电机(Permanent Magnet Synchronous Motor,简称PMSM)被广泛应用于新能源汽车、高铁等现代工业中。PMSM运行过程中一旦发生故障将直接影响系统的正常运行,造成严重的经济损失,甚至会烧毁电机造成火灾,因此对PMSM进行故障诊断尤为重要。高电阻连接(High Resistance Connection,简称HRC)是一种典型的PMSM渐进式定子绕组故障,多发生在电机外部与驱动器的连接处。由材料疲劳或控制回路接触不良引起;而目前PMSM的HRC故障诊断方法中大部分以单一信号进行故障识别,但是由于PMSM的运行环境相对复杂多样,对电机进行信号采集工作时极易受外界因素的影响,这会使得用于判别HRC故障的特征变化不够显著,难以识别故障。若对HRC故障进行诊断时,只凭借电机的某一信号并不能够对故障做出精准的判断。因此本文以一台8极18槽的PMSM作为故障诊断的对象,提出利用电机运行过程中的三相电流信号及漏磁信号的多源信号融合的HRC故障诊断方法。本文的主要工作介绍如下:其一,首先介绍HRC故障发生的机理,并从理论分析出发,介绍了PMSM的HRC故障下的电流信号及漏磁信号的变化机理,并且利用Maxwell软件对电机的健康状态及10种HRC故障状态进行三相电流及漏磁信号的仿真分析,通过仿真验证本文所提方法的可行性;其二,针对HRC故障诊断的需求分析,进行整体方案设想与构建,最终以三相PMSM为核心,并利用交直流电流钳、巨磁阻(giant magnetoresistance,GMR)传感器、NI采集卡及驱动电路模块构建出完整的HRC故障诊断实验平台;其三,通过数据采集模块得到三相电流信号及漏磁信号,并对信号进行时域、频域及时频域分析,找到信号中包含的特征信息,作为HRC故障诊断的判断依据。对三相电流信号,通过时域幅值最大值与绝对平均值区分HRC故障的严重程度,然后采用小波包变换,提取信号的时频图颜色特征及纹理特征,实现HRC故障的定位分析;针对漏磁信号,在PMSM的外壳处构建了GMR传感器采集矩阵,对不同处的漏磁信号进行频域分析,进而判断HRC故障的发生,并利用递归算法结合googlenet模型对漏磁信号进行HRC故障定位分析及定量评估。仿真与实验所得结果印证了:本文提出的基于三相电流信号及漏磁信号的多源信号融合诊断方案能够有效的识别HRC故障,并且定位及定量分析HRC故障的结果准确度高,相比单一信号进行HRC故障诊断,可靠性强;对于PMSM的HRC故障具有实际应用价值。

关键词：永磁同步电机巨磁阻传感器漏磁信号三相电流信号高阻连接故障 googlenet网络

改良googlenet的电机滚动轴承故障诊断

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

吉林大学学报（信息科学版） 2022年第3期40卷 371-378页

作者：任爽田振川林光辉杨凯商继财东北石油大学电气信息工程学院黑龙江大庆163318

针对电机滚动轴承信号特征人工提取困难、故障分类效果差的问题,利用传统googlenet模型单元与稠密连接思想结合,提出一种改良的googlenet卷积神经网络结构。将提出的改良模型应用于电机滚动轴承的故障诊断试验,对原数据分组处理并贴上... 详细信息

针对电机滚动轴承信号特征人工提取困难、故障分类效果差的问题,利用传统googlenet模型单元与稠密连接思想结合,提出一种改良的googlenet卷积神经网络结构。将提出的改良模型应用于电机滚动轴承的故障诊断试验,对原数据分组处理并贴上标签后,直接输入到改良模型中进行训练,最后将测试集输入到训练好的模型中,测试其分类准确率。由于诊断过程不需要进行人工特征提取,从而避免了人工提取故障特征时的困难和带来的误差,大大简化了故障识别过程,证明了改良googlenet模型在故障诊断中的可行性。将提出的模型与传统googlenet模型和其他典型模型做对比,结果表明,改良googlenet卷积神经网络模型具有精确度高、特征提取能力强、收敛速度快、表现稳定的特点。

关键词：深度学习电机滚动轴承故障诊断卷积神经网络 googlenet网络稠密连接