基于非负矩阵分解的次声信号分类方法*

在中国科学院声学所大气次声波观察网实地采集的,爆炸、地震、闪电、再入四类次声事件105组阵列数据集的基础上,提出应用非负矩阵分解的特征提取方法,对次声信号的计算机自动分类方法进行了研究。针对特征设计过程复杂的问题,本方法使用非负矩阵分解自动挖掘目标信号的隐含结构作为特征。将此特征作为支持向量机和卷积神经网络输入进行分类,以提高特征设计的效率与分类的识别准确率。研究结果指出,在测试集上的平均识别准确率达到了83.13%, 相对于传统方法,简化了特征设计过程,并取得更好的分类结果。     

基于一维卷积神经网络的光纤周界入侵模式识别

针对干涉型分布式光纤传感系统,在通过Mel倒谱系数方法提取扰动信号频域特征进行模式识别的研究基础上,提出了一种基于一维卷积神经网络的光纤入侵模式识别方法。利用还原信号的分级阈值判断并提取入侵信号,有效减少了分帧方法导致的计算时间;构建了基于入侵信号傅里叶变换后的频域信息的一维卷积神经网络,自适应地提取扰动的信号频域特征。搭建了基于直线型Sagnac干涉结构的入侵检测系统,利用大量实验采集的样本数据集对网络进行训练,得到了较好的分类识别结果,测试集的平均识别率达到了96.5%,并对训练后网络的卷积核以及经过卷积核后的入侵信号进行了分析。zscore标准化后,一维卷积神经网络能够识别信号频域中的部分特征,对频率成分复杂的树枝拍打信号识别效果提升较大。     

复合深度神经网络在直升机声目标识别中的研究

针对直升机探测中目标运动过程连续识别的鲁棒性问题,提出了一种基于复合深度神经网络的直升机声学特征提取和识别框架。复合深度神经网络由卷积神经网络和长短时记忆神经网络以并行结构组合,进行直升机声学特征的优化,完成直升机类型识别。针对直升机声信号特性,对卷积神经网络进行了改进,使得该复合深度神经网络在信号短时谱基础上优化声信号特征表征并提取前后帧之间的相关信息,弥补通常声目标识别方法不能充分利用目标信号时间历程信息的缺陷。真实外场实验数据测试结果显示:相较于传统识别方法,该算法显著提升了直升机进入有效探测范围后连续识别的鲁棒性和目标识别正确率。     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于扩张卷积注意力神经网络的高光谱图像分类

为了解决训练样本有限情况下高光谱图像分类精度低的问题,提出了一种结合扩张卷积与注意力机制的三维-二维串联卷积神经网络模型。首先,该模型以串联的三维-二维卷积神经网络作为基础结构,利用三维卷积同时提取高光谱图像的空谱特征,并采用二维卷积进一步提取高级空间语义信息;然后,通过引入扩张卷积增大卷积核感受野,构建了多尺度特征提取结构,实现了多尺度特征的融合;最后,利用注意力机制使网络关注重要的空谱特征,并抑制噪声和冗余信息。在两个常用数据集上对本文算法和四种基于深度学习的分类算法进行对比实验,结果表明,所提模型取得了最准确的分类结果,有效提高了训练样本有限条件下的分类精度。     

一种基于Inception思想的人脸表情分类深度学习算法研究

人脸的情感识别在人机交互领域有着重要作用,对人脸表情进行分类也是研究图像情感的一种方法。针对目前公开的人脸表情数据集数据量少,卷积神经网络的结构较复杂、参数多且计算量大、易出现过拟合的现象,需要构建一种针对小数据集的人脸表情分类模型。利用MTCNN模型进行人脸检测后,结合Inception的思想提出一种新的卷积神经网络模型,使用1×1卷积核对特征维数进行缩减,增加并平衡网络深度和宽度的同时不增加额外的计算负担,更精准的对人脸特征进行提取。经实验验证,提出的算法在CK+和JAFFE人脸数据集上,较其他方法有更好的效果,构建的人脸表情分类卷积神经网络模型能有效进行人脸表情的分类。     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

水下目标多模态深度学习分类识别研究

水下目标的分类识别对于水声探测具有重要意义。提出一种水下目标多模态深度学习分类识别方法。针对水声信号的一维时域模态和二维频域模态特征建立一种多模态特征融合的深度学习结构,结合长短时记忆网络和卷积神经网络的优点,对一维时域信号和二维频谱信号分别进行并行处理,对输出进行典型相关分析,形成特征融合表示,并利用相邻帧的相关性进行参数优化。利用实测水声信号对算法进行了验证。结果表明：提出的算法对于水下目标识别的精度有显著的提高。     

基于深度卷积网络的多传感器信号故障诊断方法研究

针对传统故障诊断方法中多传感器数据融合技术难度大、特征提取困难等问题,提出了一种基于深度卷积网络的多传感器信号故障诊断方法,通过构建测量数据帧进行卷积计算实现多通道数据的自然融合,利用深度网络结构实现高层特征的自动提取和分类,从而高效地实现了故障分类诊断;经分别采用小规模数据集REF和大规模故障数据集BI02进行实验验证,均取得了较高的故障识别准确率,具有很强的工程应用价值。     

语音情感识别中的特征选择方法

为了解决传统卷积神经网络在识别中文语音时预测错误率较高、泛化性能弱的问题,首先以深度卷积神经网络(DCNN)-连接时序分类(CTC)为研究对象,深入分析了不同卷积层、池化层以及全连接层的组合对其性能的影响;其次,在上述模型的基础上,提出了多路卷积神经网络(MCNN)-连接时序分类(CTC),并联合SENet提出了深度SE-MCNN-CTC声学模型,该模型融合了MCNN与SENet的优势,既能加强卷积神经网络的深层信息的传递、避免梯度问题,又可以对提取的特征图进行自适应重标定。最终实验结果表明:SE-MCNN-CTC相较于DCNN-CTC错误率相对降低13.51%,模型最终的错误率达22.21%;算法改进后的声学模型可以有效地提升泛化性能。     

应用支持向量机和人工神经网络对大气次声信号 识别的初步实验

语音情感识别在许多领域具有重要研究价值,不同声学情感特征在使用不同分类器进行分类时,识别效果具有明显差异。与语音情感有关的声学特征包括谱特征、韵律学特征、音质特征。该文提出一种特征融合的方法,将3种声学特征中具有最好识别能力的特征进行融合:保留在实验中表现稳定且有较高识别率的谱特征的全部特征,提取韵律学、音质特征的相关统计量作为辅助特征融合于谱特征中。实验表明,该文所提出的融合特征在使用同一分类器进行分类时,识别率优于单一特征;当使用不同分类器时,融合特征依然具有较好的识别能力,且识别性能稳定,3个数据集上均有较好的识别率,基本实现跨数据集识别。     

Infrasound signal classification based on spectral entropy and support vector machine

The operation speed of the algorithm is the critical factor in the real-time monitoring of infrasound signals. The existing methods mainly focus on how to improve the accuracy of classification and can’t be used in real time monitoring because of their slow running speed. We adopt spectral entropy into the feature extraction of infrasound signals. Combined with the support vector machine algorithm, the proposed method effectively extracted the signal features meanwhile greatly improved the operation efficiency. Experimental results show that the running speed of the proposed method is 1.0 s, which is far less than 4.7 s of the comparison method. So the proposed method can be applied in real-time monitoring of earthquakes, tsunamis, landslides and other infrasound events.     

大气中一种低频次声波观测研究

分析大气中存在的一种低频次声波。利用宽频带次声测量传感器阵列组成的广域分布网络,对此种次声波进行了近5年不间断的检测。对所测次声信号的观察统计发现,它与自然事件密切相关。对这种信号波形、频谱、时频图及相关性进行分析进一步发现,该波通常以一组或间歇性多组形式出现,频率主要在0.001~0.02 Hz之间、幅度一般可达50~200 Pa。在2008年3月20日新疆于田地震、2008年5月12日四川汶川地震以及2009年10月29日陕甘川三省交界处的地震前,均检测到了大幅值的低频次声波。本文的分析结论对研究大气次声波的多样性及其与自然现象的关系提供了新的参考,对地震信息探测具有一定的实际意义。      

火箭发射的次声信号分析*

在距离发射点20km和230km的两个阵列上,记录了我国一次火箭发射产生的次声波。从信号中识别出点火与声爆事件,观察到火箭在飞行中产生持续的次声波,以及声爆前后明显能量特征上的变化,观测到完整的火箭发射和飞行过程中系列次声波。为了验证采集信号中包含声爆事件,使用Fisher检测估计方位角和视速度,计算结果与火箭飞行轨迹一致,并且声爆信号的预计到达时间和估计方位与实际的时间和方位角相符合。结合火箭速度变化的特征,给出了声爆前低频能量较弱现象的解释和火箭超声速后次声能量特征的变化,揭示了火箭产生次声波的机理,为火箭发射等目标的监测提供有益的借鉴和参考。     

时频谱图和数据增强的水声信号深度学习目标识别方法

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用.该文提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的...     

利用深度神经网络实现分布式相干瑞利光纤振动事件分类

该文利用分布式相干瑞利光纤传感系统,在西气东输一线无锡至苏州段开展现场测试,采集了光纤沿线车辆行走、机械挖掘、人工锄地、定向钻孔等8种振动作业产生的光纤信号,并提出了一种具有5层结构的全连接深度神经网络用于振动事件分类识别以实现不同振动作业的分级管理。振动作业产生的光纤信号能量集中在低频,该文利用梅尔对数频率的非均匀特性提取了25维单帧信号特征量,并将连续40帧信号特征量组合成高维向量作为网络输入特征向量,实现对不同振动作业时变特性的建模。分类识别结果表明,基于深度神经网络结构的振动信号分类识别器能够有效识别不同振动作业类型,实际线路实验验证了该文算法的有效性。     

使用深度学习的多通道水下目标识别

为解决低信噪比条件下水下目标识别率低的问题,提出一种适用于多通道水听器阵列的深度学习水下目标识别方法。首先是采用子通道特征级联的方法利用多通道信息;在特征提取方面,采用对信号的不同频率区间进行加权的特征提取器,并对提取的特征进行正则规整;最后采用深度神经网络(Deep Neural Network,DNN)实现目标识别。实验首先在仿真条件下对所提出方法的有效性进行验证,结果表明在-15 dB信噪比条件下的五目标识别任务中,使用多通道级联特征的深度神经网络的识别正确率达到96.7%,显著高于基于支持向量机(Support Vector Machine,SVM)的方法。在后续的湖上试验中,深度神经网络的平均正确率达到96.0%,进一步验证了所提出方法的有效性。      

Handwritten digit recognition based on ghost imaging with deep learning

We present a ghost handwritten digit recognition method for the unknown handwritten digits based on ghost imaging(GI) with deep neural network, where a few detection signals from the bucket detector, generated by the cosine transform speckle, are used as the characteristic information and the input of the designed deep neural network(DNN), and the output of the DNN is the classification. The results show that the proposed scheme has a higher recognition accuracy(as high as98% for the simulations, and 91% for the experiments) with a smaller sampling ratio(say 12.76%). With the increase of the sampling ratio, the recognition accuracy is enhanced. Compared with the traditional recognition scheme using the same DNN structure, the proposed scheme has slightly better performance with a lower complexity and non-locality property.The proposed scheme provides a promising way for remote sensing.     

可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类

煤是工业的主要能源,煤的品质对工业和环境起决定性作用。在使用煤的过程中,如果不能准确确定煤的品种,有可能对生产效率、环境污染、经济损失等会造成重大的影响。传统的煤分类,主要依靠人工方法和化学分析方法,这些方法的缺点是高成本和耗费时间。如何快速准确确定煤的品质很重要。因此,提出深度学习、极限学习机-ELM算法和可见、红外光谱联合建立煤矿分类模型。首先,从抚顺、伊敏和河南夹津口煤矿区采取不同煤样品,并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。然后利用深度学习的卷积神经网络-CNN提取光谱特征,并采用ELM算法对光谱数据建立分类模型。最后,为进一步提高分类精度,引入粒子群算法。通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法,并使用改进粒子群算法优化CNN-ELM网络。实验结果表明,和PCA特征提取方法比较,CNN网络能够更好的提取光谱特征,CNN-ELM分类模型有良好的分类效果;改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。与传统的化学分析方法和人工方法相比,此方法在经济、速度、准确性方面均具有无可比的优势。