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。     

基于双通道神经网络的图像脉冲噪声降噪

脉冲噪声是成像过程中的一个主要噪声源,传统的滤波器难以有效消除高密度的脉冲噪声。针对这一问题,提出了一种基于非对称并行神经网络的图像脉冲噪声降噪算法。算法利用隐写分析丰富模型提取图像的噪声卷积特征图;将原图像特征图与噪声卷积特征图分别送入两个相同的卷积神经网络进行处理;结合l_1损失与l_2损失作为神经网络的总代价函数,同时利用了l_1损失的高视觉效果与l_2损失的强收敛性。实验结果表明:提出的降噪算法在各密度下的降噪性能均优于基于滤波器的降噪算法,对于高密度脉冲噪声也具有明显优势。     

基于时频分析的离心泵空化状态表征研究

空化检测对于保障离心泵运行的安全性和可靠性具有重要意义,已有研究侧重于信号采集和特征提取,对于空化诱发的振动噪声形成机理研究不够深入。为了实现离心泵空化状态的准确表征和有效识别,本文建立了基于信号调制理论的流体机械振动噪声信号模型,将流体激振信号和调制信号视为空化表征的有效信息成分,在此基础上提出了一种基于频带能量和峭度的主导频带时频分析方法,并结合卷积神经网络实现空化状态智能识别.最后,仿真信号和实际数据的分析结果验证了流体机械信号模型的合理性,也证明了所提出的主导频带时频分析方法的有效性。     

基于逆卷积神经网络的等离子体辐射分布断层重建方法

发展了一种基于逆卷积神经网络的图像级重建方法用于聚变等离子体辐射分布的断层反演。通过引 入结构相似度(SSIM)作为损失函数,该方法在模拟数据实验中表现出了较好的重建效果。模拟实验结果表明,在 弦积分信号噪声强度为10%、15%及20%时,该方法的重建结果依然具有良好的精确度和鲁棒性。     

基于深度学习的252Cf源驱动核材料浓度识别技术

针对核武器/核材料识别系统中核材料浓度识别的关键技术问题,采用Monte Carlo方法,通过建立252Cf源驱动核材料裂变中子信号样本库,模拟分析了随探测器距离和角度及核材料浓度变化的裂变脉冲中子信号特点,基于深度学习之卷积神经网络,构建了一种252Cf源驱动核材料浓度识别方法,实现了对测试样本浓度的识别,且还与BP神经网络和K最近邻方法进行了对比试验研究。结果表明,卷积神经网络算法进行核材料浓度识别,得到了高达92.05%识别准确率,不仅解决了因探测器距离和角度变化时对核材料浓度识别准确率影响的难题,而且还获得了优于BP神经网络和K最近邻算法对核材料浓度识别的认识,这为252Cf源驱动核材料浓度识别提供了一种新的途径。     

基于深度多分支特征融合网络的光学遥感场景分类

针对遥感图像背景复杂且存在某场景图像中关键物体小且尺度变化较大,需提升模型表征能力来准确辨别各类场景的问题,提出了一种深度多分支特征融合网络的方法进行遥感图像场景分类.利用多分支网络结构提取高、中、低三个层次的特征信息,将三个层次的特征进行基于拆分-融合-聚合的分组融合,最后为了关注难辨别样本和标签位置损失,提出一种损失函数.试验结果证明,本文所提出的方法对于提高分类准确率十分有效,在UCM、AID和OPTIMAL三个数据集上的准确率超过其他算法.在数据集UCM上80%样本训练,准确率达到了99.29%,与ARCNet-VGG16算法相比分类准确率提高了1.35%.在数据集AID上50%样本训练,准确率达到了95.56%,与Two-Stream算法相比提高了0.98%.在数据集OPTIMAL上80%样本训练,准确率达到95.43%,与ARCNet-VGG16算法相比提升2.73%.     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

基于反贝叶斯学习的WDMS光谱自动识别研究

天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成的影响,提升了模型的鲁棒性,解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。该实验基于Tensorflow深度学习库。使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性,并且封装了内部实现细节,使得算法得以更好地实现。除此之外,由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。实验结果表明,二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、超新星等。     

一种重构辐射噪声调制谱的方法

在进行辐射噪声信号的仿真研究中,希望利用经滤波、特征提取等处理所得到的反映目标特性的线谱、连续谱、调制谱来重构辐射噪声,以便于研究辐射噪声在声场中的传播特性。本文提出了利用迭代算法估算调制深度谱的算法,给出了时域辐射噪声的重构模型,以实测数据的调制谱为出发点,来重构其时域信号,并对重构前后的调制谱进行了误差分析,取得了较好的效果。     

谱域光学相干层析系统中基于解卷积方法的像质优化

谱域光学相干层析（spectral domain optical coherence tomography, 简记为SD-OCT）系统的轴向点扩散函数（point spread function, 简记为PSF）并不具备空不变特性,无法直接应用于解卷积运算.为实现SD-OCT系统成像质量基于解卷积算法的优化,本文采用数值校正后的轴向扫描信号和轴向有效PSF来实施基于Lucy-Richardson算法的解卷积运算,进而实现了SD-OCT系统中图像质量尤其是轴向分辨率的改善.本文理论分析了SD-OCT系统中导致轴向有效PSF随成像深度增大而下降和图像模糊的因素,阐述了利用解卷积算法实现图像质量优化的过程,基于建立的SD-OCT系统实施了不同成像深度位置处PSF的标定,并利用离散轴向位置处PSF的峰值拟合了轴向有效PSF的调制函数.利用调制函数对所有轴向扫描信号进行数值校正,然后根据轴向有效PSF进行解卷积算法.典型样品的解卷积图像重建结果表明,提出的解卷积方法能有效提高系统的轴向分辨率,同时有效抑制系统灵敏度随成像深度增大而下降的趋势. 关键词： 谱域光学相干层析 Lucy-Richardson解卷积 有效点扩散函数     

一种基于双分支改良编解码器的图像去噪算法

针对传统图像去噪算法多噪声去除难，深层卷积神经网络去噪模型网络复杂、训练时间长等问题，提出一种基于自编码器结构的双分支改良编解码网络，实现高效图像去噪。双分支结构之一采用降-升采样实现点噪声消除，另一分支专注于宏观的图像修复和伪像去除，后端利用残差结构进行整合，实现数字图像混合噪声去噪。实验结果显示:对于含有标准差为15，均值为0的高斯噪声、噪声密度为5%的椒盐噪声和散粒噪声的混合噪声图像测试集，实验去噪效果相较于输入混合噪声图像峰值信噪比，平均提升了5.3%。与12层全卷积神经网络相比，去噪效果相当，训练速度提升了25.4%，体现了其“轻量级”的优点。实验表明:该方法相较于深层卷积神经网络，训练速度快，网络简单；相较于传统图像去噪算法，噪声去除效果也较为明显。该算法可应用于轻量级视觉平台后端去噪。     

基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测

胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽。若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益。该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集系统,在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）,其中包括输入层、3个卷积层、全连接层与输出分类层。卷积层可以提取光谱中的有效信息,全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。利用该卷积神经网络构建鸭胚雌雄信息识别网络,通过对比与分析不同孵化天数的识别效果,发现孵化7d的识别效果最佳。随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除,选取500~900 nm波段用于后续的特征波长选取和建模。分别运用了竞争性自适应重加权算法(CARS)、连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点,将选取的特征波长转换为二维的光谱信息矩阵,二维光谱信息矩阵保留了一维光谱的有效信息,同时极大地方便了与卷积神经网络的结合。利用二维光谱信息矩阵和卷积神经网络相结合,实现孵化早期阶段鸭胚的雌雄识别。经检验,基于 SPA算法和CNN网络建立的模型效果较佳,其中训练集、开发集及测试集的准确率分别为93.36%,93.12%和93.83%;基于GA算法和CNN网络建立的模型效果次之,训练集、开发集及测试集的准确率分别为90.87%,93.12%和86.42%;基于CARS算法和CNN网络建立的模型的训练集、开发集及测试集的准确率分别为84.65%,83.75%和77.78%。研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别,为后续相关自动化检测装置的研发提供了技术支撑。     

基于全卷积金字塔残差网络的能谱CT图像降噪研究

传统CT采用积分式探测器采集投影数据,反映的是物体的平均衰减特性,会在一定程度上造成信息损失,无法对物体进行较好的定性定量测量。基于光子计数探测器的能谱CT通过设定多个能量响应阈值能够探测不同能量范围内的X射线光子,采集更多被测物体的物质组成信息,有助于识别不同物理特性的材料,基于此,能谱CT被广泛的应用于小病灶、低对比度结构以及微细结构的成像。然而将整个能谱划分为多个能量段进行数据采集时,范围较窄能量范围内的有效光子数比例相对降低,导致图像中包含较多的噪声,图像质量较差,影响能谱CT的临床应用。为了有效的抑制能谱CT不同能量段内重建图像中的噪声,提出了一种基于深度学习的能谱CT图像降噪方法。我们将全卷积网络和金字塔残差网络结合为全卷积金字塔残差网络(FCPRN),实验中,利用能谱CT在不同的能量范围扫描小鼠样本,使用FDK算法和基于压缩感知的Split-Bregman算法进行重建并分别作为训练数据和标签数据训练全卷积金字塔残差网络。为了验证网络的降噪性能,选取了常见的降噪网络模型denoising convolutional neural networks(DNCN)以及residual encoder decoder convolutional neural network (REDCNN)进行对比,训练三种网络的使用的数据和实验配置都是完全相同的,实验结果表明训练模型可以有效抑制不同能量范围内重建图像的噪声,且使用的全卷积金字塔残差网络的降噪性能优于其他网络模型。模型训练好后,可以对FDK算法重建出的图像进行降噪,由此提高能谱CT图像降噪效率,保证能谱CT重建图像的质量。     

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。     

ECG Signal Classification Using Deep Learning Techniques Based on the PTB-XL Dataset

The analysis and processing of ECG signals are a key approach in the diagnosis of cardiovascular diseases. The main field of work in this area is classification, which is increasingly supported by machine learning-based algorithms. In this work, a deep neural network was developed for the automatic classification of primary ECG signals. The research was carried out on the data contained in a PTB-XL database. Three neural network architectures were proposed: the first based on the convolutional network, the second on SincNet, and the third on the convolutional network, but with additional entropy-based features. The dataset was divided into training, validation, and test sets in proportions of 70%, 15%, and 15%, respectively. The studies were conducted for 2, 5, and 20 classes of disease entities. The convolutional network with entropy features obtained the best classification result. The convolutional network without entropy-based features obtained a slightly less successful result, but had the highest computational efficiency, due to the significantly lower number of neurons.     

联合深度编解码网络和时频掩蔽估计的单通道语音增强

提出了一种联合深度编解码神经网络和时频掩蔽估计的语音增强方法。该方法利用深度编解码网络估计时频掩蔽表示,并联合带噪语音的幅度谱学习带噪语音与纯净语音幅度谱之间的非线性映射关系。深度编解码网络采用卷积-反卷积网络结构。在编码端,利用卷积网络的局部感知特性,对带噪语音的时频域结构特征进行建模,提取语音特征,同时抑制背景噪声。在解码端,利用编码端提取到的语音特征逐层恢复局部细节信息并重构语音信号。同时,在编解码端对应层之间引入跳跃连接,以减少由于池化和全连接操作导致的低层细节信息丢失的问题。在TIMIT语音库和不完全匹配噪声集下进行仿真实验,实验结果表明,该方法可以有效抑制噪声,且能较好地恢复出语音细节成分。      

Sensor and Actuator Fault Diagnosis for Robot Joint Based on Deep CNN

This paper proposes a data-driven method-based fault diagnosis method using the deep convolutional neural network (DCNN). The DCNN is used to deal with sensor and actuator faults of robot joints, such as gain error, offset error, and malfunction for both sensors and actuators, and different fault types are diagnosed using the trained neural network. In order to achieve the above goal, the fused data of sensors and actuators are used, where both types of fault are described in one formulation. Then, the deep convolutional neural network is applied to learn characteristic features from the merged data to try to find discriminative information for each kind of fault. After that, the fully connected layer does prediction work based on learned features. In order to verify the effectiveness of the proposed deep convolutional neural network model, different fault diagnosis methods including support vector machine (SVM), artificial neural network (ANN), conventional neural network (CNN) using the LeNet-5 method, and long-term memory network (LTMN) are investigated and compared with DCNN method. The results show that the DCNN fault diagnosis method can realize high fault recognition accuracy while needing less model training time.     

多局部残差连接注意网络的图像去模糊

针对现有的基于卷积神经网络的图像去模糊算法存在图像纹理细节恢复不清晰的问题,提出了一种基于多局部残差连接注意网络的图像去模糊算法。首先,采用一个卷积层进行浅层特征提取;其次,设计了一种新的基于残差连接和并行注意机制的多局部残差连接注意模块,用于消除图像模糊并提取上下文信息;再次,采用一个基于扩张卷积的成对连接模块进行细节恢复;最后,利用一个卷积层重建清晰图像。实验结果表明：在GoPro数据集上的PSNR (peak signal to noise ratio)和SSIM (structure similarity)分别为31.83 dB、0.927 5,在定性和定量两方面都表明所提方法能够有效地恢复模糊图像的纹理细节,网络性能优于对比方法。