基于深度学习的船舶辐射噪声识别研究

为了改善船舶辐射噪声识别系统的性能,进一步提高船舶辐射噪声识别的正确率,该文提出采用一种基于深度学习的船舶辐射噪声识别方法。该方法首先提取了船舶辐射噪声的频谱、梅尔倒谱系数等特征,将提取特征后的图像样本分别用于训练卷积神经网络和深度置信网络,再对船舶辐射噪声进行识别。通过文中所给实例,将深度学习和支持向量机两种识别方法的性能进行比较,得出深度学习方法可以有效地提高船舶辐射噪声识别正确率的初步结论。     

基于深度迁移学习的复杂机场场景飞机目标检测方法

提出了一种改进的深度学习模型,旨在解决检测问题。首先基于迁移学习,微调预训练模型,提高了模型在有限的飞机数据集中的特征提取能力。其次,融入调整模块以增加深层特征图的感受野,提升模型的鲁棒性。引入特征金字塔网络,融合不同尺度的特征信息,进一步增强多尺度特征提取能力。最后,优化了检测头,融合轻量化的分类和回归并行分支,平衡了目标检测的准确性和实时性。构建了易于拓展的Aeroplane数据集,并对所提方法进行了实验验证。结果表明,所提模型在单架飞机、相互遮挡的飞机和小飞机的检测中平均精度分别提高了4.9%、4.0%和4.4%。所提方法在不同环境下表现优于其他经典方法,包括各类遮挡和夜间、雾天等复杂场景,具有良好的场景鲁棒性。     

基于深度学习的红外目标成像液位检测方法

容器液位检测是工业生产及化工原料储存、运输过程中的重要环节,针对现有液位检测技术中传感器布置容易受空间限制,在高温高压、灰尘、潮湿等特殊环境下传感器寿命短等问题,提出了一种基于深度学习的红外目标成像液位检测方法.通过对容器红外图像标注数据集进行优化训练,得到可以准确识别容器内液体百分比含量的模型.首先,构建储罐液位标准...     

焊缝超声相控阵检测数据深度学习降噪方法

超声相控阵检测技术在焊缝检测中具有广泛的应用.超声相控阵检测技术检测信号中常混入噪声导致检测成像时难以分辨真实的缺陷特征.这些噪声主要为无关的反射信号和局部相关的结构噪声,传统的超声图像降噪方法难以有效滤除这些噪声,且存在计算效率低、参数优化复杂等问题.该文提出了一种基于深度学习的焊缝超声相控阵检测技术检测S扫图像的降...     

基于深度学习的材料超声回波衰减预测方法

材料超声回波衰减是评价材料均匀一致性的常用方法, 针对具有复杂结构的航空发动机盘件难以进行材料底面超声回波衰减评价的问题, 本文提出了利用超声背散射波信号直接预测底面回波衰减的方法。采用10MHz聚焦探头进行超声背散射波数据的采集, 利用深度学习技术构建和训练模型,建立了基于深度学习的材料底面回波衰减预测方法, 同时讨论了采用不同信号形式的超声波信号分类识别模型的准确率差异。研究发现：基于深度学习技术可实现通过超声背散射波预测材料的底面回波衰减, 预测结果和实际底面回波衰减试验结果具有良好的一致性。     

基于深度学习的混沌加密灰度图像重建方法

混沌加密由于其初始值敏感性、伪随机性和运动轨迹的不可预测性而被广泛应用于图像加密领域。提出了一种通过深度学习来攻击Lorenz混沌加密系统的灰度图像重建方法,通过残差网络实现了对一系列明文-密文对数据集进行训练,从而拟合出密文到明文的过程,然后将训练好的网络应用在独立于训练集的密文上,恢复出与明文非常接近的图像。数值仿真结果验证了这种灰度图像重建方法的有效性。     

基于深度优先遍历的图像边缘检测方法

图像边缘识别是图像处理的重要组成。提出一种基于深度优先遍历的梯度分割算法,这种算法首先构造像素点的数据结构,然后从图像任意点出发,估算该点附近的像素点并获取梯度值,如果该点满足边缘点的特征,则从该点出发深度遍历寻找垂直于梯度方向上的边缘点,并标记访问过的点。如果该方向上没有满足条件的点则回退,从某个具有仅次于最大梯度值的方向继续遍历,并标记开始遍历的点为角点,直至遍历全图。该算法将图像的边缘点和角点明显地分割出来,便于识别,对带有不同类型的噪声图像进行处理也可取得较满意效果。     

基于深度置信网络的红外光谱鉴别汽油掺混

为实现掺混汽油快速无损鉴别,提出一种利用t分布邻域嵌入结合深度置信网络的鉴别方法,以解决机器学习中高维特征向量间的非线性关系。以92#、95#、98#及定比混合汽油为研究对象,采用多元散射校正算法对原始红外波段投射光谱测量数据进行预处理,利用t-SNE非线性方法进行光谱数据降维处理,分别采用深度置信网络和极限学习机建立汽油种类光谱鉴别模型并对比分析两种方法识别精度。研究表明:该文所选择方法构建的汽油鉴别模型性能更优,对汽油种类预测精准度高达92.5%,从而验证了该方法在汽油鉴别中的有效性。研究结果可为掺混成品油鉴别及溯源研究提供技术支持。     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

基于深度信念网络与混合波长选择方法的蓝莓糖度近红外检测模型优化

利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、竞争性自适应重加权（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）特征提取方法,运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型,实现蓝莓糖度在线无损快速检测。采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱,采用手持折光仪测定其糖度;首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常,剔除该6个异常样本,对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集;其次,对比分析卷积平滑（S-G平滑）、中心化、多元散射校正等预处理对蓝莓原始光谱的改善效果,运用SiPLS对光谱降维,筛选特征波段,利用CARS,UVE和SPA方法对特征波段进行二次筛选,以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。结果表明,蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑,SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm,UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。建立蓝莓糖度DBN模型时,分析了不同隐含层数对检测模型的影响,并以交互验证均方根误差（RMSECV）作为适应度函数,利用粒子群算法（PSO）对各隐含层神经元个数在[1,100]之间寻优,发现隐含层为3层且隐含层节点数为67-43-25时,DBN模型的RMSECV达到最小,为0.397 7。无论是以全光谱还是特征波长建模,蓝莓糖度近红外DBN模型均优于常规PLSR方法;尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量,且模型精度更高,蓝莓糖度最优的PLSR模型测试集相关系数（R_P）为0.887 5,均方根误差（RMSEP）为0.395 9,最优DBN模型R_P为0.954 2,RMSEP为0.310 5。研究表明,利用SiPLS-UVE进行特征提取,结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析,该方法有望应用于蓝莓及其他果蔬内部品质检测。     

SpaceWire冗余网络故障检测恢复技术实现

为提高SapceWire网络可靠性,基于SpaceWire-D提出了一种应用于SpaceWire冗余网络的故障检测恢复技术。网络节点通过比较主、备份端口收到的时间码来判断链路故障状态,在确认主链路发生故障后,节点自动启用备份端口工作。通过引入时间码抖动容限参数,提高了节点对故障判断的准确性,避免了故障误判。测试结果表明,即使故障链路未与节点直接连接,节点也能够在一个时间槽长度内检测到链路故障并自动切换至备份链路。此技术保证了网络故障情况下的数据正确传输,提高了SpaceWire网络的可靠性,是一种稳定可靠的故障检测恢复技术。     

基于深度信念网络的多品种玉米单倍体定性鉴别方法研究

单倍体育种技术是玉米育种新方法,该方法可有效缩短产生纯合系的周期,提高育种效率。该技术需首先挑选足量单倍体籽粒,而玉米在未加人工干预时,单倍体在混合籽粒中仅占0.05%～0.1%,即使采用生物诱导技术,单倍体籽粒数一般也不到籽粒总数的10%。高速、精准地从大量混合籽粒中挑选得到占比少于10%的单倍体籽粒,才能够满足工程化育种需要,而实际育种工作中挑选单倍体时常用的分子生物学、田间形态学辨别等方法存在耗时长、成本高、破坏样本等缺点,难以高效精准地得到玉米单倍体籽粒。相关研究已经证明高油玉米的单倍体与二倍体之间具有明显含油率差异,目前低场核磁共振技术可用于检测玉米单籽粒的含油率,并根据含油率对单倍体进行鉴别,但核磁共振仪存在价格贵、维护难、速度慢、效率低等弱点,现有设备完成单籽粒分选需用时4 s,无法满足工程化育种中大量筛选的速度需求。使用VIAVI微型近红外光谱仪能够达到0.25 s每颗的检测速度,相比核磁共振技术速度快,仪器价格较低,维护方便。使用近红外光谱仪分析技术对单倍体与二倍体籽粒进行鉴别,可以取代核磁共振鉴别单倍体的方法。采用近红外光谱定性鉴别单倍体籽粒虽然取得了一定效果,但目前研究中所采集玉米品种相对较少,研究只针对某一品种单倍体建立模型,对该品种单倍体进行分类;国内外尚无多品种混合单倍体鉴别相关研究,而工程化育种亟需一种能够识别多个品种玉米单倍体的鉴别方法。为此,本文提出一种基于深度信念网络的多品种混合玉米籽粒单倍体鉴别方法,DBN是一种多层深度神经网络,每层由受限玻尔兹曼机构成,采用逐层训练策略,可解决传统神经网络训练方法不适用于多层网络训练的问题。对比实验结果表明使用DBN方法建立多品种单倍体鉴别模型具有较高分类性能,能够满足玉米工程化育种精度要求。     

基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7 d后,以5 min为间隔在纯净水中分别浸泡5~30 min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5 nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据R_p的变化趋势,得到最佳浸泡时间为22.1 min,实际上,精确度超过0.95(R_p)需要5 min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

基于模糊分割的移动自组织网络故障检测算法

针对现有移动自组织网络故障检测算法精度较低、延时较大的问题,提出了一种基于模糊分割的检测算法ANFD(Ad hoc Networks Fault Detection)。ANFD算法以网络数据包与检测消息作为检测工具,通过模糊分割方法对接收到的信息进行处理,最终通过时频域方法进行故障分割,实施最终的故障识别。仿真试验证明,ANFD算法较之其他算法具有较高的故障检测精度、较短的响应延迟,并且具有较低的消息复杂度和内存消耗。     

基于深度架构网络的矮新星自动分类研究

矮新星是一类特殊而稀少的半相接双星。发现更多的矮新星对于深入研究物质转移理论、理解密近双星演化过程意义深远。利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。传统的自编码器是仅包含一个隐层的经典神经网络模型,编码能力有限,数据表征学习能力不足。模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征,通过对底层特征的逐渐抽象学习获得高层特征,进而提高光谱的分类准确率。以自编码器为基础构建了由输入层、若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络,用于处理海量的光谱数据集,挖掘隐藏在光谱内部具有区分度的深度结构特征,实现对矮新星光谱的准确分类。鉴于深度架构网络的参数设置会严重影响所构建网络的性能,将网络参数的优化分为逐层训练和反向传播两个过程。预处理后的光谱数据先由输入层进入网络,再经自编码器算法和权值共享实现对网络参数的逐层训练。反向传播阶段将初始样本数据再次输入网络,以逐层训练所得的权值对网络初始化,再把网络各层的局部优化训练结果融合起来,根据所设置的输出误差代价函数调整网络参数。反复地逐层训练和反向传播,直到获得全局最优的网络参数。最后由末隐层作为重构层搭建支持向量机分类器,实现对矮新星的特征提取与分类。网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减,并由反向传播算法微调整个网络,从而防止发生深度过拟合现象,减少因隐层神经元间的相互节制而学习到重复的数据表征,提高网络的泛化能力。该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力,其特征检测层可从无标注数据中隐式地学习到深度结构特征,有效刻画光谱数据的非线性和随机波动性,避免了光谱特征的显式提取,体现出较强的数据拟合和泛化能力。不同层之间的权值共享能够减少冗余信息的干扰,有效化解传统多层次架构网络易陷入权值局部最小化的风险。实验表明,该深度架构网络在矮新星分类任务中能达到95.81%的准确率,超过了经典的LM-BP网络。     

基于深度残差网络的恒星光谱类别预测

近年来,随着各大光谱巡天项目的陆续实施,观测得到的天体光谱数据急剧增长.大型光谱巡天项目对光谱的自动分类和分析提出了更高的要求.本文将分类问题转化为回归问题,提出一种基于深度残差网络的光谱类别预测方法,对恒星光谱进行光谱次型预测.网络主要包括25个卷积层,1个最大池化层,1个平均池化层,全连接层以及12个残差结构.最大...     

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。     

基于深层信念网络的太赫兹光谱识别

特征提取和分类是太赫兹光谱识别的关键。部分物质在太赫兹波段内没有明显的吸收峰,难以人工定义、提取特征及分类识别,为此,结合深度信念网络(deep belief network,DBN)和K-Nearest Neighbors (KNN)分类器的优点,提出了一种基于DBN的太赫兹光谱识别方法。首先利用S-G滤波和三次样条插值对ATP,acetylcholine_bromide,bifenthrin,buprofezin,carbazole,bleomycin,buckminster和cylotriphosphazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理;然后由两层受限波尔兹曼机(restricted Boltzmann machine, RBM)构建DBN模型,并采用逐层无监督的方法训练模型,以自动提取太赫兹光谱特征;最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。结果表明,使用DBN自动提取的光谱特征,KNN分类器、BP神经网络、SOM神经网络和RBF神经网络的分类准确率达到了90%以上,且KNN分类器的识别率优于其他三种分类器;采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量,在海量光谱数据识别中具有广阔的应用前景。