卷积神经网络在装备磨损颗粒识别中的研究综述

铁谱法是用于装备故障诊断的1种重要方法,其中铁谱法的重点是铁谱图像的分析,即磨损磨粒分析. 卷积神经网络是当下最流行的深度学习算法之一,其广泛应用于图像识别领域,使得图像识别领域得到突破. 随着卷积神经网络的快速发展,磨损颗粒在智能识别方面的技术取得了重大的突破. 本文中首先简述了卷积神经网络与磨粒智能识别的发展历史,针对基于卷积神经网络的磨粒识别方法进行了从图像数据集处理到模型优化技术方面的介绍,并详细说明了这些技术在磨粒识别中的具体应用实例. 然后从现有网络和自设计网络两方面分类,整理了近年来卷积神经网络应用于磨粒智能识别的代表性文献,综述了这些工作所提出的模型结构和特点,分析并阐述了各个模型主要的识别原理,各个网络结构存在的优缺点,以及它们的数据采用情况等,并对未来磨粒智能识别的主要研究方向进行了展望. 最后肯定了卷积神经网络方法在磨粒智能识别方面的重要性,同时指出了基于此方法的磨粒识别模型的缺点,并提出了应紧跟图像识别领域的最新技术以促进磨粒智能识别水平提高等建议,对磨粒智能识别的发展具有一定的意义.      

基于卷积神经网络的红外与可见光户外图像融合

针对户外环境下红外与可见光图像融合效果不足的问题,提出一种基于卷积神经网络的红外与可见光户外图像融合方法。该方法先利用滚动引导滤波器对输入的红外图像进行预处理,过滤噪声并消除无用信息。然后,利用Curvelet变换将红外图像与可见光图像分解成高频系数与低频系数,利用基于卷积神经网络的深度特征融合规则融合高频系数,采用最小融合规则融合低频系数。实验结果表明,该方法的融合图像在主观视觉与客观定量两方面均获得了较好的结果。     

某型航空发动机自整角机非线性校正技术

为克服非线性误差,提高航空发动机上传感器系统的测量精度,采用基于函数链神经网络的非线性校正技术,弥补了传统方法计算量大、精度不高的不足,减小了非线性误差.仿真结果表明此方法速度快,计算精度高,绝对误差不超过0.07o,完全满足测量要求,已在发动机地面试验系统中得到应用,该方法可应用于航空发动机全权限数字式电子控制(FADEC)系统中.     

A data mining method based on constructive neural networks

~~A DATA MINING METHOD BASED ON CONSTRUCTIVE NEURAL NETWORKS[1] Jiawei Han, Micheline Kamber. Data Mining Concept and Techniques. Beijing, Higher Education Press, chapters 1 and 7. [2] Simon Haykin. Neural Networks: A Comprehensive Foundation. 2nd ed. Beijing, Tsinghua University Press, chapters 1, 4, 12 and 14. [3] Zhang Ling, Zhang Bo. A geometrical representation of McCulloch-Pitts neural model and its applications. IEEE Trans, on Neural Networks, 10(19…     

基于CD-net的相干光滤波器组多载波通信系统信道均衡方法

针对基于交错正交幅度调制的相干光滤波器组多载波(CO-FBMC-OQAM)通信系统的信道均衡问题,提出了一种基于人工神经网络(CD-net)的信道均衡方法。CD-net融合了卷积神经网络和深度神经网络的优点,能够完成CO-FBMC-OQAM通信系统的信道均衡任务。在CD-net中,卷积神经网络模块首先对接收端畸变信号进行特征提取,再由深度神经网络模块完成信号解调和信道均衡,并恢复出原始信息。数值仿真结果表明:与传统信道均衡方法相比,CD-net方法在误码率性能方面具有更大的优势,能够较好地解决CO-FBMC-OQAM系统的信道失真问题。     

一种基于深度神经网络的电波传播损耗模型构建方法

将传统经验模型用于电波传播损耗计算,存在泛化性差等问题,在复杂传播环境下难以取得良好的计算效果。针对该问题,本文从数据驱动的角度出发,设计了一种基于深度神经网络的电波传播损耗模型构建方法并进行了仿真验证。首先,基于辐射源与接收机的距离特征及环境特征,构建一定地域内电磁环境感知数据与地形数据的联合数据集,作为本模型的数据源;其次,构建深度神经网络,迭代训练网络参数,并通过网格搜索法优化超参数;最后,运用联合数据集与深度神经网络模型开展计算机仿真实验。结果表明,提出的方法在复杂地域电波传播损耗计算方面能够取得良好的预测精度。     

机器学习在信道建模中的应用综述

信道建模是设计无线通信系统的基础,传统的信道建模方法无法自动学习特定类型信道的规律,特别是在针对特殊应用场景,如物联网、毫米波通信、车联网等,存在一定的局限性.此外,机器学习具有有效处理大数据、创建模型的能力,基于此,探讨了机器学习如何与信道建模进行有机融合,分别从信道多径分簇、参数估计、模型的构造及信道的场景识别展开...     

基于深度学习的两分量BEC中量子相变点的识别

识别物质的相变是物理学研究中一个重要问题.本文采用了一种混淆标签方案的卷积神经网络算法来识别两分量玻色-爱因斯坦凝聚(BEC)中量子相变点,通过计算神经网络输出的准确率,得到W型性能曲线,此性能曲线中间的极大值对应着量子相变的临界点.研究结果表明,深度学习得到的量子相变点与解析计算值吻合度较高.此混淆标签方案的深度学习研究方法可以应用到存在两种相的相变体系.     

基于机器视觉的零部件的缺陷检测

汽车零部件在实际生产过程中,打磨、抛光等各种无法确定的因素会在零部件的表面留下缺陷,从而严重影响车辆的组装、制造,存在巨大的安全隐患,因此车辆零部件的缺陷检测十分重要.零部件缺陷检测已从传统的手工分类发展为基于机器视觉的方法.本文基于卷积神经网络对VGG16网络模型进行改进,提高了模型对汽车零部件缺陷的检测精度.首先,...     

EMD与神经网络在气液两相流流型识别中的应用

本文提出了EMD与Elman神经网络相结合的气液两相流流型识别的新方法.将压差波动信号经验模态分解(EMD)后的固有模态函数(IMF)进行分析、提取IMF能量作为Elman神经网络的输入特征向量,对水平管内的气液两相流流型进行识别.实验结果表明:该方法优于BP网络且稳定、识别率高,具有可行性.