摘要：针对工业生产中难以大量获取已标注设备状态数据的问题,文中提出了一种基于深度学习的设备健康状态识别模型,以实现小样本情况下的状态识别。首先,通过离散小波变换去除一维振动信号的噪声,通过格拉姆角场(GAF)将其转换为二维图像,并进行灰度化处理,以简化矩阵并提高深度学习的运算效率;其次,提出了一种深度学习模型,该模型运用Siamese架构,将深层残差结构作为子模块,并采用SimAM自注意力机制对残差结构进行改进,以SRes-SimAM205进行模型指代;最后,为了更快更准确地找到最优值以获得更高的精度,使用OneCycleLR函数自适应调整学习率,为了验证所构建方法的有效性,选择使用中南大学提供的齿轮数据集进行算例分析。试验结果表明:所提出的方法可以更好地提取特征并获得99.9%的识别精度,具有良好的泛化能力和适应性。

摘要：随着现代计算机技术的发展与应用,计算机辅助诊断系统在医学影像分析领域的地位变得愈发重要。其技术的关键在于病灶的定位与分类。由于图像的特征提取十分复杂,若应用传统机器学习方法,则需对图像作大量的预处理。文中提出一种基于深度学习的肺部肿瘤检测方法,运用卷积神经网络对患者肺部肿瘤图像进行特征提取。结合区域建议网络预测肿瘤在图片中可能存在的位置,同时生成建议框。利用学习好的特征对目标区域进行分类并微调建议框的位置。该方法无需人工设计目标特征,通过卷积神经网络学习到的特征更加具有代表性,且能够较好地预测肿瘤的位置。在NLST以及Kaggle的数据集上对该方法进行了评估。实验结果表明,该方法具有较高的准确率和效率。