摘要：目的在实际应用中采集的原始多模态故障数据通常是包含大量噪声和冗余信息的非线性数据,如何从不同故障模态中提取有效的非线性故障特征仍是一个挑战性的问题。方法提出了一种鉴别流形敏感的跨模态故障诊断方法,在该方法中首先借助相关分析理论在跨模态故障空间中构建了不同模态间的相关系数,并通过理论推导获得了相关系数的等价优化模型,然后利用局部近邻图构建了鉴别流形敏感散布,进而通过最大化不同模态间的相关性和最小化鉴别流形敏感散布,形成了鉴别流形敏感的跨模态故障诊断模型,并且在理论上推导出了该优化模型的解析解,从而能够从不同模态的故障数据中学习强鉴别力的非线性故障特征。结果在德国帕德博恩轴承数据集和多模态轴承故障数据集上设计了针对性实验,实验结果显示在少量故障样本用于训练时即可获得良好的诊断准确性。结论提出的方法是一种有效的跨模态故障诊断方法。

摘要：为了准确、方便地识别多类型眼底病变,提出光学相干断层扫描技术(OCT)图像的轻量化分类模型MB-CNN.降低卷积核的使用个数,调节每个阶段卷积块的使用比例,设计轻量化主干网络L-Resnet,通过加深网络深度增强对深层语义信息的提取.使用深度可分离卷积设计多尺度卷积块MultiBlock,利用MultiBloc深度挖掘病灶区域的特征,使用不同的卷积核提取不同尺寸病变的特征,提高网络对病变OCT图像的识别能力.构建特征融合模块FFM,融合浅层信息和深层信息,充分提取病变特征的纹理和语义信息,提高对小目标病变的识别能力.实验结果显示,MB-CNN在UCSD、 Duke和NEH3个数据集上的总体分类精度分别达到97.2%、 99.92%和94.37%,模型参数量明显降低,所提模型能够针对眼底的多种病变进行分类.