摘要：雷达辐射源信号识别在实际战场中是对敌制胜的重要手段。为解决人工提取的雷达辐射源信号特征参数不完备、时效性低等问题,基于模糊函数在表征信号内在结构上的独特作用,提出一种结合模糊函数主脊坐标变换的卷积双向长短时记忆网络的识别方法。首先,为放大不同信号间的差异,采用数学思维将主脊切面转换为极坐标域的几何图像,以此作为神经网络的输入;其次,设计卷积神经网络来挖掘二维时频图的特征信息;最后,搭建双向长短时记忆网络对提取到的特征进行分类识别。仿真实验结果表明,所提方法在信噪比为0 dB以上均能保持100%的准确率,即使信噪比为-6 dB时,识别率仍可达93.58%以上,同时也有效缩短了信号分类时间。结果验证了所提方法不仅能提取信号的隐藏抽象特征,还具备良好的时效性和抗噪性。

摘要：准确可靠地对刀具磨损状态进行监测和识别,有助于保证加工质量和加工效率。为提高刀具磨损状态识别精度,提出一种优化双向长短时记忆网络(NGO-BiLSTM)的刀具磨损状态识别新方法。NGO-BiLSTM核心思想就是通过北方苍鹰优化算法(NGO)对BiLSTM网络超参数进行自适应优化选取,从而解决BiLSTM网络超参数取值不同导致识别结果不稳定这一问题,进而提高BiLSTM的识别性能。通过刀具磨损状态识别实例对所提方法的有效性进行验证,结果表明:所提方法提高了识别精度,在5种评价指标上也是优于其它几种方法。

摘要：为有效地通过语音识别抑郁状态,在将语音进行滤波、降采样等预处理后通过短时傅里叶变换成时频图,输入本文提出的DD-AudioNet(一种融合注意力机制与双向长短时记忆网络的卷积神经网络)进行训练,提取神经网络的瓶颈层向量作为深度学习特征,共128个,再加上声学、频域、停顿、Mel频率倒谱系数和色度5类常用特征共计563个,基于特征选择方法Lasso选择了26个.用迁移学习方法CORAL拉近训练集和测试集的特征分布,最后通过逻辑回归、随机森林和XgBoost分别进行分类辨识.实验结果表明,本文通过高维度特征定义与选择,设计的DD-AudioNet提取的深度学习特征可有效提升基于语音的抑郁状态辨识能力.

摘要：为了提高电梯牵引机齿轮泵的典型故障诊断精度,提出一种基于经验模态分解(EEMD)和双向长短时记忆网络(BLSTM)的行星齿轮泵故障诊断方法。总共设置4种行星齿轮故障类型,综合验证检测性能。通过EEMD方法完成信号分解,对网络实施训练来提升故障类型的分辨精度。研究结果表明:本故障诊断网络模型损失<1%,具有良好稳定性。断齿、正常齿的轮识别率都达到了93%以上,齿根裂纹故障识别率达到了87.2%,可以实现精确识别齿面故障。经过EEMD处理的网络稳定性与精度显著提升。到达后期迭代阶段时,BLSTM网络拟合速度开始变快,精度也获得提升。

摘要：针对现有入侵检测解决方案大多集中于单人场景,而忽视多人场景问题,设计一种多用户被动入侵检测框架WiMD(WiFi-based multi-person passive intrusion detection)。框架采用经过训练的级联双向长短时记忆网络-全连接(bidirectional long-short term memory network-fully connected,BLSTM-FC)神经网络模型实现从去噪后的多用户信号中分离出单人信号,在此基础上利用小波近似系数进行特征提取,将分离出的信号应用于多个二分类器进行入侵检测判断。结果表明,WiMD平均检测准确率可达96.46%,框架可以有效解决合法人员数量较少的特定安全区域入侵检测问题。

摘要：作战意图识别是指对敌方目标的状态信息进行分析,从而解释和判断敌方想要达到的目的。随着作战平台信息化程度的不断提高,这些具有时序性的敌方状态信息呈现多维、海量的特点。面对这样的特点,提出基于神经网络的方法学习敌方状态信息。由于作战意图具有层次性,并且意图行为之间具有依赖关系,设计了一种层次聚合模型,模型底层基于卷积神经网络感知行为特征,中间层基于双向长短时记忆网络聚合子意图之间的长时依赖信息,表达意图内部关系。顶层通过注意力机制将特征聚焦于对识别意图有更高贡献的高级特征,最终感知全局信息以识别目标作战意图。实验数据表明,相比其他网络结构,提出的模型可以表达意图的层次性以及意图之间的长时依赖关系,识别准确率可以达到88.83%,适用于现代战场空中目标意图的识别问题。

摘要：针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性.利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调.同时,考虑到滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法一般仅考虑过去信息而忽略未来信息,引入双向长短时记忆网络(Bi-directional long short-term memory,Bi-LSTM)构建滚动轴承RUL的预测模型.在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.

摘要：针对运动观测阵列状态误差与接收频率抖动同时影响下的非圆信号无源跟踪问题,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)+双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiL⁃STM)的直接跟踪算法.该算法首先利用多运动观测阵列信号各频带间的相关性与辐射源信号的非圆特性,建立模型误差影响下的扩展多站观测矢量;接着利用多个观测时隙内扩展多站观测矢量的信号子空间构造空时特征输入序列;然后设计基于CNN与BiLSTM混合神经网络的直接跟踪模型,通过训练实现对非圆目标的轨迹矢量直接估计.本文算法是从原始数据信号子空间中估计轨迹矢量的直接跟踪模式,相比传统“观测参数估计+滤波轨迹跟踪”的两步估计模式,具有更高的估计精度.由于本文算法在神经网络训练过程中学习到模型误差的信息,因此能够实现对多种误差的校正.仿真结果表明,本文算法较传统两步跟踪算法与现有直接跟踪算法均具有更高的轨迹估计精度,能够明显提升模型误差影响下多站协同跟踪的鲁棒性.

摘要：命名实体识别是自然语言处理的一项基本任务,对信息提取、机器翻译等具有重要的意义和价值。目前命名实体识别通常使用序列标注方法对文本中单个句子的实体进行抽取,忽略了句子间的语义信息。基于机器阅读理解的命名实体识别方法借助问题编码了实体类别的重要先验信息,更加容易区分出相似的分类标签,降低了模型学习难度,但仍然只在句子级别建模,忽略了句子间的语义信息,容易造成不同句子中实体标注不一致的问题。为此,文中将句子级别的命名实体识别扩展到文本级别的命名实体识别,提出了一种基于机器阅读理解的BiLSTM-BiDAF命名实体识别模型。首先,为了充分挖掘文本的上下文特征,使用NEZHA获取全文语境信息,并进一步通过BiLSTM提取局部特征,以加强模型对局部依赖信息的捕获能力;然后,引入双向注意力机制学习文本与实体类别之间的语义关联;最后,设计基于门控机制的边界检测器加强实体边界的相关关系,预测出实体在文本中的位置,同时通过建立答案数量检测器,将无答案问题识别出来。在CCKS2020中文电子病历数据集和CMeEE数据集上的实验结果表明,文中构建的模型能有效地识别文本中的命名实体,F_(1)值可分别达到84.76%和57.35%。

摘要：为实现非结构化工艺规程文本中关键信息的高效识别,建立一种基于机加工领域词典和神经网络的命名实体识别模型.首先,结合机加工领域词典与jieba分词技术进行数据集的自动标注,并在对工艺参数信息进行标注的过程中将数字和标志字母划分为一个分词单位以增强后续特征提取效果;其次,在word2vec词嵌入的基础上,采用双向长短时记忆网络对文本进行特征提取;最后,采用条件随机场综合上下文逻辑以提高关键工艺信息的识别准确率.在包含431条工步内容的数据集上,对所提模型的识别效果进行实验,结果表明,所提模型的准确率、召回率和F1值分别为90.20%,93.88%和92.00%,在与领域内传统模型的对比上具有一定优势,并使用3个不同工艺规程数据集验证了该模型的鲁棒性.