摘要：为提升高压断路器机械故障识别效果,增强诊断方法的泛化性,提出基于恒等映射卷积神经网络(CNN)的高压断路器机械故障诊断方法。利用多个加速度传感器全方位获取断路器的振动信息;设计基于恒等映射卷积神经网络的故障诊断模型,信号经下采样、数据拼接等预处理手段输入,由模型综合分析各传感器信号特征并识别故障。该模型在网络结构上增加首尾直连通道,与以往研究使用的CNN相比,缓解了梯度消失问题,验证集故障识别率由96%左右提升至100%。与人工提取特征的方法相比,该方法能够自主提取故障特征信息。与其他方法的对比试验结果表明,相比提取差异区间幅值和、配合加权支持向量机识别的传统模型,以及不含恒等映射结构的卷积神经网络模型,该文提出的方法在不同严重程度故障的情况下诊断准确率依然能够达到100%,泛化性更好。

摘要：为提高跌倒检测的准确率,解决传统RNN和CNN训练模型复杂且易产生梯度爆炸现象的问题,提出一种改进的时间卷积网络(TCN)算法。借鉴ResNet恒等映射的思想对残差结构进行改进,将激活函数改进为Leaky ReLU,减少神经元坏死的现象,为避免参数冗余造成模型过拟合问题,选用全局平均池化层代替全连接层实现分类。实验结果表明,该算法判断准确率达到99.4%,较改进前提高了10.51%,与其它已有算法相比准确率提高了2.68%~3.63%,能够准确检测出跌倒行为,对于及时识别老年人跌倒并报警,预防因发现不及时致残致死,具有较高的实用价值和社会价值。

摘要：针对神经网线络中残差结构的优化问题,提出了一种新的残差结构,为了进一步验证其特征提取能力,设计了一个较浅的全卷积神经网络,采用朴素的训练方法在Cifar10和Cifar100基准测试平台上验证测试.与其他主流网络相比,在相同的训练参数下,通过消融实验证实了其在通道信息融合、空间特征提取方面有着出色的性能表现.

摘要：现有的红外制导武器严重依赖操作手对目标的捕获,其捕获的精度与目标的纹理细节正相关。为了提升弱小区域的显示质量,满足现有导引头小型化、模块化、低成本的设计要求,本文设计了一种基于轻量级金字塔密集残差网络的图像增强模型,该模型在密集残差网络基础上通过密集连接层和残差网络来学习不同尺度图像之间的非线性映射,充分利用多尺度特征进行高频残差预测。同时,采用深度监督模块指导网络训练,有利于实现较大上采样因子的超分辨增强,提高其泛化能力。大量仿真实验结果表明本文所提出的超分辨模型能够获得高倍率的超分辨增强效果,其重建质量也优于对比算法。

摘要：为了让卷积神经网络更好的胜任红外导引头或光电跟踪系统的电子变倍任务,适应现代战争对精确打击与远程攻击能力的要求,文中重新设计卷积神经网络的结构,通过将低层次特征和高层次特征聚合连接形成新的特征,并采用双参数损失函数来优化训练深度网络,提高模型的泛化能力。实验仿真与外场挂飞结果表明,所提出的电子变倍方法能够生成具有丰富细节而清晰的高分辨红外图像,增强了目标锁定的精度。

摘要：现有光电观瞄装备采取的电子变倍功能大都是采用线性插值进行放大重建,存在细节不明显,边缘模糊的现象。针对目前超分辨重建算法存在的问题,提出一个多连接卷积网络。该网络构建出多连接网络结构,通过一个较长的跳跃式策略进行恒等映射,实现低层次特征和高级特征的级联,能够同时表征各种复杂的重构场景。采用双参数损失函数来优化训练深度网络,提高网路模型的泛化能力。仿真实验结果表明,该方法能够生成具有丰富细节而且清晰的高分辨红外图像,同时也在客观定量评价上都有很大提高。