摘要：互感器是高压电力系统中的必备设备之一,一旦互感器发生故障,将会导致保护装置拒动误动,造成电网瘫痪。传统的故障诊断和分类方法首先从原始过程数据中提取特征,然后采用特定的分类器进行诊断,缺乏对原始数据中动态信息的自适应处理。为了提高传统循环神经网络在诊断中的准确度,并考虑到长短记忆神经网络诊断时间较长的缺陷,提出一种基于批标准化的LSTM模型的故障诊断方法。该方法无需进行特征提取和分类器设计,直接对故障进行分类,并且能自适应学习动态故障数据。通过与其他故障诊断方法比较,该方法的诊断精度和诊断性能较高,在互感器故障诊断领域具有良好的应用价值。

摘要：利用脉搏波特征参数法估测动脉血压(ABP)时,需要进行人工特征设计和筛选以提取出与动脉血压相关性高的特征参数,具有局限性。对此,提出基于卷积神经网络(CNN)的单路光电容积脉搏波信号(PPG)的连续动脉血压测量算法。对PPG信号依次进行去噪平滑、单周期分割和插值处理后,将其输入到CNN中进行特征提取,以建立其与动脉血压间的关系。根据美国医疗器械促进协会(AAMI)的规定,医疗用途的血压测量器械的平均误差应不大于5±8 mmHg。实验结果表明,该算法的测量误差满足AAMI要求。

摘要：机械中普遍存在的转速大波动工况是影响机械设备故障诊断的关键性难题,现有方法在计算效率及诊断误差等方面存在缺陷。深度学习理论能够利用深度神经网络实现数据的自动特征提取和分类。结合深度学习的优势,提出了一种专门用于处理转速大波动工况下的智能故障诊断方法。该方法首先根据机械转速信息提取频域样本;然后利用频域样本训练批标准化的深度神经网络,用批标准化技术中的平移和缩放参数能来处理转速大波动下频域信号的频移和幅变特性,并减轻深度网络内部协变量转移问题,加快网络收敛;最后采用两组特殊设计的转速大波动工况下的滚动轴承试验来验证提出方法的性能。研究结果表明,该方法可克服转速大波动的影响,从而实现不同轴承故障的准确识别,并获得比其他方法更高的准确率。

摘要：针对现有壁画图像中分辨率低、图像细节粗糙导致壁画图像艺术价值降低等问题,提出一种增强艺术性壁画图像的超分辨率重建算法优化壁画图像。以生成对抗网络为框架,使用生成网络输出重建的高分辨率图像,在判别网络中提取壁画图像的特征,用于判断生成网络的输出是否为真实高分辨率壁画图像。采用迁移学习思想、去除批标准化、将网络模型分阶段构建的方法实现更好的壁画图像优化。与现有几种图像超分辨率算法对比,在客观实验指标上PSNR值平均提高了1.2 dB-3.3 dB,SSIM值增加了0.04-0.13;在主观评分方面也优于其它算法,验证了该算法在壁画图像的超分辨率重建上具有有效性和卓越型。

摘要：针对不同光强、风格、背景影响卷积神经网络对糖尿病视网膜病变(diabetic retinopathy,DR)分类精度的问题,设计了一种基于ResNet-101融合实例批量归一化的方法。在ResNet-101的浅层(Conv2_x、Conv3_x、Conv4_x)的基本模块中,将第一个Conv后的批标准化更换为一半批标准化一半实例标准化。数据集划分为糖尿病视网膜病变阶段检测和糖尿病视网膜病变筛查检测两部分,通过改变曝光、镜像、旋转和添加少量高斯噪声等方式扩充数据集。实验结果表明,融合IBN-Block_1和IBN-Block_2的IBN2-Net在糖尿病视网膜病变阶段检测实验中准确率达到了98.8%,融合IBN-Block_1、IBN-Block_2和IBN-Block_3的IBN3-Net在糖尿病视网膜病变筛查检测实验中准确率达到了98.4%,融入IBN-Block能够提高糖尿病视网膜病变分类模型的精度和鲁棒性。

摘要：多标签图像标注在根据模型预测的概率,利用排名函数进行标注时会出现多标或少标的问题,提出了融合阈值寻优的卷积神经网络(CNN-THOP)模型,该模型由卷积神经网络(CNN)和阈值寻优构成。首先,通过CNN训练模型,利用该模型对图片进行预测,得到预测概率,其中在CNN中增加了批标准化层(BN)有效地加快了收敛。其次,利用该模型对测试集图片的预测概率进行阈值寻优,经过阈值寻优过程为每类标签得到一个最佳阈值,从而得到一组最佳阈值,只有当该类标签的预测概率大于等于该类标签的最佳阈值时,才会给图片标注该标签。在标注过程中,通过载入CNN模型和一组最佳阈值可以对所需标注的图像进行更加灵活的多标签标注。通过在自然场景图像数据集8000张图片上的验证,结果表明,CNN-THOP较传统的基于排名的支持向量机法(Rank-SVM)在平均查准率上提升了约20个百分点,较基于均方误差函数的卷积神经网络(CNN-MSE)在平均召回率和F1值上分别提高了约6个百分点和4个百分点,且完全匹配度(CMD)达到了64.75%,验证了该方法在图像自动标注方面的有效性。

摘要：为解决传统用于文本分类等时序性问题的循环神经网络无法留住长远记忆及模型框架复杂的问题,提出一种基于序列卷积神经网络的分类模型。利用卷积的思想处理时序性问题,将因果卷积和扩张卷积结合作为卷积层来保证网络具有足够大的感受野,应用残差模块和批处理加深神经网络并消除层数增加误差增大和模型难训练的问题,用卷积层代替全连接层以改善网络特征选取的局限性。实验结果表明,序列卷积分类模型用于Twitter情感分类任务中可获得更优的分类效果,验证了卷积网络的思想可以处理时序性问题。