摘要：提出了基于新阈值函数的深度残差收缩网络(DRSN-NTF),用于解决分布式光纤声传感(DAS)信号噪声强、识别难的问题。DRSN-NTF基于深度残差收缩网络(DRSN),使用新阈值函数代替软阈值函数,使其更能发挥信号噪声处理和分类识别能力。使用DAS系统采集周界入侵事件的实验数据,并通过添加高斯白噪声的形式,设计了6组不同信噪比(0 dB~5 dB)的实验。对比了4个模型的实验结果,由此考察DRSN-NTF的识别效果。结果发现:在强噪声的情况下,DRSN-NTF取得的平均测试准确率比DRSN高1.05%;随着信噪比的降低,DRSN-NTF的测试准确率高于DRSN的差值增大,表明DRSN-NTF在信号噪声处理和分类识别能力方面更强,能获得相对更高的识别准确率。因此,DRSNNTF更加适用于DAS信号识别。

摘要：当室内配电系统发生串联电弧故障时,电弧燃烧温度可高达数千摄氏度,从而导致电气火灾的发生。而低压配电网中负载类型复杂,利用一般的电流信号时频分析,很难对串联电弧故障进行有效识别。针对这一问题,文章利用深度学习强大的计算机视觉能力,提出了一种基于注意力机制和深度残差收缩网络(attention mechanism and deep residual shrinkage network,Attention-DRSN)的故障检测方法。首先,使用连续小波变换提取电流信号特征信息,并转化为图像特征。其次,对提取到的图像特征进行数据增强和灰度化处理,并利用主成分分析方法(principal component analysis,PCA)对特征图像进行了重构。最后,构建了Attention-DRSN电弧故障检测模型,并采用K-折交叉验证方法对数据集进行划分,验证了所提方法的有效性。实验结果表明,该检测方法对串联电弧故障具有较高的检测精度,平均检测准确率为98.52%,对未来电弧故障检测装置设计具有重要的借鉴意义。

摘要：针对深度残差收缩网络(deep residual shrinkage network,DRSN)在降噪过程中引起的信号失真问题,提出了一种改进的深度残差收缩网络(improved deep residual shrinkage network,IDRSN)并将其应用于滚动轴承的故障诊断中。首先,引入一种改进的半软阈值函数(improved semi-soft threshold function,ISSTF)用于解决恒等偏差的问题并消除软阈值函数引起的信号失真。然后,设计了半软阈值模块(semi-soft threshold block,SSTB)和自适应斜率模块(adaptive slope block,ASB)构建改进的残差收缩单元(improved residual shrinkage building unit,IRSBU),用于自适应设置最优阈值并进一步修正输出。最后,将所提方法应用于两种不同工况的滚动轴承故障诊断中。研究结果表明,与现有方法相比,所提方法的分类准确率和鲁棒性更高,对于变转速工况下的故障诊断更为有效。

摘要：古代壁画为存世孤本且艺术风格独特。然而,由于可参考数据稀少,缺失信息重建的效果不佳。如何产生足够可参考样本是提升壁画修复效果的关键节点。为了解决此问题,提出一种改进的风格迁移模型来生成高质量的壁画图像,达到扩充数据的目的。首先,在输入图像的低维空间进行聚类以保持图像的结构完整性。其次,引入基于注意机制和软阈值函数的残差收缩模块去除图像中冗余信息,有效保留纹理细节信息。最后,将内容聚类集合与匹配到的风格聚类集合进行实时的特征转换,得到任意风格的迁移图像。实验结果表明,与其他常见的风格迁移方法相比,所提方法能够生成自然清晰的壁画图像,并且在客观指标峰值信噪比和结构相似度上均取得较好的结果。此外,在基于生成对抗网络的壁画数字生成实验中,验证了所提方法较传统增广方法的有效性。