摘要：为了研究气体绝缘组合电器(gasinsulatedswitchgear,GIS)局部放电脉冲相位分布(phaseresolvedpartial discharge,PRPD)谱图的模式识别,解决传统的统计参数分析方法识别准确率低的问题,该文提出了一种基于深度残差网络的GIS局部放电PRPD谱图模式识别方法。首先,设计并搭建了GIS中4类典型局部放电缺陷的实验模型并采集实验数据;然后,利用条件生成对抗网络对PRPD谱图训练集进行数据扩充;最后,利用深度残差网络提取每类缺陷的PRPD谱图特征并将其分类。实验结果表明,该方法相较于普通卷积神经网络和统计参数分析方法,其识别准确率有明显提升,最高可达98.75%。研究结果表明所提方法能有效区分出GIS中4类典型的局部放电缺陷类型,在工程实际中有良好的应用前景。

摘要：针对短波信道下信号截获质量差,信道环境复杂以及单一特征识别率低等问题,提出了基于深度残差网络的信号特征自动提取算法,设计了一种具有自适应学习能力的短波特定通信协议识别模型.通过对具有特殊结构的协议信号的时频视觉差异进行理论推导,将信号的时频能量转换成灰度图像,并用于对所构建的深度残差网络进行训练.该方法克服了传统方法对信号质量要求高、先验信息需求多等缺陷,可直接对中频接收信号进行处理,适合实际工程应用.实验表明,当深度残差网络达到稳态时,识别准确率高,在低信噪比、多径衰落、多普勒频偏以及信号被强干扰所遮挡的情况下,依旧能准确识别协议类别.

摘要：为解决当前深度残差网络模型训练缓慢的问题,设计了一种新型的残差结构。与典型的残差结构相比,该结构仅含有一个Batch Normalization和ReLU模块,通过减少网络训练过程的计算量降低了耗时,提升了模型训练速度。在常用的CIFAR10/100图像分类数据库上进行了对比实验分析,以该方法构建的深度为110层的网络CIFAR10分类错误率为5.29%,CIFAR100分类错误率为24.80%,典型的110层深度残差网络分类错误率分别为5.75%和26.02%;在训练耗时方面,该方法平均周期耗时为133.47 s,典型的残差网络平均周期耗时为208.26 s,提升了35.91%;结果表明,该网络结构在保证分类性能的基础上极大地提升了训练速度,具有较好的实用价值。

摘要：深度残差网络作为一种先进的深度学习算法,近年来得到学术界和工业界的高度关注。针对叠前地震记录中随机噪声的智能高效压制问题,首先根据深度残差网络原理设计了一种深层非线性去噪网络,然后利用构建的高质量随机噪声训练集对该网络进行训练,在高维空间实现对随机噪声特征的自动学习,从而拟合出含噪声地震记录与随机噪声之间的非线性映射关系,实现随机噪声自动压制。模型数据测试和实际资料应用均证明了文中方法的有效性。尽管其去噪能力与标签数据获取方法相当,但去噪效率及适应能力明显优于标签数据获取方法,为应对TB级叠前地震数据的去噪问题提供了一种可借鉴的思路。

摘要：由于快速的卷积神经网络超分辨率重建算法(FSRCNN)卷积层数少、相邻卷积层的特征信息之间缺乏关联性,因此难以提取到图像深层信息导致图像超分辨率重建效果不佳。针对此问题,该文提出多级跳线连接的深度残差网络超分辨率重建方法。首先,该方法设计了多级跳线连接的残差块,在多级跳线连接的残差块基础上构造了多级跳线连接的深度残差网络,解决相邻卷积层的特性信息缺乏关联性的问题;然后,使用随机梯度下降法(SGD)以可调节的学习率策略对多级跳线连接的深度残差网络进行训练,得到该网络超分辨率重建模型;最后,将低分辨率图像输入到多级跳线连接的深度残差网络超分辨率重建模型中,通过多级跳线连接的残差块得到预测的残差特征值,再将残差图像和低分辨率图像组合在一起转化为高分辨率图像。该文方法与bicubic,A+,SRCNN,FSRCNN和ESPCN算法在Set5和Set14测试集上进行了对比测试,在视觉效果和评价指标数值上该方法都优于其它对比算法。

摘要：近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征。其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度。因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),它可以直接将原始振动信号作为模型的输入,通过池化层、残差模块和分类层相互连接,更加有效的挖掘信号特征之间的信息,从而增强了轴承振动信号的特征学习能力。实验结果表明,该模型能够达到99.75%的轴承故障诊断精度,实现了良好的故障分类任务,为以后的机械故障诊断研究提供了理论指导和借鉴。

摘要：地磁数据在地震预报、空间天气监测、矿产资源勘查、地球深部构造探索等领域具有重要价值.但现有的地磁台站观测数据受到人文噪声污染的问题日益严重,给地球内部高精度成像带来了极大困难.为此,我们将深度残差网络(residual network,ResNet)与多元变分模态分解(multivariate variational mode decomposition,MVMD)引入到地磁信号的处理,提出一种新颖的多通道地磁信号处理方法.首先,利用深度残差网络对大量人工标记的数据集进行训练,得到基于残差网络的地磁信噪识别模型;然后,利用训练好的模型识别出观测信号中的含噪片段;之后,利用MVMD对含噪片段进行多通道的信噪分离,得到去噪后的片段;最后,用去噪后的片段代替原始观测信号中的含噪片段,得到完整的高质量信号.为验证方法的有效性,我们设计了仿真实验,结果表明所提方法可以将观测信号的信噪比提高约15 dB,相对于变分模态分解(variational mode decomposition,VMD)、互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、数学形态滤波(mathematical morphological filtering,MMF)、小波去噪(Wavelet)等方法具有较明显的优势,且适合多通道信号的同时处理.我们将所提方法应用于菲律宾海及西太平洋的海底观测的地磁数据,结果表明所提方法的识别精度约为98%,并能够极大改善信号的质量.去噪后的信号与相邻台站的同时段高质量信号的相似度由去噪前的94.75%提升到了97.34%,表明处理结果是可靠的,使用我们的方法有望提高地磁数据成像的精度及可靠性.

摘要：现有针对庞氏骗局智能合约的检测方法大多基于合约操作码特征和账户特征,对初步部署合约检测效果一般。对此,提出一种基于深度残差网络的庞氏骗局合约检测方法。首先,通过分析智能合约操作码特点,提出单点词嵌入编码算法(single word embedding coding algorithm,SWEC),对智能合约进行重新编码。然后,利用关键操作码提取方法,提取关键操作码(critical operation code,CO)及权重值,并以此设计关键操作码权重模块,改进深度残差网络用于合约检测。最后,在公开数据集上进行相关实验,实验结果表明,基于深度残差网络的庞氏骗局合约检测方法具有99.7%的查准率和99.9%的查全率,相比现有方法有较大提升,能够更加准确地识别庞氏骗局合约。

摘要：针对传统布匹疵点人工检测成本高、识别稳定性差的问题,本文提出一种基于深度残差网络的布匹疵点检测方法.首先,采用线阵相机、线性光源和传动系统设计布匹疵点检测装置;其次,根据采集图像的灰度值调整光源的光照强度,并对采集图像进行去噪滤波预处理;然后使用深度残差网络修改Faster R-CNN中的原始特征提取网络,获得更高的疵点特征精度;最后在Faster R-CNN的区域生成网络中增加预测锚点框,提升多尺度疵点和小目标疵点的检测能力.实验结果表明,本文方法的布匹疵点识别率达到96%,检测速度达到30m/min,实现了布匹疵点检测自动化,大幅降低了人力成本,具有良好的实际应用价值.

摘要：针对现有网络仅解决单一类型的噪声和计算效率低的问题,提出一种基于轻量深度残差网络的图像多类型噪声去除算法。该算法采用改进的残差模块和级联训练的方式提高去噪网络在多类型噪声去除过程中的精确度,通过设计一个边缘感知损失函数来保证恢复图像中具有更多的边缘细节和更高的感知质量。实验结果表明,该算法的整体性能要优于其他算法,在有效增加边缘细节的同时,计算效率也有极大的改善。