摘要：针对于框架结构的使用环境恶劣,同时常常伴随着大量的噪声,在使用普通的一维卷积神经网络对框架结构进行故障诊断时,存在无法做出有效故障诊断的问题。本研究在一种抗噪声能力较强的卷积神经网络中加入inception模块,提出了一种识别率和抗噪声能力更高的卷积神经网络—BICNN(Convolution Neural Network based on inception),并用BICNN卷积神经网络基于数据驱动的方式,对楼体框架模型进行了集成故障诊断研究。集成诊断结果表明BICNN具有更高的识别率和较强的抗噪声能力,而且在训练步数较少的情况下振荡次数少收敛情况良好。因此采取本研究所提出的方法,对框架结构进行故障诊断时具有高诊断率和稳定性,为维护框架结构的稳定运行具有重大安全意义。

摘要：提出一种将深度学习与灵敏度分析结合的端到端方法,对深度模型的结构和激活函数进行特殊设计以适应后续灵敏度的计算,深度模型训练的同时对保存的权重信息进行反向传播计算灵敏度.在波士顿房价数据集、航迹融合数据集和G函数上的实验结果表明,所提方法相比于Sobol’法等经典方法在参数分布不均匀时准确性更高,具备更强的鲁棒性,相比于使用传统神经网络的方法准确性更高.此外,通过实验验证了基于深度学习模型的样本参数灵敏度可以优化模型的输出结果.

摘要：针对现存卷积神经网络对脑血管数字减影血管造影分割精度不高的问题,本文提出了一种基于U-Net的改进网络(IC-Net)。通过融合使用inception和CAM通道注意力模块,以多种感受域提取更丰富的血管特征信息,并对特征信息进行筛选。增加7×7卷积层,通过压缩特征层分辨率的方式减少训练过程中产生的数据量。本文所提模型与U-Net、R2U-Net、Attention U-Net相比,IOU、Accuracy、F1-Score和ROC曲线下面积4项指标平均提升了1.82%、0.014%、1.19%和0.73%。结果验证了IC-Net模型明显提升了脑血管数字减影血管造影虚弱血管和血管末端的检测能力,提升了分辨伪影噪声的能力,为医生识别脑血管中产生的病变提供有力参考。

摘要：针对单能X射线无法对复杂工件各部位同时曝光成像的问题,提出一种基于细节增强的多能DR融合网络-双编码巢式连接融合网络。该网络以inception模块作为基础卷积层,在双编码器的辅支路设计了可训练的LOG卷积模块,用来提取多尺度边缘特征,并将其补充到主支路以增强全局特征。在训练阶段,提出一种基于图像块的局部能量一致性损失函数,以减少输入、输出的局部性误差。融合时,采用通道和空间注意力机制作为融合策略,对双编码提取的多尺度增强特征进行融合,并将融合后的多尺度特征输入嵌套连接的解码器进行重构。结果表明,该融合网络具有细节增强效果,能够完整清晰地再现复杂工件的内部结构及缺陷。

摘要：手写体中文的自动识别是中文文档数字化的前提和基础,由于中文字符数目繁多、相似性强、字体种类繁多、书写随意、缺乏统一规范等原因,一直是计算机视觉领域中一个具有挑战性的问题.为解决这一难题,提出了一种基于卷积神经网络的手写体中文识别方法.在经典LeNet-5网络模型的基础上进行改进,提出了一种LeNet-Ⅱ模型.利用改进的inception模块和空洞卷积,设计了一种并行的双路卷积神经网络结构;两路分支可分别提取手写中文图像中不同尺度的特征,获得多个尺度的特征图像;通过对其进行特征融合,可以达到丰富特征图像多样性、提升识别准确率的目的;最后经过全连接层进行分类.利用经典手写体中文数据集进行训练,利用该模型实现了3755类手写体中文字符及相关文本的自动识别.实验结果表明,基于改进LeNet-5模型的手写体中文识别方法,在同一训练数据集上的收敛速度和识别准确率明显优于经典LeNet-5模型,对经典数据集的识别准确率可以达到95.21%,也高于其他传统算法;此外,对4幅手写体中文文本的平均识别准确率达到97.30%,超出了人类表现,取得了理想的实际效果.

摘要：为提升传统的冷水机组传感器偏差故障诊断方法的特征提取效果及故障诊断准确率,提出一种基于inception模块和融合注意力机制(Attention)的长短时记忆网络(LSTM)相结合(inception-LSTM-Attention)的冷水机组传感器偏差故障诊断方法。该方法通过inception模块从冷水机组传感器时序数据中提取多尺度的实时特征,并利用LSTM学习传感器时序数据中存在的时间相关关系;通过在LSTM中融合注意力机制来保证其最终的输出综合了各个时间节点的输出,提升重要信息的影响程度,最大化保留时序数据的全局信息。同时,设计跳跃连接支路缓解网络中存在的梯度消失问题。最后,使用冷水机组实验平台的传感器实测数据对所提方法进行实验验证。研究结果表明:本文方法对于压力类、温度类各传感器的偏差故障诊断平均准确率均在94%以上;对于各传感器中较小偏差故障的故障诊断准确率均在87.6%以上;与主成分分析、卷积神经网络、inception以及inception-LSTM这4种方法相比,inception-LSTM-Attention模型的传感器偏差故障诊断准确率更高。

摘要：盾构机(tunnel boring machine, TBM)滚刀在重载、冲击和地质复杂的环境中服役,极易发生偏磨等失效故障,因此,掌握滚刀的磨损状态、实现基于数据驱动的滚刀偏磨故障诊断并指导滚刀的运维尤为重要。提出了一种基于小波时频分析和inception-BiGRU模型的诊断模型以提高滚刀偏磨故障诊断效率。以滚刀为研究对象,在多功能缩比滚刀试验台上进行直线破岩试验,采集滚刀破岩时产生的振动加速度信号。采用连续小波变换获取反映振动信号时频域特征的小波时频图,进而以inception模块的不同大小卷积核自适应地提取时频图中的多尺度空间信息,并通过添加双向门控循环单元(bidirectional gated recurrent units, BiGRU)使模型可更为准确地学习到时频图中丰富的时序依赖性关系,模型的超参数由贝叶斯优化算法确定。4种不同偏磨程度滚刀的诊断试验表明所提模型能够有效提取时频图中滚刀的偏磨特征并完成滚刀偏磨状态识别,实现端到端的盾构滚刀偏磨故障诊断。模型平均诊断准确率可达到98.5%,其诊断准确度和稳定性均优于其他常用算法,证明了所提方法的可行性。

摘要：为了高效捕捉城市快速路复杂的交通拥堵特征,提升短时行程速度预测的准确性,以卷积神经网络为基础,结合inception模块,构建行程速度短时预测模型。将行程速度信息按照时空关联关系组织为二维数据矩阵,以图像为特征学习对象,自动提取交通数据高维特征并学习多粒度复杂交通拥堵模式,通过系统的网络设计与测试训练得到模型最优结构参数和优化参数,结合回归分析方法与梯度幅度相似性偏差指标,综合评价模型性能。实证结果表明,模型提取行程速度数据时序特征和时空演化特征能力较强,预测准确性较高,可进一步应用于其他交通参数的短时预测。

摘要：针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.

摘要：心电图(Electrocardiogram, ECG)心拍分类是心律失常诊断的重要步骤,为了准确检测心律失常类型,提出了一种利用改进的残差网络进行ECG分类的算法。首先使用CEEMDAN-改进小波阈值算法去除心电信号中的噪声,然后构建改进残差网络实现对ECG的分类,在该改进残差网络中,首先将传统深度残差网络中的卷积层、池化层替换成inception模块,从而提取不同尺度的特征;然后设计了残差嵌套网络,实现了ECG信号不同层次的特征融合,最后采用Softmax分类器进行分类。将该模型在MIT-BIH数据库进行训练和验证,结果表明,所提出的网络模型具有较高的分类准确率。