基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

数字地形数据的二维三次卷积插值

由于数字地形数据库是以网格的形式给出网格点上的地形高度信息，在低空突防轨迹优化过程中，往往需要非网格蹼地形的高度信息和地形曲面的导数，这些都是离散的地形数据库所无法提供的。对二维的地形数据进行插值是解决问题的有效手段。本文提出一种二维离散数据的插值方法－－二维三次卷积插值。该插值函数是地形曲面的三次逼近，具有连续的三阶导数，可以非常好地满足低空突防轨迹优化的需要。仿真结果表明，它具有比双线性插值和     

基于卷积稀疏表示的图像融合方法

图像融合是图像处理领域中比较重要的一门技术,传统的图像融合方法会降低图像融合质量。针对稀疏表示在图像融合中存在一定的缺陷,提出了一种基于卷积稀疏表示的图像融合方法。首先,对高频子带系数进行合理有效处理,利用相似度分析和视觉显著性进行融合。然后,将低频子带系数整体融合改进为使用Butworth低通滤波对低频子带进行分解,得到低频近似子带和强边缘子带。最后,再用改进的脉冲耦合神经网络(Pulse Coupled Neural Network,PCNN)对强边缘子带进行融合。实验结果表明,与其它传统的图像融合方法相比,信息熵(Information Entropy,IE)提高了将近3%,标准差(Standard Deviation,SD)提高了将近9%,空间频率(Space Frequency,SF)提升了将近30%,互信息(Mutual Information,MI)提升了将近25%。同时,时间效率也有了一定程度地提升。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

一种宽带阵列通道均衡器设计

从基本FIR均衡器的原理出发,讨论了校正源的设置方法和均衡器系数的计算方法.为了适应宽带阵列中高速信号处理的要求,探讨了一种经典的FIR均衡器时域高速实现方法.该时域实现虽然结构简单,但在滤波器阶数较高时需要大量的乘法资源.为了降低均衡器对乘法资源的需求,借鉴快速卷积的实现方法,提出了一种基于快速傅里叶变换的高速率均衡器实现方法.与时域方法相比,该方法在滤波器阶数大于32时能明显降低对乘法资源的损耗.对实测数据的分析,验证了该方法的正确性.     

卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

口径天线绕射场的研究

介绍口径天线近场绕射计算的卷积积分法 ,该方法可用 FFT实现快速计算 ,故它是比传统的直接积分或球面波展开法更有效的一种计算模式。在此基础上 ,对圆形和矩形口径天线的近场绕射特性进行了研究。由计算结果可见 ,口径天线在观察面上的绕场分布与口径形状、口径尺寸 ( D/λ)和观察面至口径有关。还对减小口径边缘的近场绕射问题进行了分析     

基于表观细粒度辨别网络的近海船舶目标检测方法

近海船舶目标检测是一项非常具有挑战性的任务,受到学者专家广泛关注。基于卷积神经网络（CNN）和注意力机制的检测器在近海船舶目标检测方面的应用取得了显著成就。然而,船舶目标检测存在着表观相似和背景干扰导致检测过程中出现误检的问题。为此,本文提出了一种用于Faster RCNN（更快的基于区域的卷积神经网络）的表观细粒度辨别的检测头模块。该模块包括类别细粒度分支和高效全维动态卷积定位分支。其中类别细粒度分支通过全局特征建模和灵活的感知范围来挖掘和利用类别细粒度辨别特征,高效全维动态卷积定位分支通过高效灵活的感知船舶边界信息来区分目标与背景,从而减少误检漏检问题。通过在近海船舶公开数据集Seaships7000 上进行实验验证,本文算法减少了误检漏检,提升了检测器性能。     

基于合成卷积层网络结构的焊缝X射线图片缺陷筛选技术

焊接技术应用于多个领域,近些年焊缝缺陷自动检测技术成为了重要的研究方向。本文基于VGG-16卷积神经网络的良好分类性能,提出一种SC-VGG网络结构,利用合成卷积层替换了单个卷积层,同时改进了训练过程中的损失函数,使网络结构更为关注焊缝缺陷类型预测的结果。经过实验测试,SC-VGG网络结构在训练过程中损失函数曲线可以很好的收敛,与其他网络结构相比对焊缝缺陷特征的提取性能更好,平均准确率和召回率达到了95.86%和98.33%,为焊缝缺陷自动化识别提供了算法支撑。     

一种基于FPGA的全帧率图像处理方法

针对图像算法在FPGA内的硬件化实现问题,提出了一种全帧率处理的思路,并提供了两种具体的可供参考的设计方法——基于像素流缓冲的卷积核处理技术和基于相邻图像帧相关性的图像参数提取技术。通过其可以方便地设计并实现大部分空间域图像处理算法及其任意组合的硬件逻辑电路,并达到与图像输入帧率相同的处理速度。以Canny算子的硬件化实现为例验证了设计理念。实验结果表明,全帧率图像方法具有可操作性强、实时性好、符合结构化模块化设计的特点,特别适合于对实时性要求高的嵌入式视觉系统。