基于卷积神经网络的ZPW-2000R轨道电路运行状态智能识别

为提高ZPW-2000R轨道电路诊断系统的判定准确性和运行效率,提出了一种基于卷积神经网络的轨道电路运行状态智能识别方法。首先,根据轨道电路监测数据集构建轨道电路运行状态灰度图谱,以精准表达轨道电路的运行状态,并通过图像缩放建立实验样本;其次,构建卷积神经网络模型并对轨道电路运行状态灰度图谱进行特征提取与模式识别。实验结果表明,本文提出的方法对轨道电路运行状态识别的准确率为100%,可有效识别轨道电路正向占用状态、逆向占用状态和空闲状态。     

卷积神经网络在舵机异常检测中的应用

针对舵机测试数据样本不均衡,小样本难以被准确分类的问题,提出了一种基于卷积神经网络(CNN)的舵机异常检测模型.该模型的优异性适用于对舵机测试数据进行特征提取和多故障分类,从而使得舵机的异常检测从单纯人工走向自动化和智能化.实验结果表明,该方法的准确度可达99.774％,证实了卷积神经网络应用于舵机异常检测的可行性.     

基于卷积神经网络和状态时间序列的参数辨识

针对参数辨识过程运算时间长的问题,本文提出一种基于卷积神经网络的参数辨识方案.该方案避免了对数值模型的大量迭代,能够根据多个连续时间步的实测系统状态对多参数进行快速估计,实现参数辨识;同时,为了帮助神经网络更好地提取特征,还引入一种双向标准化的方法对数据进行处理.以Lorenz63为实例,对其参数进行了分析、实验.实验...     

基于卷积神经网络的疲劳驾驶识别

机组人员疲劳驾驶是引发航空事故的原因之一。现有的研究缺少将脸部信息融合的疲劳表情识别,对疲劳表情识别可有效提高疲劳驾驶识别准确率。根据卷积神经网络的基本结构,将卷积核大小为1×1的卷积层加在输入层之后,让网络深度增加、提高特征学习能力、增加输入数据的非线性表示,同时对计算量基本无负面影响,采用线性修正函数ReLU作为激励函数解决模型在训练中梯度消失问题,提出了一种改进的卷积神经网络模型。基于LFW数据集筛选出正常、说话、疲劳3种状态表情,对其进行预处理建立疲劳表情数据集。训练完成的CNN模型对自建疲劳表情数据集实验识别准确率为88.3%,平均识别时间为20ms,与传统疲劳驾驶识别方法相比具有准确率高和实时高效的优点。与未改进的卷积神经网络相比,识别准确率提高了5.02%。     

基于序列-图像映射的航天器智能故障诊断方法

卫星组网是未来航天的发展大趋势,要保证众星在轨安全可靠稳定运行,要求单星具备高精度的在轨自主故障诊断能力。本文针对航天器控制系统故障闭环传播和数据维数高的特点,结合某航天器的地面测试数据,首先对高维耦合序列数据进行处理,实现序列到灰度图像的映射,然后采用卷积神经网络完成高精度同一故障部件的故障诊断。通过将所提方法与K邻近算法、基于主成分分析的K邻近算法等非图像化机器学习算法进行对比验证,说明了本文所提方法的有效性。