-
题名基于AE-CNN的手势识别算法的探讨及实现
被引量：1
- 1
-
-
作者
曹军梅
秦婧文
-
机构
延安大学计算机学院
-
出处
《信息技术》
2019年第6期18-21,共4页
-
基金
国家自然科学基金项目(61761042)
延安大学科研引导项目(YDY2018-11)
+1 种基金
国家级大学生创新训练计划项目(201710719017)
陕西省大学生创新训练计划项目(1531)
-
文摘
近年,深度学习的发展使得手势识别卷积神经网络取得了突破性进展,但现有基于卷积神经网络的手势识别方法仍存在收敛速度慢、识别率低等问题,因此手势识别很难取得较好成果。通过对CNN训练过程中误差产生的原因及其反馈模型的分析,提出了一种自适应增强卷积神经网络(Adaptively Enhanced Convolution Neural Network,AE-CNN)的识别算法。结果表明,文中算法不仅实现了分类特征的自适应增强,同时也提高了收敛速度和识别率。
-
关键词
自适应增强卷积神经网络
深度学习
手势识别
-
Keywords
ae-cnn
deep learning
hand gesture recognition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于声发射图像识别的Q235钢点蚀严重度评价方法
- 2
-
-
作者
秦培岭
丛蕊
张盛瑀
许世林
张颖
-
机构
常州大学机械与轨道交通学院
中国石油天然气股份有限公司大庆炼化公司
-
出处
《腐蚀与防护》
北大核心
2025年第5期30-36,101,共8页
-
基金
中国石油天然气股份有限公司-常州大学创新联合体资助项目(KC20210301)
江苏省研究生实践创新计划(SJCX22_1422)。
-
文摘
点蚀是一种隐蔽且破坏性较大的材料损伤形式,常规检测手段难以实时掌握点蚀的发展进程。针对此问题,提出了一种基于声发射图像识别的点蚀严重度评价方法。采用声发射技术采集Q235钢点蚀过程的声学信息,通过K-means++聚类算法对声源信号进行聚类,根据不同的声源信号组成将点蚀过程划分为三个阶段。对声源信号进行时频图转换,并以此训练卷积神经网络模型,利用模型对图像信号进行声源识别并判断信号所处的点蚀阶段。最后,通过分析与声发射同步的电化学数据来验证评价方法的准确性。结果表明:所提方法对点蚀过程阶段划分准确,能够识别Q235钢点蚀信号声源,识别精度达98%,进而根据点蚀发展阶段的判断结果评价点蚀严重度。
-
关键词
点蚀
声发射(AE)
聚类
卷积神经网络(CNN)
严重度评价
-
Keywords
pitting corrosion
acoustic emission(AE)
clustering
convolutional neural network(CNN)
assessment of severity
-
分类号
TG174
[金属学及工艺—金属表面处理]
-
-
题名深度学习汉字生成与字体风格迁移综述
被引量：11
- 3
-
-
作者
王晨
吴国华
姚晔
任一支
王秋华
袁理锋
-
机构
杭州电子科技大学网络空间安全学院
-
出处
《中国图象图形学报》
CSCD
北大核心
2022年第12期3415-3428,共14页
-
基金
国家自然科学基金项目(62071267)。
-
文摘
汉字字体风格迁移旨在保证在语义内容不变的同时对汉字的字形作相应的转换。由于深度学习在图像风格迁移任务中表现出色,因此汉字生成可以从汉字图像入手,利用此技术实现汉字字体的转换,减少字体设计的人工干预,减轻字体设计的工作负担。然而,如何提高生成图像的质量仍是一个亟待解决的问题。本文首先系统梳理了当前汉字字体风格迁移的相关工作,将其分为3类,即基于卷积神经网络(convolutional neural network,CNN)、自编码器(auto-encoder,AE)和生成对抗网络(generative adversarial network,GAN)的汉字字体风格迁移方法。然后,对比分析了22种汉字字体风格迁移方法在数据集规模方面的需求和对不同字体类别转换的适用能力,并归纳了这些方法的特点,包括细化汉字图像特征、依赖预训练模型提取有效特征、支持去风格化等。同时,按照汉字部首检字表构造包含多种汉字字体的简繁体汉字图像数据集,并选取代表性的汉字字体风格迁移方法进行对比实验,实现源字体(仿宋)到目标字体(印刷体和手写体)的转换,展示并分析Rewrite2、zi2zi、TET-GAN(texture effects transfer GAN)和Unet-GAN等4种代表性汉字字体风格迁移方法的生成效果。最后,对该领域的现状和挑战进行总结,展望该领域未来发展方向。由于汉字具有数量庞大和风格多样的特性,因此基于深度学习的汉字生成与字体风格迁移技术还不够成熟。未来该领域将从融合汉字的风格化与去风格化为一体、有效提取汉字特征等方面进一步探索,使字体设计工作向更灵活、个性化的方向发展。
-
关键词
汉字字体风格迁移
图像生成
卷积神经网络(CNN)
自编码器(AE)
生成对抗网络(GAN)
-
Keywords
Chinese characters font transfer
image generation
convolutional neural network(CNN)
auto-encoder(AE)
generate adversarial network(GAN)
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名基于人工智能的机床主轴故障诊断研究
被引量：1
- 4
-
-
作者
陈琪
廖璘志
伍倪燕
-
机构
宜宾职业技术学院智能制造学院
韩国培材大学计算机工学院
-
出处
《机床与液压》
北大核心
2024年第19期71-75,共5页
-
基金
四川省重点实验室开放基金课题(SCITLAB-1013)
宜宾职业技术学院科技科研平台项目(ybzy20kypt10)。
-
文摘
随着信息通信技术(ICT)的发展,人工智能技术在机械故障诊断中的应用引起了研究人员的关注。为了验证人工智能技术在机床主轴故障诊断方面的适用性,通过构建机床测试台,收集人为改变主轴偏心的故障数据,并采用3种人工智能模型(CNN、LSTM和AE)进行学习,分析比较了它们对主轴7种故障状态分类的准确性。实验结果表明:CNN和LSTM模型均具有较高的准确性,其中CNN模型的准确率最高,达到了99.3%,而AE模型的准确性相对较低,只有76.9%。验证了在机床主轴故障诊断中应用人工智能技术的可行性。
-
关键词
人工智能
主轴
故障诊断
CNN
LSTM
AE
-
Keywords
artificial intelligence
spindle
fault diagnosis
CNN
LSTM
AE
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名残差卷积自编码网络图像去噪方法
被引量：6
- 5
-
-
作者
罗仁泽
王瑞杰
张可
范顺利
-
机构
西南石油大学油气藏地质及开发工程国家重点实验室
西南石油大学电气信息学院
西南石油大学地球科学与技术学院
-
出处
《计算机仿真》
北大核心
2021年第5期455-461,共7页
-
基金
国家重点研发计划深地专项项目(2016YFC0601100)
四川省科技计划项目(2019CXRC0027)。
-
文摘
传统图像去噪模型一般为浅层线性结构,特征提取能力有限,而现有基于深度学习的图像去噪模型存在去噪效率低、泛化能力弱等问题。针对上述缺点,以残差块、批归一化层和自编码器组成的残差卷积自编码块为基本网络结构,提出多功能去噪残差卷积自编码神经网络(DRCAENNm)和去噪残差卷积自编码神经网络(DRCAENN)两种基于深度学习的去噪网络模型。实验结果表明,DRCAENNm模型不仅具有盲去噪能力,还可以去除与训练数据类型不同的噪声,具有强泛化能力;DRCAENN模型收敛快,去噪效率远超其它网络模型。
-
关键词
深度学习
图像去噪
卷积神经网络
自编码网络
残差网络
-
Keywords
Deep learning
Image denoising
Convolutional neural network(CNN)
Auto-encoder(AE)
Residual network
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TN911.73
[电子电信—通信与信息系统]
-
-
题名基于混合卷积自编码极限学习机的RGB-D物体识别
被引量：9
- 6
-
-
作者
殷云华
李会方
-
机构
西北工业大学电子信息学院
瞬态冲击技术重点实验室
-
出处
《红外与激光工程》
EI
CSCD
北大核心
2018年第2期52-59,共8页
-
基金
国家自然科学基金青年科学基金(61402368)
瞬态冲击技术重点实验室基金(61426060103162606007)
-
文摘
有效学习丰富的表征信息在RGB-D目标识别任务中至关重要,是实现高泛化性能的关键。针对卷积神经网络训练时间长的问题,提出了一种混合卷积自编码极限学习机(HCAE-ELM)结构,包括卷积神经网络(CNN)和自编码极限学习机(AE-ELM),该结构合并了CNN的有效性和AE-ELM快速性的优点。它使用卷积层和池化层分别从RGB和深度图来有效提取低阶特征,然后在共享层合并两种模型特征,输入到自编码极限学习机中以得到高层次的特征,最终的特征使用极限学习机(ELM)进行分类,以获得更好的快速泛化能力。文中在标准的RGB-D数据集上进行了评估测试,其实验结果表明,相比较深度学习和其他的ELM方法,文中的混合卷积自编码极限学习机模型取得了良好的测试准确率,并且有效地缩减了训练时间。
-
关键词
极限学习机
卷积神经网络
自编码极限学习机
物体识别
-
Keywords
ELM
CNN
AE-ELM
object recognition
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度融合策略的转子轴心轨迹识别研究
被引量：6
- 7
-
-
作者
郭明军
李伟光
杨期江
赵学智
-
机构
广西科技大学机械与汽车工程学院
华南理工大学机械与汽车工程学院
广州航海学院轮机工程学院
-
出处
《振动．测试与诊断》
EI
CSCD
北大核心
2021年第6期1074-1080,1234,共8页
-
基金
国家自然科学基金资助项目(51875205,51875216)
广东省自然科学基金资助项目(2018A030310017,2019A1515011780)
+3 种基金
广东省教育厅资助项目(2018KQNCX191)
广州市科技计划资助项目(201904010133)
广东省重大科技专项资助项目(2019B090918003)
广西科技大学博士基金资助项目(校科博21z59)。
-
文摘
针对以人工特征为输入的旋转机械故障的传统智能识别方法的精度较低及深度学习方法对数据量依赖性强的问题,鉴于Hu不变矩具有伸缩、平移及旋转不变性的特点及无监督深度学习模型在小样本数据特征提取方面的优势,提出了一种融合Hu不变矩及深度卷积自动编码特征的故障诊断模型(deep convolutional auto-encoder fault diagnosis model,简称DCAE-FDM)。首先,采用有效奇异值法对原始振动信号进行提纯,得到提纯的轴心轨迹集,并按一定比例划分为训练集和测试集,分别计算出它们的Hu不变矩特征;其次,利用所构造的DCAE-FDM模型对轴心轨迹进行自适应特征提取,得到深度自动编码特征;然后,将Hu不变矩与深度自动编码特征进行融合,并将训练集的融合特征作为输入对BP神经网络进行训练;最后,采用测试集的融合特征对训练好的模型进行测试。试验结果表明,所提方法的识别效果明显优于深度学习方法及传统识别方法,所提方法的平均准确率达98.5%,比次优模型高出约6个百分点。
-
关键词
特征提取
深度学习
卷积神经网络
自动编码器
轴心轨迹
-
Keywords
feature extraction
deep learning
convolutional neural network(CNN)
auto-encoder(AE)
shaft orbit
-
分类号
TH113.2
[机械工程—机械设计及理论]
TN911.72
[电子电信—通信与信息系统]
-
-
题名AE声谱图特征的转子碰摩故障识别方法研究
被引量：6
- 8
-
-
作者
彭威
李晶
刘卫东
邓艾东
-
机构
中国矿业大学信息与控制工程学院
东南大学火电机组振动国家工程研究中心
南京审计大学信息工程学院
-
出处
《振动工程学报》
EI
CSCD
北大核心
2019年第6期1094-1103,共10页
-
文摘
提出了一种基于时频分析的声发射信号特征参数分析方法——AE声谱图特征分析方法。它不仅能提高AE识别的有效数据量,同时利用声谱图作为表征转子运行状态的特征图,能从时间、频率和能量强度等多个角度显示AE信号的细节变化,进而有效描述AE信号蕴含的故障特征,对实现旋转机械的故障诊断具有重要意义。利用提出的AE声谱图特征构建了一个基于深度卷积神经网络的碰摩故障识别系统。实验结果表明,AE声谱图特征和CNN网络相结合,能有效提高转子碰摩AE信号的识别性能。
-
关键词
故障诊断
声发射(AE)信号
深度学习
碰摩故障
卷积神经网络
-
Keywords
fault diagnosis
acoustic emission(AE)signal
deep learning
rub-imapct fault
convolutional neural network(CNN)
-
分类号
TH165+.3
[机械工程—机械制造及自动化]
TH132.1
[机械工程—机械制造及自动化]
-
-
题名基于上下文编码器的图像修复算法
- 9
-
-
作者
任鹏博
毛克彪
-
机构
宁夏大学物理与电子电气工程学院
中国农业科学院农业资源与农业区划研究所
-
出处
《高技术通讯》
CAS
2023年第9期947-956,共10页
-
基金
宁夏自治区科技创新团队柔性引进人才(2021RXTDLX14)
中央级公益性科研院所基本科研业务费专项资金(1610132020014)资助。
-
文摘
基于数学的传统模型在纹理学习上的效果比较好,但是在图像内容和语义上有所缺失。近年来,随着深度学习的兴起,将深度学习应用于图像修复的方法十分热门,对各种残缺图像的修补也取得了较好的结果。本文使用的基于上下文编码器的图像修复方法,结合自编码器(AE)和生成对抗网络(GAN)。其中,使用AE进行图像特征的学习,生成待修补区域的预测图;使用GAN的对抗学习来优化模型;使用由重建损失和对抗损失组成的联合损失函数。经过训练后的卷积神经网络(CNN),能够根据图像周边的像素特征,对丢失的区域进行合理推断,生成缺失部分。最后,本文对比了使用联合损失函数和单独使用重建损失与对抗损失函数的效果,并将本文算法与另外2种模型对比,采用客观评价指标,即平均绝对误差(MAE)、峰值信噪比(PSNR)以及结构相似性(SSIM)进行评价,其结果表明本模型在修复残缺图像时效果均较好,普适性更强。
-
关键词
图像修复
深度学习
卷积神经网络(CNN)
自动编码器(AE)
生成对抗网络(GAN)
-
Keywords
image inpainting
deep learning
convolution neural network(CNN)
auto encoder(AE)
generative adversarial network(GAN)
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于MDFF与ISSA的滚动轴承故障声发射诊断
被引量：2
- 10
-
-
作者
魏巍
王之海
柳小勤
冯正江
李佳慧
-
机构
昆明理工大学机电工程学院
云南省先进装备智能制造技术重点实验室
-
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第7期65-76,共12页
-
基金
国家自然基金(52165065,52165067)。
-
文摘
针对滚动轴承早期、复合故障难以准确诊断与智能诊断模型超参数确定严重依赖专家先验知识问题,提出一种基于多维深度特征融合(multi-dimensional depth feature fusion, MDFF)与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的滚动轴承故障声发射诊断方法。用一维卷积与线性瓶颈反向残差二维卷积神经网络构建多输入卷积神经网络(convolution neural network, CNN)结构的诊断模型,模型输入为滚动轴承声发射信号及其小波时频图,提出基于布伦纳梯度和信噪比的质量指标,在108种小波基中筛选出最佳时频图以提升输入数据质量。接着,采用特征金字塔网络将模型的一、二维低层与高层特征融合,建立深度融合的诊断模型。然后,将交叉混沌映射、自适应权重及融合的随机游走策略引入麻雀搜索算法中,以自适应获取MDFFCNN最优超参数。试验表明,对比近期多个主流智能诊断算法,所提方法可避免人工选择诊断模型超参数,对滚动轴承早期尤其复合故障具有更高的诊断精度和稳定性,模型诊断过程的智能化水平得到了进一步提高。
-
关键词
滚动轴承
声发射(AE)
深度学习
改进麻雀搜索(ISSA)
卷积神经网络(CNN)
多维深度特征融合(MDFF)
最佳时频图
-
Keywords
rolling bearing
acoustic emission(AE)
deep learning
improved sparrow search algorithm(ISSA)
convolutional neural network(CNN)
multi-dimensional depth feature fusion(MDFF)
optimal time-frequency diagram
-
分类号
TH133.331
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
