基于深度学习和迁移学习的声呐图像分类方法研究
这是一篇关于声呐图像,小样本,深度学习,迁移学习,领域自适应,图像分类的论文, 主要内容为水下声呐图像分类的研究对于海洋资源的探索和开发具有重要的意义,同时,水下声呐图像分类的研究也面临许多的困难和挑战。由于水下环境复杂多变,干扰因素众多,声呐图像具有分辨率低,边缘模糊,噪声多的特点,导致声呐图像的分类准确率低。与此同时,声呐数据获取困难,成本较高,声呐图像样本稀缺,因此,声呐图像分类属于小样本问题。传统的声呐图像分类方法通常是不同特征提取方法与分类器结合实现声呐图像的分类,其分类准确率较低并且泛化性能差。而深度神经网络近年来在图像分类领域取得了巨大的成功,基于深度学习的方法有着更好的分类效果,但是深度网络的训练需要大量的训练样本,小样本声呐图像无法满足网络的训练要求。由于迁移学习可以用来解决标注数据不足的问题,可以将知识从源域迁移到目标域。因此,本文基于深度学习和迁移学习,对小样本声呐图像分类方法进行研究。本文的研究工作如下:首先,针对声呐数据集获取困难,样本稀缺的问题,采用了三类声呐图像数据增强算法,增加声呐样本的数量,制作声呐数据集。其中几何变化类算法可以模拟不同角度和形态的声呐图像,颜色变换类算法可以模拟不同的声呐成像条件,为声呐图像添加噪声可以模拟水下噪声环境。本文制作了两个声呐数据集,分别为带有标签的数据集和无标签的数据集。然后,针对小样本声呐图像分类问题,基于深度学习和模型迁移设计了一种新的有监督的声呐图像分类方法(Sonar Net)。该方法中设计的声呐图像分类网络模型有效减少了网络的参数量,可以缓解数据不足造成的模型过拟合问题。而基于模型迁移的网络训练策略可以将从源域学习到的知识迁移到目标域,辅助目标域任务的优化,可以进一步解决声呐数据样本不足的问题。经过实验验证,证明本章提出的方法可以实现有监督的小样本声呐图像的准确分类。同时,与其他常见的分类方法相比,本章设计的声呐图像分类方法效果更好。最后,在上述方法的基础上更进一步,基于深度学习和领域自适应设计了一个深度自适应声呐图像分类网络(Deep adaptation sonar image classification network,DASCN),其可以实现小样本声呐图像的无监督分类。DASCN网络的特征提取模块可以有效提取图像的多尺度特征,注意力模块使网络更好的关注感兴趣区域,领域自适应模块可以确保域适配的效果。综合实验证明,DASCN网络可以实现小样本声呐图像的无监督分类,同时,DASCN网络也具有很好的泛化性能,不仅在声呐数据集上有较好的分类效果,在公共光学数据集上分类效果也很好,并且DASCN网络的分类准确率要高于其他常见的方法。
面向学科竞赛的组队平台研究
这是一篇关于迁移学习,领域自适应,组推荐,个性化推荐,协同学习的论文, 主要内容为学科竞赛是面向高校学生的课外科技活动,是培养创新人才的一种卓越机制。学科竞赛课程与其他课程有一定的区别,主要利用学生的自主学习和碎片化学习。参赛过程中对学生的信息收集能力和时间管理能力有一定的要求。传统的集中式教学严重制约了学生个性化的指导,并且人为主观的组队方式也不利于队员的协同合作。随着互联网技术的快速发展,利用网络学习平台的优势不仅能给予学习者丰富的学习资源,还能提供碎片化学习与个性化学习。因此如何让网络平台与学科竞赛相结合提升学生的综合参赛水平是值得我们研究的地方。本文主要研究基于面向学科竞赛的组队平台。首先,对学科竞赛(以数学建模为例)的教学方式和现有的平台进行了研究,并分析了该模式的不足。对平台整体需求进行了分析,完成了平台功能的设计;然后依据CELTS-11规范建立了群组用户学习模型,并且把能力属性细分为知识熟知度、协作能力、信息收集能力满足学科竞赛的基本能力要求。接着使用迁移学习解决平台数据稀疏的问题。在学习资源推荐方面采用群组学习生成网络给参赛小组进行组推荐;最后,本文在Eclipse环境下,采用Spring+SpringMVC+Mybatis的架构完成了组队平台的研发,实现了小组学习资源推荐、竞赛项目推荐、小组协同学习管理、论坛、分享等功能。该系统经多次测试,其主要功能基本达到预设目标。该组队平台以提高参赛小组的综合能力水平为目标,并且提供高效的协同工作环境。在学习资源方面,采用群组学习生成网络的形式给小组推荐,满足参赛小组的学习需求。在参赛指导方面也可选择符合本小组偏好的教师来指导参赛,实现指导的个性化需求。
基于深度迁移学习的天气图像识别
这是一篇关于迁移学习,深度学习,领域自适应,天气识别的论文, 主要内容为天气是影响人们工作生活的重要因素之一,伴随人工智能的发展,各个领域需要实时获取天气信息以便执行相应的对策,为人们的生产生活提供诸多便利,因此,实现高准确率的天气图像识别至关重要。随着深度学习的进步与发展,通过神经网络进行图像识别的技术愈发成熟,也在很多领域取得了较好的应用效果。然而,基于深度神经网络的图像识别受到单一网络以及特征冗余的限制,当识别场景复杂、特征不显著的图像时,网络分类的性能会受到影响。基于此,本文以天气图像识别问题为背景,研究了基于迁移学习冻结网络的天气图像识别算法和基于深度迁移学习的天气图像识别算法。首先,针对天气图像数据样本不平衡的问题,采用数据增强的方式对图像进行处理以扩充样本数量,通过裁剪、旋转、翻转、平移等多种位置关系的变换,防止过拟合,提升模型的训练效率。其次,研究了一种基于迁移学习冻结网络的天气图像识别算法,通过Image Net构建出Res Ne Xt、SENet、Xception三种预训练网络模型,微调模型的网络结构以适应识别任务,通过参数调整、反向传播算法学习天气图像特征,验证迁移学习识别图像的可行性并分析出三种网络的识别优势与提取能力。为进一步加快模型的训练效率,提升图像识别的准确率,通过结合迁移学习的冻结方式,控制模型在训练过程中,每层参数的变化情况,更好地利用Image Net迁移参数代表的抽象特征和具体特征,对比不同冻结层数的识别效果,获取高识别准确率的网络模型。实验结果表明,针对与源域Image Net相似度较低、样本数量较少的天气数据集,冻结能够实现对天气图像的高准确率识别。最后,研究了一种基于深度迁移学习的天气图像识别算法,引入领域自适应中的判别联合分布自适应算法,相似化处理以上三种模型提取的三组特征,降低特征维度,改变图像数据集的分布差异,实现相同种类间距减少,不同种类间距增大,获取高质量特征以提升模型识别的效率,以此解决特征冗余的问题。将三组特征变换的数据以特征拼接的方式融合特征,采用多层感知机学习融合特征,实现对图像的高质量识别,并且提高了单一网络识别准确率的上限。实验结果表明,该算法融合三种网络模型具有合理性,有效的利用了三种模型不同的特征优势,相比于仅使用迁移学习的单一网络,融合模型的识别准确率得到有效提升,验证了算法的有效性。
面向学科竞赛的组队平台研究
这是一篇关于迁移学习,领域自适应,组推荐,个性化推荐,协同学习的论文, 主要内容为学科竞赛是面向高校学生的课外科技活动,是培养创新人才的一种卓越机制。学科竞赛课程与其他课程有一定的区别,主要利用学生的自主学习和碎片化学习。参赛过程中对学生的信息收集能力和时间管理能力有一定的要求。传统的集中式教学严重制约了学生个性化的指导,并且人为主观的组队方式也不利于队员的协同合作。随着互联网技术的快速发展,利用网络学习平台的优势不仅能给予学习者丰富的学习资源,还能提供碎片化学习与个性化学习。因此如何让网络平台与学科竞赛相结合提升学生的综合参赛水平是值得我们研究的地方。本文主要研究基于面向学科竞赛的组队平台。首先,对学科竞赛(以数学建模为例)的教学方式和现有的平台进行了研究,并分析了该模式的不足。对平台整体需求进行了分析,完成了平台功能的设计;然后依据CELTS-11规范建立了群组用户学习模型,并且把能力属性细分为知识熟知度、协作能力、信息收集能力满足学科竞赛的基本能力要求。接着使用迁移学习解决平台数据稀疏的问题。在学习资源推荐方面采用群组学习生成网络给参赛小组进行组推荐;最后,本文在Eclipse环境下,采用Spring+SpringMVC+Mybatis的架构完成了组队平台的研发,实现了小组学习资源推荐、竞赛项目推荐、小组协同学习管理、论坛、分享等功能。该系统经多次测试,其主要功能基本达到预设目标。该组队平台以提高参赛小组的综合能力水平为目标,并且提供高效的协同工作环境。在学习资源方面,采用群组学习生成网络的形式给小组推荐,满足参赛小组的学习需求。在参赛指导方面也可选择符合本小组偏好的教师来指导参赛,实现指导的个性化需求。
基于深度迁移学习的心电辅助诊断系统的设计与实现
这是一篇关于心电信号,深度迁移学习,领域自适应,多核最大均值差异,辅助诊断的论文, 主要内容为近年来,心血管疾病已经成为威胁人类生命安全的主要疾病之一,对心血管疾病的及时检测是迫切且十分必要的。心电信号自动分析技术能够减少医生工作量,提高诊断效率,具有非常重要的研究价值。传统的特征提取分类方法需要依赖各种算法手动选择并提取特征,个体差异导致提取的特征存在不确定性,从而影响分类的准确性。深度学习需要大量的标注数据作为训练集,存在数据依赖现象。针对以上问题,本文结合深度学习和迁移学习,利用数据之间隐含的共同特征,提出了一种新的领域自适应心电信号分类算法,实现对心血管疾病的自动识别和诊断。最后,设计并实现了心电辅助诊断系统,辅助医生诊断心血管疾病。本文主要研究工作总结如下:1)构建基于领域自适应的的心电信号分类网络(BiLSTM-MKMMD-NET)模型。首先,利用双向长短期记忆网络(Bi-Directional Long-Short Term Memory,BiLSTM)自主学习心电信号的时序特征,建立预训练模型,预训练模型的分类准确率达到99.26%。针对心电标注数据不足,模型无法获得足够多的训练数据以及源域和目标域数据分布差异的问题。本文在预训练模型上添加适配层,将已有标注的源域心电数据知识迁移到未标注的目标域心电数据;通过选择多核最大均值差异(Multi-kernel Maximum Mean Discrepancy,MKMMD),使源域和目标域的特征映射到高维空间,最小化源域和目标域之间的分布距离,提升在目标域上的分类效果。最后,在不同领域数据集进行多组迁移对比实验,验证本文提出的域适应模型的有效性。2)心电辅助诊断系统的设计与实现。系统主要由系统管理、数据收发、数据统计管理和智能诊断处理四部分构成。系统使用Qt Designer工具完成界面的设计,结合SQLite构建了系统用户和心电数据库,使用WebService技术访问服务器完成数据的收发操作,使用PyQt技术完成业务逻辑操作,包括心电图的绘制和显示、用户系统交互、生成诊断报告等功能。系统通过集成本文提出的BiLSTM-MKMMD-NET模型,完成对心电数据的智能辅助诊断处理。最后,进行系统测试,证明了系统心电辅助诊断功能的有效性。
基于模型迁移和领域自适应的轴承故障诊断研究
这是一篇关于轴承,故障诊断,迁移学习,领域自适应,图表示学习的论文, 主要内容为轴承作为旋转机械关键零部件之一,一旦发生故障,轻则影响机械设备运行,重则造成安全生产事故,因此开展轴承故障诊断研究具有重要现实意义。由于深度学习能够从海量数据中自动提取故障特征,在一定程度上能有效降低人工参与的成本投入,然而基于深度学习的轴承故障诊断方法在工程实际应用中仍然存在一定的局限性:1)缺乏大量的有效带标签数据,深度学习模型训练困难;2)轴承运行工况变化,引起训练/测试数据分布差异大,导致模型泛化性能不足;3)学习模型在不同设备间诊断应用中存在适用性差问题。为了解决上述问题,本文将迁移学习相关理论引入到轴承故障诊断中,结合时频分析、深度卷积神经网络和图表示学习等方法,开展基于模型迁移和领域自适应的轴承故障诊断研究,分析解决轴承在相同工况下、不同工况间以及不同设备间三种故障诊断问题。本文的主要工作如下:针对相同工况下轴承诊断学习模型训练过程中存在的有效带标签数据缺失问题,提出基于时频图像和模型迁移的小样本轴承故障诊断方法。首先,通过小波包分解和重构滤除振动信号噪声;然后,利用频率切片小波变换将重构后的信号构造为二维时频图像;最后,采用模型迁移方法,使用预训练好的Res Net50模型提取二维时频图像特征训练softmax分类器,在凯斯西储大学轴承数据集上进行实验验证,平均分类准确率为99.90%。针对不同工况间训练/测试样本数据分布差异问题,提出一种基于混合距离度量和领域自适应的跨工况轴承故障诊断方法。首先,设计一种结合最大均值差异和相关对齐算法的混合距离度量方法,最小化源域和目标域之间的数据分布差异;进一步构建基于领域自适应的深度神经网络模型,通过提高网络深度,能够学习到更加抽象的数据特征;最后,在凯斯西储和帕德博恩大学轴承数据集上进行模型泛化性能验证,平均分类准确率分别为99.48%和99.39%。针对不同设备间轴承故障诊断中学习模型适应性差以及传统欧氏数据无法有效表征关系数据的问题,提出基于图表示学习的跨设备领域自适应故障诊断研究方法。首先,通过快速傅里叶变换提取频谱特征,将源域和目标域样本转换为节点表示;然后,采用K最近邻算法构造源域和目标域图结构;最后,构建域自适应图卷积神经网络,在跨工况和跨设备诊断任务中进行模型适应性验证,平均分类准确率分别为99.89%和92.99%。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站 ，原文地址：https://m.bishedaima.com/lunwen/46664.html
