ICPHM 2023 数据挑战赛中结合数据增强与正则化技术的 1-D 剩余卷积神经网络
本研究探讨了如何使用基于卷积核的方法,包括 ROCKET 和一维卷积神经网络,在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器,该方法在测试数据中表现出超过 98.8%的准确性,优于其他曾有的方法。
May, 2023
该研究介绍了一个针对结构健康监测中多模态振动信号复杂性的新型深度学习算法,通过融合卷积和循环结构,以及关注机制的重要集成,该算法能够准确捕捉结构行为并从噪声中辨别和优先处理重要的结构响应,取得了显著的预测准确性、早期损伤检测以及在多种结构健康监测方案中的适应性改进。该研究不仅提供了一个强大的分析工具,还为更透明、可解释的人工智能驱动的结构健康监测解决方案铺平了道路,并展望了未来的实时处理、与外部环境因素的集成以及对模型可解释性的深入强调。
Aug, 2023
通过使用一个液压系统测试数据集,本研究聚焦于传感器基于的状态监测,并探索了使用深度学习技术的应用。我们比较了三种模型的性能:一个使用常规方法的基准模型,一个具有早期传感器融合的单一卷积神经网络模型,以及一个具有晚期传感器融合的双路卷积神经网络模型 (2L-CNN)。基准模型通过晚期传感器融合取得了令人印象深刻的 1% 测试误差率,其中对每个传感器进行了单独的特征提取。然而,由于传感器特征的多样性,卷积神经网络模型遇到了挑战,导致了 20.5% 的误差率。为了进一步调查这个问题,我们对每个传感器进行了单独的训练,并观察到了准确性的变化。此外,我们还评估了 2L-CNN 模型的性能,在考虑最不理想和最理想传感器的组合时,错误率降低了 33%。本研究强调了在传感器基于的状态监测中有效应对多传感器系统的复杂性的重要性。
Aug, 2023
该研究利用深度学习算法进行神经成像数据处理,提出利用残差和 3D 卷积神经网络架构实现自动特征生成和更简单的分析,最终在 3D 结构 MRI 脑部扫描中对阿尔茨海默病与轻度认知障碍和正常对照的分类取得了可比的效果。
Jan, 2017
利用声音和振动信号的转移学习方法来解决实际运行场景中训练数据与真实数据之间的分布差异,并通过预训练和微调的骨干结构与基于深度神经网络的分类器相结合,取得了较好的故障诊断性能。
Oct, 2023
通过呼吸音检测病理学,使用 ICBHI 基准数据集,利用变分卷积自编码器和卷积神经网络实现对呼吸音进行分类以及区分不同类型的病理学或健康状态,取得了高达 0.993 F-Score 的分类结果。
Feb, 2024
该研究提出了一种用于诊断帕金森病步态的高效深度神经网络模型。具体地,我们引入了一种混合的 ConvNet-Transformer 架构,通过检测疾病的严重程度准确诊断帕金森病。所提出的架构通过单一的端到端模型充分利用了卷积神经网络和 Transformer 的优势,前者能够从纵向地面反作用力信号中提取相关的局部特征,而后者能够捕捉数据中的长期时空依赖关系。我们的混合架构相比于单独使用任一模型获得了改进的性能。实验结果表明,我们的方法对于从步态数据检测帕金森病不同阶段是有效的,最终准确率达到了 88%,超过了 Physionet 步态数据集上其他最新人工智能方法。此外,我们的方法可以推广和适应其他分类问题,在处理一维信号中的特征相关性和时空依赖性问题上具有潜力。我们的源代码和预训练模型可以在此 https URL 公开获取。
Nov, 2023
通过给训练数据增加更多的图像变换、给测试时产生更多的预测和使用应用于更高分辨率图像的补充模型等多种技术,我们改进了目前基于深度卷积神经网络的图像分类流程,并在 Imagenet 大规模视觉识别挑战赛 2013 中获得了前五名,我们的系统分类错误率为 13.55%,相对于上一年的获胜者,出现了超过 20%的相对提高。
Dec, 2013
本文针对可穿戴传感器数据分类中数据量小、标签存在噪声和类内变异性大等问题,提出了多种数据增强方法,并将所提出的方法和卷积神经网络应用于帕金森病患者运动状态的分类,取得了从 77.54%到 86.88%的性能提升。
Jun, 2017
这项研究引入了一种创新的卷积神经网络算法来检测结构损伤,通过从时间序列数据中提取深度空间特征,并利用长期时间连接教授卷积神经网络识别时空特征,结合两类时间序列数据(完好和损坏)的方法验证了其有效性,并证明该新的卷积神经网络算法在检测结构退化方面非常准确。
Nov, 2023