jjh135445的博客

本文提出了一种基于深度强化学习的智能交通灯控制系统设计方案。研究采用MobileNet模型构建交通流量识别模块，结合PyQt5开发可视化控制界面。系统通过优化DQN、DDQN等算法实现单路口和多路口的协同控制，在仿真测试中相比传统方法可降低车辆延误20-30%，提高通行能力15-20%。程序实现包括交通场景建模、状态空间定义、奖励函数设计等核心功能，并采用SUMO仿真平台验证算法有效性。研究成果为缓解城市交通拥堵提供了智能化解决方案，具有实际应用价值。

摘要：本文设计并实现了一个基于YOLOv5的动物图像识别系统，用于生物多样性保护和濒危动物管理。系统采用YOLOv5s、YOLOv5m和YOLOv5l三种模型进行训练对比，使用自建数据集（包含鸟类、猫、牛、狗、马和羊6类动物）进行预处理和标注。通过PyQt5开发可视化界面，实现图片、视频和实时摄像识别功能。实验结果表明系统具有较高的识别精度和速度，可应用于动物保护和研究领域。训练配置采用Intel i5处理器和NVIDIA RTX2070s显卡，通过调整批次大小、训练轮数等参数优化模型性能。系统界面简洁直观

【摘要】对称点模式（SDP）是一种高效的图像处理技术，通过生成对称点阵实现图像增强和特征提取，广泛应用于模式识别、数据加密等领域。在轴承故障诊断中，SDP可将振动信号快速转换为极坐标下的雪花状对称图像，直观反映故障特征。相比传统时频分析方法（FFT、小波变换等），SDP结合卷积神经网络（CNN）能实现更高精度的智能诊断，且计算效率更优，利于在线监测。该方法已成功应用于发动机异常检测，展现了良好的工程应用前景。相关资料可通过公众号获取。

本文研究基于机器学习的滚动轴承故障分析系统软件设计。系统采用CWRU轴承数据集，通过数据预处理和特征提取，构建了包含KNN、MLP、RandomForest和XGBoost的机器学习模型。软件实现了模型预测、评估、特征分析、模型对比和预测记录五大功能，通过PyQt5框架开发可视化界面。测试结果表明，系统能有效识别正常、内圈、外圈和滚动体四种故障状态，准确率达95%以上，显著优于传统方法。该系统避免了复杂的手工特征提取，为轴承故障诊断提供了智能化解决方案。

针对深度网络提取的特征中包含的信息不完整的问题，本文提出了一种领域对抗图卷积网络，用于统一类标签，域标签和数据结构三类信息进行建模。标签，域标签和数据结构三类信息图算法的思想：类标签和域标签分别由分类器和域鉴别器建模，在数据结构中，先使用卷积神经网络获取输入信号的特征，然后将提取的特征输入到图生成层，通过挖掘样本的结构特征之间的关系来构造示例图。然后，利用图卷积网络对实例图进行建模，并利用最大平均差异度量估计不同域实例图的结构差异。

本文介绍了一个基于TensorFlow的WDCNN（宽深卷积神经网络）模型构建与训练过程。首先配置GPU内存分配并导入相关库，然后搭建包含6个卷积层、池化层和3个全连接层的1D卷积网络结构。模型输入为1024长度的时序数据，通过数据预处理函数对.mat文件中的_time后缀数据进行窗口截断处理，生成训练集和测试集。训练结果显示，经过700-1000次epoch训练后，训练集准确率达95.5-96.8%，测试集准确率达85-87%。最后提供了绘制训练过程中损失函数和准确率曲线的可视化方法。

本文提出一种基于改进一维卷积神经网络（WDCNN）的轴承故障诊断方法。通过数据增强与标准化处理振动信号，构建轻量化WDCNN模型，采用多尺度卷积核自动提取特征，结合BatchNormalization和L2正则化抑制过拟合。实验显示，该方法在10类轴承故障识别中准确率超过98%，具有特征提取能力强、收敛速度快等优势。研究表明，WDCNN能有效处理原始振动信号，实现高精度智能诊断。

基于YOLOv12算法的交通标志检测系统

在现代交通管理中，交通标志的准确检测是确保道路安全和交通流畅的重要环节。本文基于YOLOv12算法，设计并实现了交通标志检测系统。YOLOv12通过端到端的目标检测方式，结合多尺度特征融合和目标检测结构，能够在复杂的道路环境中高效定位和识别多种交通标志类型，包括限速标志、停车标志、转向标志和警告标志等。实验结果表明，模型对限速标志、停车标志和转向标志的检测精度接近完美，警告标志的检测精度也处于较高水平，整体检测精度表现优异。

通过结合EfficientNet的高效特征提取能力和全局注意力机制（GAM），在图像分类任务中实现了性能与计算效率的平衡。GAM模块的创新设计使得模型能够同时从通道和空间两个维度对特征进行加权，显著提升了特征提取的能力。该模型在计算资源有限的应用场景中具有广泛的应用前景。基于EfficientNet和注意力增强卷积网络的创新模型（故障诊断、模式识别）

采用三层 CNN 结构，每层包含卷积、批归一化（BatchNorm）、ReLU 激活函数和最大池化（MaxPooling），能够逐层提取输入数据的局部空间特征，同时降低计算量。双向结构进一步增强了对复杂特征的学习能力。该模型结合了卷积神经网络（CNN）和双向长短时记忆网络（BiLSTM），旨在提高故障诊断的特征提取能力和时间序列建模能力。通过 BiLSTM 处理 CNN 提取的特征，并采用最后时间步的输出进行分类，使模型既能学习空间特征，又能融合时间信息，从而提升诊断精度。

此外，为了适配 CBAM 模块，特征映射通过 扩展到 7×7 的空间尺寸 进行增强，以充分利用注意力机制，提高故障特征提取的精度。通道注意力采用 全局平均池化和最大池化结合，强化重要通道的权重，而空间注意力通过提取通道间特征的统计信息，增强故障特征在空间上的表达能力。相比原始 RegNet，该改进提高了故障模式的可辨识性，增强了模型的泛化能力。CBAM-RegNet 结合轻量级网络和高效的注意力机制，在保证高诊断准确率的同时，降低了模型参数量和计算复杂度，增强了对复杂故障模式的适应能力和抗噪声能力。

摘要：轴承作为旋转设备关键部件，其故障诊断至关重要。传统方法依赖人工特征提取（如FFT、STFT等），存在专业性强、泛化性差等问题。深度学习特别是CNN能有效提取深度特征，已有研究将其用于轴承诊断，但原始振动信号特征不直观。相比时频变换方法，对称点模式（SDP）技术可将一维信号转换为极坐标雪花图像，直观反映故障特征且耗时少。已有研究证明SDP结合CNN可形成高效诊断方法，是一种具有潜力的低复杂度故障可视化方案。

基于深度学习的猴痘皮肤病识别算法（CNN）

摘要：本研究基于卷积神经网络（CNN）开发了一个滚动轴承内圈损伤尺寸分类模型，使用凯斯西储实验室提供的0.14cm和0.21cm损伤数据集进行训练和测试。通过Python实现了一维CNN模型构建、训练和评估流程，包括数据预处理、网络架构设计（含卷积层、池化层等）、模型可视化及测试集验证。结果表明该模型能有效分类两种损伤尺寸，为机械故障诊断提供了可行的智能解决方案。研究完整代码已开源供参考。

《基于先验未知盲反卷积技术的包络谱重复瞬态的循环平稳性提取》阅读笔记及代码整理

自定义的卷积神经网络模型CNN，对图片进行分类并使用图片进行测试模型-适合入门，从模型到训练再到测试，开源项目