为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

神经丝蛋白体型细长、形态多变,跟踪难度大。为了能够准确稳定的获取神经丝蛋白质的运动状态,利用了改进的Camshift算法实现了对神经丝蛋白运动的自动跟踪。利用HSV颜色空间的颜色直方图建立目标模型,结合预测点对目标特征点加权。通过在目标颜色概率模型中引入核函数,利用核密度梯度来进行目标搜索,最终在每帧图像中获取目标的具体位置。鉴于神经丝蛋白的特殊性,还对比分析了其他两种概率预测类算法的跟踪效果。实验结果表明,此方法能够快速稳定跟踪神经丝蛋白,为神经丝蛋白质的医学研究提供了新的途径。