1、“.....结论针对管道泄漏孔径识别面临的原始数据冗余量大特征提取及分类过度依赖先验知识和专家诊断等问题，本文提出了基于压缩感知与维卷积网络相结合的孔径识别分类方法。压缩采集可以实现对泄漏孔径信息的有效提取，缓解了原始数据较大的冗余对深度网络模型学习的影响，提高了天然于输入大小的卷积核实现的稀疏性连接，且对输入信号的卷积过程中，每种卷积核的权值参数只有种，这种权值共享的结构较大地减少待训练参数个数，有助于构建深层次卷积网络，提取出更具有表达性的特征。维卷积网络的计算过程如式所示Κ式中为在层第个卷积核权值为在层第部分被卷积区域数值为非线性激活函数，为第层第个卷积核第部分输出结果。池化层在卷积层之后，是种基于局部相关性原理的亚采样，主要起降低卷积网络维度和控制过拟合作用。因对泄漏信号特征提取主要聚焦于其时域信号的波动信息，在本文中采用最大池化，函数......”。

2、“.....压缩感知联合卷积网络的天然气管道泄漏率，较传统方法具有更好的智能性和自适应性。参考文献王学伟，苏丹，袁洪芳，等小波包多级树模型管道泄漏信号压缩感知方法仪器仪表学报，孙洁娣，彭志涛，温江涛，等基于总体局域均值分解及稀疏表示分类的天然气管道泄漏孔径识别中国机械工程，孙洁娣，乔艳雷，温江涛压缩感知域智能天然气管道泄漏孔径识别仪器仪表学报，葛明，钱玲基于算法及其改进算法的宽带雷达信号稀疏分解舰船电子对抗，温江涛，闫常弘，孙洁娣，等基于压缩采集与深度学习的轴承故障诊断方法仪器仪表学报，吴春志，江鹏程，冯辅周，等基于维卷积神经网络的齿轮箱故障诊断振动与冲击，周奇才，刘星辰，赵炯，等旋转机械维深度卷积神经网络故障诊断研究振动与冲击，温江涛，付磊，孙洁娣，王涛，张光宇......”。

3、“.....情况下对管道泄漏孔径识别分类的优劣，其结果如图所示。定义如下Ν为泄漏信号功率，为添加的白噪声信号功率，表示为添加高斯白噪声后泄漏信号的信噪比。图本文方法及常用方法在不同信噪比下的识别准确率对比由图可以看到，随着降低，泄漏信号中包含了更多噪声成分，种方法的识别准确率都有定程度下降，但本文方法均明显高于其他两种方法。在小于后识别准确率不足，说明传统方法在较强噪声下鲁棒性较差。当信噪比低于时，本文所用方法识别准确率依旧能达到以上，高于自编码和方法的识别准确率，说明本文方法在较为复杂的环境依旧有较好的适应性，这主要得益于压缩采集具有对高斯白智能泄漏孔径识别方法的需求更加迫切。泄漏本质上也可视为通过分析振动信号而识别的种故障，近年来深度神经网络及深度学习方法在故障诊断领域引起了学者们的致关注，也取得了很多研究成果。孙洁娣等采用稀疏滤波网络通过深度学习进行特征提取......”。

4、“.....然后将其作为深度信念网络的输入，构建深度信念网络实现对天然气阀门泄漏率的预测。学者们将多种类型的深度神经网络引入智能诊断领域，也都获得了较为满意的结果。特别是卷积神经网络更是因其强大的特征提取及分类能力获得了学者们的青睐，在多个领域进行了广泛研究。等将维轴承数据转换成维图像，然后利用改进的维卷积对其进行自适应特征提取，实现对轴承故障信号的分类。等通过维卷积网络直接对原始时间度维卷积神经网络，将压缩采集数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别还对主要参数的影响进行了深入的分析。实验结果表明，该方法能够快速准确地实现天然气管道泄漏孔径识别，且在低信噪比环境下具有较好的鲁棒性，总体识别效果优于传统的分类方法......”。

5、“.....管道运输已成为天然气运输的主要方式，但由于材料缺陷腐蚀和老化等原因造成的泄漏事件逐年增加，已成为威胁管道安全运营的重要因素。再者，天然气管道泄漏孔径的不同会造成不同程度的危害，若能准确地识别泄漏孔径的大小，将有助于安全运营部门准确估算泄漏的危害程度，迅速做出相应的措施来降低损失，因此天然气管道泄漏孔径识别研究具有重要意义。传统的天图实验现场不同孔径的模拟泄漏孔实验中分别采集孔径和的泄漏信号多组，即泄漏孔径类别为类选取每种类型样本个，其中为训练集，剩下的为测试集，每个样本采样点为点，用于进行后续处理。深度的构建本文构建的卷积网络由个卷积层，个池化层个层和个全连接层组成。首个卷积层直接输入压缩采集得到的数据，激活函数为，使输出数据部分臵，增加网络的稀疏性，缓解在卷积网络后向传播过程中梯度消失的问题。之后的每个卷积层包含处理卷积运算和激活函数......”。

6、“.....因运算已部分缓解网络的过拟合问题，本文只在全连接层之后增添层，增加网络的泛化性能，最后利用对提取得到的特征数据通过线性映射进行分类。本文所建立的深度模型如图所低的问题。处理能够对输入数据进行归化处理，在卷积层和全连接层之前，加入处理，能够加快模型收敛速度，同时也能增强网络的泛化能力。如图为加入处理前后模型识别准确率随迭代次数的变化。图有无处理诊断结果的对比从图中能够看出，模型在加入处理前后，训练集的识别准确度都能够达到，但是在对测试集进行测试时，没加入处理的模型会较快达到饱和，测试数据的平均识别准确率为，其值小于加入处理模型的识别准确率，说明处理能够增强网络提取特征的能力，有利于取得更好的识别分类效果。压缩感知联合卷积网络的天然气管道泄漏孔径识别石油天然气工业论文。构建具有多个卷积层的深度神经网络。首先初始化学习率ε批尺寸大小，迭代训练次数......”。

7、“.....然后将况下，减少待训练参数个数，加快收敛速度。模型主要参数设定如表所示。构建具有多个卷积层的深度神经网络。首先初始化学习率ε批尺寸大小，迭代训练次数，及每层卷积核数目，然后将每批次训练集数据送入到输入层，多个交替的卷积层和池化层进行自适应特征提取，由分类器利用提取出的特征对泄漏孔径进行分类，最后计算该批次训练数据的交叉熵误差值。根据计算得到的交叉熵误差值，对后向传播过程中权值参数通过链式求导进行更新，对模型进行迭代优化。当多次迭代后误差值不再降低或者迭代次数达到设臵值后，保存所建立模型的参数配臵信息。利用测试集代入所建立模型来计算识别准确率，对模型进行评价。实验结果与分析实验数据来源为了验证所提方法的有效性，进行实验数据处理与结果分析。间序列的轴承故障数据进行自适应特征提取，实现对轴承故障快速准确的分类。以上方法均取得了较好分类效果......”。

8、“.....在转换过程中会丢失较多细节数据，且模型训练耗时较长，未能充分发挥卷积网络对原始数据强大的自适应特征提取能力另方面如果直接用维卷积网络对输入原始信号进行特征提取，因输入的原始数据本身冗余较大，会较大地增加模型训练及测试时间，特别是处理信噪比较低的信号，训练及识别难度更高。图实验现场不同孔径的模拟泄漏孔实验中分别采集孔径和的泄漏信号多组，即泄漏孔径类别为类选取每种类型样本个，其中为训练集，剩下的为测试集，每个样本采样点为点，用于进行后续处理。深度的构建本文构建的卷积网络由个卷积层，个池化层个层和个全连接层组成。首个卷积层直天然气管道泄漏孔径识别多采用特征提取构造分类器的方法，该类方法首先在时域频域或变换域中提取出不同孔径泄漏的多种特征形成高维特征向量，然后人为或利用其他降维方法筛选出最佳的特征描述组合......”。

9、“.....等通过对泄漏信号进行小波包分解，将提取得到特征送入到支持向量机判别是否有泄漏发生等通过对泄漏信号进行局域均值分解，然后将计算得到的包络谱特征送入到支持向量机中实现对泄漏孔径的分类孙洁娣等通过对泄漏信号进行总体局域分解，提取出散度值较小分量的时频特征向量组，然后送到分类器实现对泄漏孔径的分类等提出种基于经验模态分解的小噪声降低方法，应用于管道泄漏检测。但人工筛选出的特征存在主观性强对专业知识背景要求高和难以完整表达泄漏信息等问题，因压缩感知联合卷积网络的天然气管道泄漏孔径识别石油天然气工业论文批次训练集数据送入到输入层，多个交替的卷积层和池化层进行自适应特征提取，由分类器利用提取出的特征对泄漏孔径进行分类，最后计算该批次训练数据的交叉熵误差值。根据计算得到的交叉熵误差值，对后向传播过程中权值参数通过链式求导进行更新，对模型进行迭代优化......”。