期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到764篇文章
< 1 2 … 39 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于一维残差卷积神经网络的Pi2脉动识别模型 被引量：1
1
作者 张怡悦 邹自明 方少峰 《空间科学学报》 北大核心 2025年第1期66-81,共16页
Pi2脉动是一种不规则的超低频波(Ultra-Low Frequency,ULF),是磁层与电离层耦合的重要瞬态响应,其发生与亚暴爆发有密切的关系.Pi2脉动作为地球磁层中的一种扰动现象,其发生信号隐藏在地磁场分量观测数据中.面对持续增长的观测数据量,... Pi2脉动是一种不规则的超低频波(Ultra-Low Frequency,ULF),是磁层与电离层耦合的重要瞬态响应,其发生与亚暴爆发有密切的关系.Pi2脉动作为地球磁层中的一种扰动现象,其发生信号隐藏在地磁场分量观测数据中.面对持续增长的观测数据量,如何有效地判断某段地磁场分量观测数据中是否有Pi2脉动发生,是构建Pi2脉动识别模型的关键.利用子午工程磁通门磁力仪观测的地磁场分量数据,基于一维残差卷积神经网络(One-Dimensional Residual Convolutional Neural Network,1D-ResCNN),构建了一个端到端的Pi2脉动识别模型,用于判别某段地磁场分量观测数据中是否有Pi2脉动发生.实验结果表明,该模型与现有公开发表的Pi2脉动机器学习识别模型相比,具有更高的识别准确率和更低的虚报率、漏报率. 展开更多
关键词 Pi2脉动 Pi2脉动识别模型 一维残差卷积神经网络
在线阅读 下载PDF
一维残差卷积神经网络的刀具磨损识别方法研究 被引量：3
2
作者 杨斌 樊志刚 +2 位作者 王建国 王民 李志星 《机械科学与技术》 CSCD 北大核心 2022年第11期1746-1752,共7页
传统的机器学习方法对于刀具磨损进行监测时需要人为提取特征,并且在刀具磨损监测过程出现所需时间较长、精度低等问题。本文提出基于一维残差卷积神经网络的刀具磨损状态识别方法。对原始振动信号进行小波包阈值降噪、快速傅里叶变换... 传统的机器学习方法对于刀具磨损进行监测时需要人为提取特征,并且在刀具磨损监测过程出现所需时间较长、精度低等问题。本文提出基于一维残差卷积神经网络的刀具磨损状态识别方法。对原始振动信号进行小波包阈值降噪、快速傅里叶变换处理后,将生成的频谱数据作为残差卷积神经网络模型的输入,通过卷积连接、残差连接和融合等操作自动进行特征提取,最后与刀具磨损状态进行匹配。结果表明:与目前常用的其它神经网络相比较,本文所提出的方法在多次测试中后平均准确率提高了0.6%,训练耗时对于频谱图输入降低30%,具有流程简单、准确率更高的特点,相比于其他方法更有优势。 展开更多
关键词 振动信号 残差连接 刀具磨损 卷积神经网络
在线阅读 下载PDF
基于残差分组卷积神经网络和多级注意力机制的源荷极端场景辨识方法 被引量：1
3
作者 郭红霞 李渊 +2 位作者 陈凌轩 王建学 马骞 《电网技术》 北大核心 2025年第2期459-469,I0019-I0024,共17页
为应对极端天气事件给新型电力系统安全稳定运行带来的影响,在电网的生产模拟中需要考虑极端场景。然而极端场景历史样本数量少,传统场景生成方法无法直接生成极端场景,需要对场景进行辨识。为此,提出一种计及源荷双侧的极端场景辨识方... 为应对极端天气事件给新型电力系统安全稳定运行带来的影响,在电网的生产模拟中需要考虑极端场景。然而极端场景历史样本数量少,传统场景生成方法无法直接生成极端场景,需要对场景进行辨识。为此,提出一种计及源荷双侧的极端场景辨识方法。首先,将风电、光伏和负荷序列进行重塑,并在通道维度上拼接;然后,基于分组卷积和深度残差网络,提取场景的时序特征和源荷场景之间的耦合特征;其次,模型内部嵌入通道注意力机制和多头注意力机制,以赋予重要特征更大的权重,并对场景进行分类;此外,采用改进损失函数解决训练样本中数据集不均衡的问题;最后,基于历史数据集进行验证。验证结果表明,所提方法能够对场景进行有效的分类,可以从历史场景中识别出具有高保供或高消纳风险的源荷极端场景。 展开更多
关键词 极端场景辨识 残差神经网络 分组卷积 注意力机制 源荷不确定性
在线阅读 下载PDF
基于改进一维卷积神经网络模型的蛋清粉近红外光谱真实性检测 被引量：1
4
作者 祝志慧 李沃霖 +4 位作者 韩雨彤 金永涛 叶文杰 王巧华 马美湖 《食品科学》 北大核心 2025年第6期245-253,共9页
引入近红外光谱检测技术,构建改进一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)蛋清粉真实性检测模型。该模型基于1D-CNN模型,无需对光谱数据进行预处理;同时在网络中加入有效通道注意力模块和一维全局平均... 引入近红外光谱检测技术,构建改进一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)蛋清粉真实性检测模型。该模型基于1D-CNN模型,无需对光谱数据进行预处理;同时在网络中加入有效通道注意力模块和一维全局平均池化层,提高模型提取光谱特征的能力,减少噪声干扰。结果表明,改进后的EG-1D-CNN模型可判别蛋清粉样本的真伪,对于掺假蛋清粉的检测率可达到97.80%,总准确率(AAR)为98.93%,最低检测限(LLRC)在淀粉、大豆分离蛋白、三聚氰胺、尿素和甘氨酸5种单掺杂物质上分别可达到1%、5%、0.1%、1%、5%,在多掺杂中可达到0.1%~1%,平均检测时间(AATS)可达到0.004 4 s。与传统1D-CNN网络结构及其他改进算法相比,改进后的EG-1D-CNN模型在蛋清粉真实性检测上具有更高精度,检测速度快,且模型占用空间小,更适合部署在嵌入式设备中。该研究可为后续开发针对蛋粉质量检测的便携式近红外光谱检测仪提供一定的理论基础。 展开更多
关键词 蛋清粉 近红外光谱 真实性检测 一维卷积神经网络 深度学习
在线阅读 下载PDF
基于一维卷积神经网络的钢轨波磨迁移诊断方法 被引量：1
5
作者 王阳 肖宏 +3 位作者 张智海 迟义浩 魏绍磊 方树薇 《铁道学报》 北大核心 2025年第4期115-123,共9页
监测钢轨表面波磨状态是控制铁路环境振动与噪声的必要措施,利用安装在运营列车车体上的加速度传感器实现对钢轨波磨的实时监测,具有低成本、高效和便携的优点。为实现利用车体动态响应识别钢轨波磨,通过小波变换等手段分析钢轨波磨激... 监测钢轨表面波磨状态是控制铁路环境振动与噪声的必要措施,利用安装在运营列车车体上的加速度传感器实现对钢轨波磨的实时监测,具有低成本、高效和便携的优点。为实现利用车体动态响应识别钢轨波磨,通过小波变换等手段分析钢轨波磨激励下车体振动特性,建立车辆-轨道刚柔耦合模型,获取车体垂向加速度仿真数据集。基于一维卷积神经网络搭建钢轨波磨检测模型并在仿真数据集上进行训练,与其他几种常见的检测模型进行对比,最后将模型迁移到实测车体垂向加速度数据集上实现对钢轨波磨的诊断。研究结果表明,钢轨波磨激励的振动能量在运行方向左侧和右侧空气弹簧对应的地板表面位置基本相同,通过车体垂向振动加速度信号无法区分左右两股钢轨的差异。与SVM、LSTM及2D-CNN相比,本文提出的钢轨波磨检测模型精度最高,单个样本推理时间仅为1.00 ms,钢轨波磨识别准确度达92.38%。 展开更多
关键词 钢轨波磨 车载检测 数据驱动 迁移学习 一维卷积神经网络(1D-CNN)
在线阅读 下载PDF
ISW32离心泵深度一维卷积神经网络故障诊断 被引量：1
6
作者 贺婷婷 张晓婷 +1 位作者 李强 颜洁 《机械设计与制造》 北大核心 2025年第4期213-216,共4页
传统卷积神经网络进行故障诊断过程费时费力,且人工提取特征未必完善。通过搭建离心泵故障诊断实验系统获得采样本,输入到深度一维卷积神经网络中进行故障诊断。通过提高1DCNN深度,为1DCNN模型设置了更多卷积层,最终实现D-1DCNN模型达... 传统卷积神经网络进行故障诊断过程费时费力,且人工提取特征未必完善。通过搭建离心泵故障诊断实验系统获得采样本,输入到深度一维卷积神经网络中进行故障诊断。通过提高1DCNN深度,为1DCNN模型设置了更多卷积层,最终实现D-1DCNN模型达到更强的特征提取能力。通过参数设置对深度一维卷积神经网络进行调节,确定最优的参数范围:学习率为0.01,卷积核选取为(1×3),批处理量为50,采取最大池化条件,以Adam优化器优化实验参数。实验测试研究结果表明:深度一维卷积神经网络在离心泵故障诊断实现了99.97%准确率,可以满足智能故障诊断的要求。该研究对提高ISW32离心泵的故障诊断能量具有很好的实际应用价值。 展开更多
关键词 离心泵 故障诊断 深度一维卷积神经网络 准确率 实验 采样
在线阅读 下载PDF
基于卷积神经网络的线结构光高精度三维测量方法 被引量：1
7
作者 叶涛 何威燃 +2 位作者 刘国鹏 欧阳煜 王斌 《仪器仪表学报》 北大核心 2025年第2期183-195,共13页
线结构光视觉三维测量技术因其高精度和非接触的三维重建优势而被广泛应用。然而,现有的线结构光三维测量方法在标定过程中往往面临较高的耦合性问题,且在复杂环境下,背景噪声和光照变化会严重干扰条纹的提取,导致结构光条纹中心定位精... 线结构光视觉三维测量技术因其高精度和非接触的三维重建优势而被广泛应用。然而,现有的线结构光三维测量方法在标定过程中往往面临较高的耦合性问题,且在复杂环境下,背景噪声和光照变化会严重干扰条纹的提取,导致结构光条纹中心定位精度下降,进而影响整体三维测量的精度和鲁棒性。针对上述问题,提出了一种基于卷积神经网络的鲁棒三维测量方法。首先,设计了一种创新性的残差U型块特征金字塔网络(RSU-FPN),旨在实现背景噪声的干扰抑制和结构光条纹区域中心的高精度鲁棒提取。其次,构建了一种新型的线结构光视觉传感器,并提出了一种分离式测量模型,成功将摄像机标定与光平面标定解耦,极大地提高了系统的灵活性与扩展性。通过这种解耦的标定方式,避免了传统标定方法中存在的耦合问题,使得整个测量系统更加高效且易于调整。实验结果表明,所提出的基于卷积神经网络的鲁棒三维测量方法,在复杂背景下能够实现结构光条纹中心的高精度提取,利用提取出的光条纹中心进行标定,其均方根误差分别为x方向0.005 mm、y方向0.009 mm以及z方向0.097 mm。并且,该方法在不同表面类型(如漫反射表面和光滑反射表面)上均能实现高精度的三维重建,验证了其在实际应用中的优越性和强大的鲁棒性。 展开更多
关键词 线结构光 三维测量 卷积神经网络 残差U型块特征金字塔网络 背景噪声抑制
在线阅读 下载PDF
高光谱图像结合一维卷积神经网络的玉米大斑病早期识别
8
作者 路阳 顾福谦 +2 位作者 谷英楠 许思源 王鹏 《光谱学与光谱分析》 北大核心 2025年第8期2302-2310,共9页
大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行... 大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行试验,此时期刚显现病斑特征,但无法通过视觉属性观察看出是何种病害。首先采用SOC710E光谱仪采集高光谱图像,通过选取感兴趣区域获得玉米叶片的健康和大斑病两种光谱数据。使用SG卷积平滑、多元散射校正(MSC)、标准正态变换(SNV)和去趋势算法(DT)等四种光谱预处理方法,以去除光谱数据中的噪声。分别使用随机森林(RF)和K最近邻(KNN)两种监督学习算法,以准确率作为评价指标,对高光谱图像进行识别。结果表明,MSC为优选的预处理方法,两种模型预测准确率分别为88.13%和86.26%。然后采用竞争性自适应重加权算法对玉米叶片光谱数据进行特征波长提取,从原始的260个波长中优选出48个特征波长。最后建立一维卷积深度学习模型进行分类,识别准确率达到99.61%,相较于传统分类模型KNN、RF、偏最小二乘判别分析(PLS-DA)、反向传播神经网络(BP)、支持向量机(SVM),提出的模型识别准确率分别提高了5.94%、6.88%、6.48%、8.27%、12.12%。高光谱技术结合深度学习模型可以更有效识别玉米大斑病,为实现玉米病害早期识别提供了一种新的思路和方法。 展开更多
关键词 一维卷积神经网络 高光谱图像 玉米 大斑病
在线阅读 下载PDF
基于一维卷积神经网络与自编码算法的松属物种鉴别机制
9
作者 陈冬英 翁伟雄 +1 位作者 陈培亮 魏建崇 《生态学报》 北大核心 2025年第5期2401-2411,共11页
松属植物具有重要的生态和经济价值。但松属植物的基因组庞大、分子进化慢,物种的特征相似性极高,辨别难度大。为解决传统松属物种鉴别方法存在的成本高、耗时长、准确率低、操作复杂等问题,提出了一种基于松属近红外光谱数据(NIRS)并... 松属植物具有重要的生态和经济价值。但松属植物的基因组庞大、分子进化慢,物种的特征相似性极高,辨别难度大。为解决传统松属物种鉴别方法存在的成本高、耗时长、准确率低、操作复杂等问题,提出了一种基于松属近红外光谱数据(NIRS)并结合一维连续型卷积神经网络(1D⁃CS⁃CNN)与自编码技术的松属物种检测机制。使用更高效率的连续型结构替代传统1D⁃CNN模型中隐含层结构,并针对松属NIRS数据适应性改进为1D⁃CS⁃CNN模型,使其可直接应用于一维NIRS数据。结合自编码器的重构误差设计一种考虑未知类别的松属物种鉴别方法,通过待测样本的自编码重构误差来解决卷积神经网络置信度过高的问题,将修正的置信度与预先设定的阈值进行比较,判断该样本是否为未知品种。实验结果表明,1D⁃CS⁃CNN训练集与测试集准确率均达到近100%,损失值收敛为0.015,改进后的1D⁃CS⁃CNN模型识别速度更快;同时,自编码模型对未知类别松属检测机制识别率为99%。实验结果证明,该模型可快速高效分类出不同松属物种,同时检测出松属新物种。 展开更多
关键词 松属物种 近红外光谱(NIRS) 自编码器 一维连续卷积神经网络(1D⁃CS⁃CNN) 鉴别
在线阅读 下载PDF
基于一维卷积神经网络的雷达个体识别算法 被引量：1
10
作者 杨孟璋 农丽萍 +1 位作者 李然 王俊义 《计算机工程与设计》 北大核心 2025年第5期1281-1288,共8页
为解决利用长序列雷达信号对雷达辐射源个体进行分类识别的问题,提出一种融合注意力机制和残差的一维卷积深度神经网络(1CDNN)模型,利用一维卷积从原始长序列雷达信号中直接提取特征,减少模型的参数量。引入注意力机制帮助模型学习利用... 为解决利用长序列雷达信号对雷达辐射源个体进行分类识别的问题,提出一种融合注意力机制和残差的一维卷积深度神经网络(1CDNN)模型,利用一维卷积从原始长序列雷达信号中直接提取特征,减少模型的参数量。引入注意力机制帮助模型学习利用全局信息选择关键特征,提高模型的分类识别精度。引入残差使得模型在缓解梯度消失的同时更容易进行优化和训练。实验结果表明,所提模型在实际采集数据集上具有结构简单、训练难度低、分类识别精度高和收敛速度快的优点。 展开更多
关键词 雷达辐射源识别 长序列雷达信号 深度学习 端到端 一维卷积神经网络 注意力机制 残差学习
在线阅读 下载PDF
基于CEEMDAN与改进一维多尺度卷积神经网络结合的滚动轴承故障诊断 被引量：1
11
作者 马宁 赵荣珍 郑玉巧 《兰州理工大学学报》 北大核心 2025年第1期45-54,共10页
针对滚动轴承信号微弱故障特征提取困难、故障诊断依靠大量专家经验和故障识别率低等问题,提出了融合自适应噪声完备集合经验模态分解与改进一维多尺度卷积神经网络的滚动轴承故障诊断方法.首先,采用自适应噪声完备集合经验模态分解对... 针对滚动轴承信号微弱故障特征提取困难、故障诊断依靠大量专家经验和故障识别率低等问题,提出了融合自适应噪声完备集合经验模态分解与改进一维多尺度卷积神经网络的滚动轴承故障诊断方法.首先,采用自适应噪声完备集合经验模态分解对轴承信号进行消噪处理,并利用皮尔逊相关系数法对所得IMF分量进行信号重构;其次,在网络首层将大尺寸卷积核与空洞卷积结合,并引入金字塔场景解析网络提出改进的一维多尺度卷积神经网络,对故障特征信息进行提取,采用PSO算法对卷积核进行参数寻优;最后,融合多尺度特征信息完成网络学习,并输入Sofmax分类器,实现滚动轴承故障诊断.采用西储大学轴承数据集和HZXT-DS-001型双跨综合故障模拟实验台的滚动轴承故障数据进行了验证.结果表明,相比传统故障诊断方法该方法可以得到良好的诊断结果. 展开更多
关键词 自适应噪声完备集合经验模态分解 一维卷积神经网络 多尺度特征提取 特征可视化 故障诊断
在线阅读 下载PDF
一维卷积神经网络在机械故障特征提取中的可解释性研究
12
作者 王芳珍 张小丽 +1 位作者 赵琦武 王保建 《西安交通大学学报》 北大核心 2025年第7期24-35,共12页
针对一维卷积神经网络在机械故障诊断中的内部决策和推断过程未知,导致结果可解释性与可信度不足的问题,从信号特征提取的视角建立信号分析与神经网络之间的相似性联系,通过提取神经网络卷积层权重,观察信号时域、频域特征随网络层的变... 针对一维卷积神经网络在机械故障诊断中的内部决策和推断过程未知,导致结果可解释性与可信度不足的问题,从信号特征提取的视角建立信号分析与神经网络之间的相似性联系,通过提取神经网络卷积层权重,观察信号时域、频域特征随网络层的变化规律,从而揭示神经网络特征提取的本质,并采用实验测试数据和凯斯西储大学轴承公开数据进行验证。结果表明:卷积核可以等效为有限脉冲滤波器,最大池化层能够满足简单二分类任务中神经网络的非线性化要求,此时的卷积层无需添加激活函数;神经网络能够通过逐层提高频率分辨率,寻找到接近理论故障特征频率的频率成分,此行为与傅里叶变换存在相似性;当频谱范围最终分解到1~3倍故障特征频率时,能够更好地完成识别任务。该研究可为揭示卷积神经网络的“黑盒”机制与可解释性提供新的思路与方法。 展开更多
关键词 可解释性 一维卷积神经网络 傅里叶变换 故障诊断 频域
在线阅读 下载PDF
基于特征融合变维卷积神经网络的高铁轮轨不良状态识别方法
13
作者 彭佳宁 池茂儒 +3 位作者 梁树林 许文天 崔利通 戴成昊 《铁道标准设计》 北大核心 2025年第9期223-233,共11页
高速列车轮轨状态对车辆服役安全性影响较大,轮轨状态不良会加剧轮轨间相互作用,不仅影响车辆运营安全,而且对乘客乘坐舒适性产生影响。在轮轨不良状态中,车轮多边形和钢轨波磨问题尤为突出,传统车载轮轨监测方法诊断精度较低、结果反... 高速列车轮轨状态对车辆服役安全性影响较大,轮轨状态不良会加剧轮轨间相互作用,不仅影响车辆运营安全,而且对乘客乘坐舒适性产生影响。在轮轨不良状态中,车轮多边形和钢轨波磨问题尤为突出,传统车载轮轨监测方法诊断精度较低、结果反馈不及时,易导致轮轨状态持续恶化,所以轮轨状态的高质量快速诊断问题亟待解决。建立某型高速动车组刚柔耦合模型,制作了干扰性较强的轮轨不良状态数据集,仿真获得不同工况下的轴箱垂向振动加速度,提出一种基于轴箱垂向振动加速度的时、频域特征融合变维卷积神经网络对轮轨状态进行识别,实现了对列车轮轨状态快速、准确识别,解决了时频分析、主成分分析方法以及现有车载轮轨状态监测系统在复杂工况下轮轨状态判别困难的问题。该诊断模型在一维卷积神经网络对振动时间序列和对应频谱序列进行快速降维的基础上,将时、频特征融合并升维重排形成时频特征图,采用二维卷积神经网络对小尺寸时频特征图进行特征提取和轮轨状态判别。结果表明,该模型在无需进行复杂信号处理和信号主成分分析的情况下,仿真测试集准确率达到95%以上,实测数据集准确率较高且响应时间较短,研究成果对轮轨健康在线监测具有一定的理论意义。 展开更多
关键词 高速列车 车轮多边形 钢轨波磨 特征融合 变维卷积神经网络
在线阅读 下载PDF
基于二维卷积神经网络的城市暴雨内涝积水模拟预报研究
14
作者 柴永丰 陈敏 +4 位作者 郝彦龙 肖家清 邓蔚珂 吕凯 师鹏飞 《水文》 北大核心 2025年第3期17-24,共8页
城市内涝灾害频发,开展精准高效的预报、预警和预演对于城市内涝防控和防洪排涝规划具有重要意义。基于水动力学模型的城市雨洪模拟面临计算效率低、建模资料需求大等问题,难以支撑“四预”实现。本研究以扬州新城河片区为研究区,建立... 城市内涝灾害频发,开展精准高效的预报、预警和预演对于城市内涝防控和防洪排涝规划具有重要意义。基于水动力学模型的城市雨洪模拟面临计算效率低、建模资料需求大等问题,难以支撑“四预”实现。本研究以扬州新城河片区为研究区,建立时空数据(降雨和地形)驱动的基于二维卷积神经网络的城市内涝积水预测模型,实现研究区全域网格的逐时段模拟。结果表明,模型对积水时空预测性能表现优异,卡帕系数等空间性能指标高于0.80,且半数指标高于0.95,大部分积水点积水深时间序列纳什效率系数为0.80~0.99。相较物理过程模型,训练(率定)和预测效率分别提升77.7倍、285.2倍。研究成果可为城市内涝实时预报、即时预警、快速推演提供技术参考。 展开更多
关键词 城市内涝模拟 二维卷积神经网络(2DCNN) 机器学习 时空特征 快速预报
在线阅读 下载PDF
基于编解码结构一维卷积神经网络的焊接坡口轮廓数据实时修复方法
15
作者 郝思彧 陈荣涛 +1 位作者 王皖勇 张轲 《热加工工艺》 北大核心 2025年第14期151-157,共7页
在焊缝跟踪过程中,强烈的弧光、烟尘、飞溅等的干扰,致使反映坡口形状和位置的坡口轮廓条纹发生跳变、破损和缺失,为后续的特征点提取带来极大的挑战,而传统的图像修复方法算力需求高,适应性差。因此,提出基于编解码结构一维卷积神经网... 在焊缝跟踪过程中,强烈的弧光、烟尘、飞溅等的干扰,致使反映坡口形状和位置的坡口轮廓条纹发生跳变、破损和缺失,为后续的特征点提取带来极大的挑战,而传统的图像修复方法算力需求高,适应性差。因此,提出基于编解码结构一维卷积神经网络(1D-CNN)修复方法,通过编码进行特征提取,噪声抑制,通过解码恢复信号长度,重建受损区域,修复缺失数据,从而实现受损轮廓的修复。结果表明:相较于其它方法,一维卷积神经网络在修复精度和计算效率方面均表现出优势,可有效修复焊接过程中受损的坡口轮廓数据。其修复的平均均方差(MSE)仅0.1757,单帧轮廓修复时间不大于0.0031 s,完全满足焊缝实时跟踪要求。 展开更多
关键词 编解码 一维卷积神经网络 轮廓修复 焊缝实时跟踪
在线阅读 下载PDF
基于一维卷积神经网络的家庭用户特征识别方法
16
作者 许继和 朱亮 +2 位作者 晏依 周佳楠 温和 《中国测试》 北大核心 2025年第6期25-30,66,共7页
智能电能表提供用户的用电量数据,可以反应用户的用电特征,从而为家庭用户特征识别提供基础。为实现家庭用户特征识别,该文研究基于智能电能表用电数据的家庭用户特征识别分析方法,设计一种适合于智能电能表用电时间序列数据的一维卷积... 智能电能表提供用户的用电量数据,可以反应用户的用电特征,从而为家庭用户特征识别提供基础。为实现家庭用户特征识别,该文研究基于智能电能表用电数据的家庭用户特征识别分析方法,设计一种适合于智能电能表用电时间序列数据的一维卷积神经网络模型,以智能电能表采集的用户用电数据(一维数据序列)为输入,在网络的前两个卷积层之后去掉池化层以实现早期特征的保存,实现对家庭用户特征的准确分类。为证明本文提出方法的有效性,该文在公开数据集上进行实验,实验表明,该文的方法在多个家庭用户特征分类上获得55%~78%的准确率。 展开更多
关键词 深度学习 一维卷积神经网络 分类 家庭用户特征 智能电能表
在线阅读 下载PDF
基于红外光谱的多标签一维卷积神经网络实现润滑油中添加剂分类识别
17
作者 谢培元 冯欣 夏延秋 《摩擦学学报(中英文)》 北大核心 2025年第7期1021-1032,共12页
对于润滑油中添加剂的识别问题,选用聚α-烯烃(PAO40)和多元醇酯(PriEco3000)的混兑基础油与4种常见商用润滑油添加剂MoDTC、ZDDP、L135和L57按照不同比例调配润滑油样本.利用傅里叶变换红外光谱仪采集样本的中红外光谱,并对所获光谱进... 对于润滑油中添加剂的识别问题,选用聚α-烯烃(PAO40)和多元醇酯(PriEco3000)的混兑基础油与4种常见商用润滑油添加剂MoDTC、ZDDP、L135和L57按照不同比例调配润滑油样本.利用傅里叶变换红外光谱仪采集样本的中红外光谱,并对所获光谱进行一阶求导和二阶求导;基于多目标分类思想,提出了1种多标签一维卷积神经网络(ML-1D-CNN)模型,对输入的润滑油红外光谱进行有监督的特征筛选和添加剂物质识别;引入梯度加权分类激活映射(Grad-CAM),用于观测模型对输入数据的特征提取结果的有效性.将模型与近年文献中出现的3种混合模型进行对比分析,结果显示:所提出的模型提取的光谱特征与原始光谱特征峰有很好的对应性,ML-1D-CNN模型的表现最为优异,对添加剂的识别准确率为93.33%~100%,具有较强的添加剂同步识别能力.此外,在掺杂模型训练样本之外的添加剂时,ML-1D-CNN模型对已训练过的添加剂仍具有令人满意的识别率,具有较高的泛化能力. 展开更多
关键词 润滑油添加剂 中红外光谱 一维卷积神经网络 多标签分类 智能识别
在线阅读 下载PDF
基于PCC-VMD的一维卷积神经网络的轴承早期故障诊断
18
作者 邓志超 张清华 于军 《机床与液压》 北大核心 2025年第2期9-15,共7页
针对轴承早期微弱故障信号容易被强噪声环境掩盖、特征难以提取的问题,提出一种基于皮尔逊相关系数和变分模态分解的一维卷积神经网络的早期故障诊断方法。采用VMD对原始振动信号进行变分模态分解;计算各模态分量与原始信号的皮尔逊相... 针对轴承早期微弱故障信号容易被强噪声环境掩盖、特征难以提取的问题,提出一种基于皮尔逊相关系数和变分模态分解的一维卷积神经网络的早期故障诊断方法。采用VMD对原始振动信号进行变分模态分解;计算各模态分量与原始信号的皮尔逊相关系数,再根据相关系数阈值去掉噪声分量并对信号进行重构,最后对重构信号进行傅里叶变换并输入到一维卷积神经网络中,利用一维卷积神经网络对轴承早期故障进行诊断。利用所提方法对西储大学(CWRU)轴承数据集的滚动轴承故障数据进行分析,诊断准确率达到99%以上,验证了所提方法对滚动轴承早期故障诊断的有效性。 展开更多
关键词 皮尔逊相关系数 变分模态分解 一维卷积神经网络(1D-CNN) 早期故障诊断
在线阅读 下载PDF
基于二维卷积神经网络的结构加速度数据异常检测研究
19
作者 麻胜兰 钟建坤 +1 位作者 刘昱昊 郑翔 《建筑科学与工程学报》 北大核心 2025年第1期112-120,共9页
为提高结构加速度数据异常检测的效率和准确率,提出基于二维卷积神经网络(2D-CNN)的结构加速度数据异常检测方法。通过二维桁架数值模型验证了所提方法的有效性,并研究了2D-CNN卷积层数和加速度噪声水平对数据异常检测效果的影响。结果... 为提高结构加速度数据异常检测的效率和准确率,提出基于二维卷积神经网络(2D-CNN)的结构加速度数据异常检测方法。通过二维桁架数值模型验证了所提方法的有效性,并研究了2D-CNN卷积层数和加速度噪声水平对数据异常检测效果的影响。结果表明:提出的结构加速度数据异常检测方法能快速准确区分加速度数据异常类型,异常检测的准确率可达97%以上;对于包含信息复杂、数据规模大的样本,采用4层以上的2D-CNN有助于提高加速度数据异常检测的准确率,采用5层卷积层的2D-CNN对数据异常辨识精度可达98%;当加速度信噪比大于1时,数据异常检测准确率均在90%以上,当加速度信噪比为10时,准确率在97%以上,所提方法具有良好的容噪性和鲁棒性;采用2D-CNN的数据异常检测方法可为传感器网络的有效运行提供技术支持。 展开更多
关键词 结构健康监测 二维卷积神经网络 桁架结构 深度学习 加速度 数据异常检测
在线阅读 下载PDF
基于太赫兹光谱数据和卷积神经网络的脑胶质瘤EGFR扩增状态预测
20
作者 赵小燕 郑绍文 +8 位作者 吴先毫 孙志延 陶锐 张天尧 袁媛 刘幸 周大彪 张朝晖 杨沛 《光谱学与光谱分析》 北大核心 2025年第10期2856-2862,共7页
脑胶质瘤是最常见的原发性中枢神经系统肿瘤,具有高度的侵袭性。其中胶质母细胞瘤(GBM)是脑胶质瘤中恶性程度最高的一种,患者在5年内存活率只有5.6%。表皮生长因子受体(EGFR)对脑胶质瘤的生长、侵袭和复发中起着重要作用,在胶质母细胞瘤... 脑胶质瘤是最常见的原发性中枢神经系统肿瘤,具有高度的侵袭性。其中胶质母细胞瘤(GBM)是脑胶质瘤中恶性程度最高的一种,患者在5年内存活率只有5.6%。表皮生长因子受体(EGFR)对脑胶质瘤的生长、侵袭和复发中起着重要作用,在胶质母细胞瘤中,EGFR扩增和突变已被确定为驱动因素。目前脑胶质瘤整合诊断流程受限于实验操作复杂,往往存在一定滞后性,需在手术后2周左右才能得到结果,无法为术者提供实时分子病理信息支持。本文提出了一种基于术中病理冰冻切片的太赫兹时域光谱(THz-TDS)数据结合卷积神经网络(CNN)对EGFR扩增状态进行预测的方法。术中通过THz-TDS系统采集脑胶质瘤冰冻切片的光谱数据,计算其吸收系数,并利用Savitzky-Golay滤波器将其平滑处理后,再用格拉姆角场(GAF)、马尔可夫转移场(MTF)和递归图(RP)将吸收系数分别转化成二维图像数据作为后续CNN模型的输入。为充分利用图像数据,我们采用单一图像输入、前端融合和中端融合等不同方式搭建CNN模型。通过对比分析不同模型下的受试者工作特征(ROC)曲线下面积(AUC)值发现,格拉姆角和场(GASF)与格拉姆角差场(GADF)的中端融合卷积神经网络模型预测效果最好,测试集预测的AUC值为94.74%。此外,目前常用的基于太赫兹光谱数据的预测模型中,多是利用一维光谱数据降维后结合机器学习进行分析,处理过程中会造成部分数据信息丢失。因此我们还对吸收系数结合机器学习的方法进行了训练和测试。通过对比一维数据和二维图像的不同模型结果,可以发现相较于一维太赫兹时域光谱数据进行机器学习,二维光谱图像在卷积神经网络中训练模型有着更好的预测效果。实验结果表明本文提出的基于太赫兹光谱数据和卷积神经网络模型能够实现EGFR扩增状态的实时快速预测,为研究太赫兹时域光谱在脑胶质瘤中进行分子病理学分类提供了新的思路,对术中及时调整手术策略以及尽早制定术后辅助治疗方案具有重要意义。 展开更多
关键词 太赫兹光谱 脑胶质瘤 EGFR扩增 卷积神经网络 二维图像数据
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 39 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部