检索结果-维普期刊中文期刊服务平台

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: 1; 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... 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 职称材料

基于数据融合及残差卷积自编码器的结构损伤识别方法被引量：8: 2; 作者刘玉驰蒋玉峰 +1 位作者王树青马春可《振动与冲击》 EI CSCD 北大核心 2023年第4期194-203,共10页; 深海混输立管作业期间持续遭受外部风浪流耦合荷载及内部矿液两相流体磨蚀作用,长期作用下结构损伤逐渐积累。立管结构呈高长细比、柔性状态,传统结构损伤识别过程中存在模态参数识别困难、单测点响应损伤敏感度低等诸多问题。针对上述... 展开更多; 关键词深海混输立管结构损伤识别一维残差卷积自编码器(1d-rcae) 主成分分析(PCA) 数据融合; 在线阅读下载PDF 职称材料

基于残差连接和1D-CNN的滚动轴承故障诊断研究被引量：43: 3; 作者赵敬娇赵志宏杨绍普《振动与冲击》 EI CSCD 北大核心 2021年第10期1-6,共6页; 针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接... 展开更多; 关键词一维卷积神经网络(1D-CNN) 残差连接轴承故障诊断; 在线阅读下载PDF 职称材料

基于深度学习的水平非均匀蒸发波导反演方法研究: 4; 作者吴佳静张金鹏 +1 位作者张玉石魏志强《电波科学学报》 CSCD 北大核心 2023年第4期665-672,共8页; 水平非均匀蒸发波导是一种异常的大气结构,在海上出现的概率高,对海上低空雷达具有较强的电磁捕获能力.然而,海上低空蒸发波导修正折射率剖面反演过程中由于水平方向剖面参数的非均匀变化,导致在实际的海洋环境中产生较大的反演复杂度... 展开更多; 关键词海杂波蒸发波导水平非均匀深度学习反演主分量分析(PCA)法一维残差扩张因果卷积自编码器多尺度卷积残差网络; 在线阅读下载PDF 职称材料

题名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: 1; 作者陈冬英翁伟雄陈培亮魏建崇; 机构福建江夏学院电子信息科学学院数字福建智能家居信息采集及处理物联网实验室; 出处《生态学报》北大核心 2025年第5期2401-2411,共11页; 基金福建省自然科学基金项目(2023J011094) 福建省高校产学合作项目(2021H6003) 全国大学生创新创业国家级项目(202413763002)。; 文摘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。; 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; Keywords Pinus species near⁃infrared spectral data(NIRS) auto⁃encoder one⁃dimensional continuous convolutional neural network(1D⁃CS⁃CNN) identification; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程] Q943 [生物学—植物学]; 在线阅读下载PDF 职称材料

题名基于数据融合及残差卷积自编码器的结构损伤识别方法被引量：8: 2; 作者刘玉驰蒋玉峰王树青马春可; 机构中国海洋大学工程学院; 出处《振动与冲击》 EI CSCD 北大核心 2023年第4期194-203,共10页; 基金国家重点研发计划(2019YFC0312404) 山东省重大科技创新工程项目(2019JZZY010820) 国家杰出青年科学基金项目(51625902)。; 文摘深海混输立管作业期间持续遭受外部风浪流耦合荷载及内部矿液两相流体磨蚀作用,长期作用下结构损伤逐渐积累。立管结构呈高长细比、柔性状态,传统结构损伤识别过程中存在模态参数识别困难、单测点响应损伤敏感度低等诸多问题。针对上述问题,该研究提出了基于数据融合及一维残差卷积自编码器(one dimension residual convolution autoencoder, 1D-RCAE)的深海混输立管结构损伤识别方法,以结构损伤敏感的应变动态响应为输入,使用主成分分析(principal component analysis, PCA)进行多测点应变响应特征融合,进一步利用1D-RCAE自动提取损伤敏感特征,以结构损伤前后敏感特征间的马氏距离构建结构损伤判定指标,实现混输立管结构健康状态监测。通过500 m深海混输立管结构数值模拟和立管物理缩尺模型试验对该研究提出的方法进行验证,结果表明,有限测量信息下能够有效实现深海混输立管结构损伤识别,其中数值模拟验证损伤识别准确率高于99%,物理模型验证损伤识别准确率高于98%。同时探究了噪声污染、海洋环境因素变化对该研究提出方法损伤识别性能的影响规律。; 关键词深海混输立管结构损伤识别一维残差卷积自编码器(1d-rcae) 主成分分析(PCA) 数据融合; Keywords deep-sea mining riser structural damage identification one dimensional residual convolutional auto-encoder(1d-rcae) principal component analysis(PCA) data fusion; 分类号 TU317 [建筑科学—结构工程]; 在线阅读下载PDF 职称材料

题名基于残差连接和1D-CNN的滚动轴承故障诊断研究被引量：43: 3; 作者赵敬娇赵志宏杨绍普; 机构石家庄铁道大学信息科学与技术学院石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室; 出处《振动与冲击》 EI CSCD 北大核心 2021年第10期1-6,共6页; 基金国家自然科学基金(11972236,11790282)。; 文摘针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。; 关键词一维卷积神经网络(1D-CNN) 残差连接轴承故障诊断; Keywords one-dimensional convolutional neural network(1D-CNN) residual connection bearing fault diagnosis; 分类号 TH133.33 [机械工程—机械制造及自动化] TH165.3 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于深度学习的水平非均匀蒸发波导反演方法研究: 4; 作者吴佳静张金鹏张玉石魏志强; 机构中国电波传播研究所电波环境特性及模化技术重点实验室中国海洋大学; 出处《电波科学学报》 CSCD 北大核心 2023年第4期665-672,共8页; 基金国家自然科学基金(U2006207)。; 文摘水平非均匀蒸发波导是一种异常的大气结构,在海上出现的概率高,对海上低空雷达具有较强的电磁捕获能力.然而,海上低空蒸发波导修正折射率剖面反演过程中由于水平方向剖面参数的非均匀变化,导致在实际的海洋环境中产生较大的反演复杂度和误差.为解决上述问题,首先提出了一维残差扩张因果卷积自编码器(one-dimensional residual dilated causal convolutional autoencoder,1D-RDCAE)网络实现低自由度的非均匀蒸发波导剖面建模,其次提出了多尺度卷积残差网络(multi-scale convolutional attention residual network,MSCA-ResNet)框架来实现水平非均匀蒸发波导剖面反演.为验证建模模型的有效性,在模拟海杂波功率数据集上验证降维模型的有效性,实验结果表明,基于1D-RDCAE比基于主分量分析法、堆栈自动编码器和一维卷积自动编码器降维重构后更接近原始数据,并且在模型训练过程中收敛速度更快.为了验证反演模型的有效性,在模拟的海杂波和实测海杂波数据上进行了测试,结果表明基于仿真海杂波和实测海杂波数据分别可实现蒸发波导高度反演准确率为96.98%和91.25%,优于目前典型的反演方法.本文提出的基于深度学习的水平非均匀蒸发波导反演方法具有模型反演效率高、模型复杂度低、反演误差小的特点,为海上反常传播环境实时高精度认知提供了新技术.; 关键词海杂波蒸发波导水平非均匀深度学习反演主分量分析(PCA)法一维残差扩张因果卷积自编码器多尺度卷积残差网络; Keywords sea clutter evaporation duct range direction inhomogeneous deep learning inversion principal component analysis(PCA) one-dimensional residual dilated causal convolutional autoencoder multi-scale convolutional residual network; 分类号 TN011 [电子电信—物理电子学] P732 [天文地球—海洋科学]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	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	陈冬英翁伟雄陈培亮魏建崇	《生态学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于数据融合及残差卷积自编码器的结构损伤识别方法	刘玉驰蒋玉峰王树青马春可	《振动与冲击》 EI CSCD 北大核心	2023	8	在线阅读下载PDF 职称材料
3	基于残差连接和1D-CNN的滚动轴承故障诊断研究	赵敬娇赵志宏杨绍普	《振动与冲击》 EI CSCD 北大核心	2021	43	在线阅读下载PDF 职称材料
4	基于深度学习的水平非均匀蒸发波导反演方法研究	吴佳静张金鹏张玉石魏志强	《电波科学学报》 CSCD 北大核心	2023	0	在线阅读下载PDF 职称材料