期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
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：
7
1
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...
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。
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TransformerEncoder-DR1DCNN的锂离子电池RUL预测
2
作者
王浩
李亚
+1 位作者
王海瑞
朱贵富
《陕西理工大学学报(自然科学版)》
2025年第2期54-63,共10页
针对锂离子电池的剩余使用寿命(RUL)预测,提出了一种基于Transformer编码器层(TransformerEncoder)与深度残差一维卷积神经网络(DR1DCNN)相结合的预测方法。首先提取容量数据作为直接健康因子,并对容量数据进行归一化处理以消除数据量...
针对锂离子电池的剩余使用寿命(RUL)预测,提出了一种基于Transformer编码器层(TransformerEncoder)与深度残差一维卷积神经网络(DR1DCNN)相结合的预测方法。首先提取容量数据作为直接健康因子,并对容量数据进行归一化处理以消除数据量纲影响;接着使用滑动时间窗口机制构建容量时序序列数据,并划分训练集和测试集;然后采用TransformerEncoder捕捉容量时序序列全局各个位置之间的相关性以及序列长距离的依赖关系,使用DR1DCNN提取局部相邻数据间的关联关系。最后采用不同预测起点的多步预测方式以检验模型的有效性。以NASA公开的数据集进行实验,两组电池的均方根误差不超过2%,平均绝对误差不超过1.4%。并通过与其他文献的实验结果进行对比,验证了所提方法能够提前多步预测锂离子电池的RUL,以起到早期预警作用。
展开更多
关键词
Transformer
编码器
层
深度
残差
一维
卷积
神经网络
多步预测
锂离子电池
剩余使用寿命预测
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
3
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...
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.
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：
7
1
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TransformerEncoder-DR1DCNN的锂离子电池RUL预测
2
作者
王浩
李亚
王海瑞
朱贵富
机构
昆明理工大学信息工程与自动化学院
昆明理工大学信息化建设管理中心
出处
《陕西理工大学学报(自然科学版)》
2025年第2期54-63,共10页
基金
国家自然科学基金项目(61863016)。
文摘
针对锂离子电池的剩余使用寿命(RUL)预测,提出了一种基于Transformer编码器层(TransformerEncoder)与深度残差一维卷积神经网络(DR1DCNN)相结合的预测方法。首先提取容量数据作为直接健康因子,并对容量数据进行归一化处理以消除数据量纲影响;接着使用滑动时间窗口机制构建容量时序序列数据,并划分训练集和测试集;然后采用TransformerEncoder捕捉容量时序序列全局各个位置之间的相关性以及序列长距离的依赖关系,使用DR1DCNN提取局部相邻数据间的关联关系。最后采用不同预测起点的多步预测方式以检验模型的有效性。以NASA公开的数据集进行实验,两组电池的均方根误差不超过2%,平均绝对误差不超过1.4%。并通过与其他文献的实验结果进行对比,验证了所提方法能够提前多步预测锂离子电池的RUL,以起到早期预警作用。
关键词
Transformer
编码器
层
深度
残差
一维
卷积
神经网络
多步预测
锂离子电池
剩余使用寿命预测
Keywords
TransformerEncoder
DR1DCNN
multi-step prediction
lithium-ion battery
remaining useful life prediction
分类号
TM912 [电气工程—电力电子与电力传动]
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
3
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
7
在线阅读
下载PDF
职称材料
2
基于TransformerEncoder-DR1DCNN的锂离子电池RUL预测
王浩
李亚
王海瑞
朱贵富
《陕西理工大学学报(自然科学版)》
2025
0
在线阅读
下载PDF
职称材料
3
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
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
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
