针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirec...针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。展开更多
为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估,基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据,提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory,Bi-LSTM)神经网络的斜拉桥...为快速构建并准确预测温度作用引起的斜拉桥主梁应变用于结构状态评估,基于某大跨度斜拉桥主梁超过1年的温度和应变监测数据,提出了一种基于迁移学习和双向长短时记忆(bi-directional long short-term memory,Bi-LSTM)神经网络的斜拉桥温度-应变映射模型建立方法。首先,利用解析模态分解(analytical mode decomposition,AMD)去噪应变数据,得到仅由温度引起的应变响应;其次,选择温度和某一测点应变数据构成数据集,采用Bi-LSTM神经网络训练该数据集,并通过网络结构和超参数优化建立温度-应变Bi-LSTM基准模型;最后,利用迁移学习方法,将已训练好的基准模型中部分参数迁移到其他温度-应变数据集,建立相应的温度-应变映射被迁移模型,并与未采用迁移学习的神经网络训练方法进行对比。研究结果表明,相比直接建立的温度-应变Bi-LSTM神经网络映射模型,采用迁移学习方法建立的被迁移模型,其拟合精度均高于所用的基准模型,且训练时间短,预测误差小。展开更多
针对复杂工况下矿井开采设备齿轮减速器故障预测精度不高、实时性不强的问题,提出了一种基于并行多尺度特征融合的矿井开采设备齿轮减速器故障预测模型。首先,利用卷积神经网络Vgg-16提取齿轮减速器故障数据的空间特征;然后,利用双向长...针对复杂工况下矿井开采设备齿轮减速器故障预测精度不高、实时性不强的问题,提出了一种基于并行多尺度特征融合的矿井开采设备齿轮减速器故障预测模型。首先,利用卷积神经网络Vgg-16提取齿轮减速器故障数据的空间特征;然后,利用双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)提取齿轮减速器故障数据的时序特征,并借助交叉融合注意力实现井下开采设备齿轮减速器故障数据空间特征和时序特征的深度融合,增强故障特征表达的可靠性和鲁棒性;最后,利用Softmax函数实现待测齿轮减速器故障的实时预测。通过在宁夏某矿井采集的多工况条件下的开采设备齿轮减速器故障数据集上进行测试,结果表明:所提模型在单一工况场景下可以实现94.38%的准确率、94.25%的精准率、94.16%的召回率和95.08%的F_(1)值,在多工况场景下可以实现92.73%的准确率、91.86%的精准率、91.04%的召回率和92.39%的F_(1)值,综合性能优于经典的齿轮故障预测模型。展开更多
文摘针对具有时频特性的雷达信号,传统的雷达信号识别方法已经无法满足对信号类型精准识别的需求,因此需要通过采集并分析雷达信号脉内的时频特征实现对目标雷达的具体信息进行有效评估。设计了一种卷积-双向长短时记忆(Convolution-Bidirectional Long Short-Term Memory,CNN-BiLSTM)混合神经网络模型,主要通过BiLSTM的时序记忆特性深度挖掘雷达信号的时域特征,结合权值共享特性和CNN层捕获雷达信号的时频特征,再利用二者信号特征联合完成对雷达信号调制方式的识别。通过对比实验验证,所提方法对若干种雷达信号的识别具有较高的准确度,平均值达到95.349%;优于只使用单一特征的网络和传统算法,具有良好的抗噪声能力。
文摘针对复杂工况下矿井开采设备齿轮减速器故障预测精度不高、实时性不强的问题,提出了一种基于并行多尺度特征融合的矿井开采设备齿轮减速器故障预测模型。首先,利用卷积神经网络Vgg-16提取齿轮减速器故障数据的空间特征;然后,利用双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,Bi-LSTM)提取齿轮减速器故障数据的时序特征,并借助交叉融合注意力实现井下开采设备齿轮减速器故障数据空间特征和时序特征的深度融合,增强故障特征表达的可靠性和鲁棒性;最后,利用Softmax函数实现待测齿轮减速器故障的实时预测。通过在宁夏某矿井采集的多工况条件下的开采设备齿轮减速器故障数据集上进行测试,结果表明:所提模型在单一工况场景下可以实现94.38%的准确率、94.25%的精准率、94.16%的召回率和95.08%的F_(1)值,在多工况场景下可以实现92.73%的准确率、91.86%的精准率、91.04%的召回率和92.39%的F_(1)值,综合性能优于经典的齿轮故障预测模型。
