检索结果-维普期刊中文期刊服务平台

基于并行混合神经网络的碾米机故障诊断方法: 1; 作者孙秋蔡华锋《中国农机化学报》北大核心 2025年第6期221-227,共7页; 为能够对碾米机故障进行快速诊断,提出一种基于并行混合神经网络的碾米机故障诊断方法。搭建碾米机故障采集系统,主要由供电端、故障端、数据采集端和数据处理端4个部分组成,其中数据采集端用于采集碾米机故障信号,数据处理端则主要负... 展开更多; 关键词碾米机故障诊断门控循环单元并行混合神经网络全局均值池化; 在线阅读下载PDF 职称材料

基于Grad-CAM可视化与特征识别率结合的草地贪夜蛾及近缘种成虫识别模型评估: 2; 作者魏靖季英超《现代农业科技》 2024年第8期163-169,共7页; 为提升草地贪夜蛾及其近缘种成虫识别模型的泛化能力,除识别准确率外,额外引入特征识别率对模型的泛化能力进行评估。将VGG-16-bn模型的全连接层以全局平均值池化层取代,并在模型训练阶段引入了Grad-CAM可视化结果进行训练指导,共构建了... 展开更多; 关键词草地贪夜蛾 Grad-CAM 全局平均值池化泛化能力特征识别率; 在线阅读下载PDF 职称材料

基于迁移学习的小样本轴承故障诊断方法研究被引量：45: 3; 作者张西宁余迪刘书语《西安交通大学学报》 EI CAS CSCD 北大核心 2021年第10期30-37,共8页; 针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究。采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待... 展开更多; 关键词迁移学习小样本全局均值池化轴承故障诊断; 在线阅读下载PDF 职称材料

一种多尺度卷积神经网络道路提取方法被引量：9: 4; 作者戴激光杜阳 +1 位作者金光陶德志《遥感信息》 CSCD 北大核心 2020年第1期28-37,共10页; 针对神经网络训练过程存在分辨率不断降低和梯度消失的共性问题,提出一种基于多尺度卷积神经网络的遥感影像道路提取方法。首先,针对网络前向传播过程分辨率逐渐降低的问题,采用子影像训练网络模型,增强网络对细节信息的获取,然后应用... 展开更多; 关键词神经网络残差连接多尺度学习道路提取全局均值池化; 在线阅读下载PDF 职称材料

基于深度学习的偏光片缺陷实时检测算法被引量：4: 5; 作者刘瑞珍孙志毅 +3 位作者王安红杨凯王银孙前来《太原理工大学学报》 CAS 北大核心 2020年第1期125-130,共6页; 针对现有的基于深度学习检测缺陷的方法虽然可以保证分类的准确率,但其检测速度慢,模型占用内存大,难以满足在线检测系统的实时性要求等问题,提出了一种基于深度学习的偏光片缺陷实时检测算法。首先,设计了一个新的并行模块用于构建偏... 展开更多; 关键词偏光片缺陷检测深度学习并行模块并行非对称卷积全局均值池化; 在线阅读下载PDF 职称材料

基于改进卷积神经网络的滚动轴承智能故障诊断研究被引量：92: 6; 作者宫文峰陈辉 +3 位作者张泽辉张美玲管聪王鑫《振动工程学报》 EI CSCD 北大核心 2020年第2期400-413,共14页; 卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新... 展开更多; 关键词故障诊断滚动轴承卷积神经网络全局均值池化深度学习; 在线阅读下载PDF 职称材料

基于深度学习的电机轴承微小故障智能诊断方法被引量：97: 7; 作者宫文峰陈辉 +1 位作者张美玲张泽辉《仪器仪表学报》 EI CAS CSCD 北大核心 2020年第1期195-205,共11页; 运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM... 展开更多; 关键词故障诊断卷积神经网络支持向量机深度学习全局均值池化; 在线阅读下载PDF 职称材料

题名基于并行混合神经网络的碾米机故障诊断方法: 1; 作者孙秋蔡华锋; 机构湖北工业大学电气与电子工程学院; 出处《中国农机化学报》北大核心 2025年第6期221-227,共7页; 基金中国高校产学研创新基金—异构智能计算专项(二期)(2024HY031)。; 文摘为能够对碾米机故障进行快速诊断,提出一种基于并行混合神经网络的碾米机故障诊断方法。搭建碾米机故障采集系统,主要由供电端、故障端、数据采集端和数据处理端4个部分组成,其中数据采集端用于采集碾米机故障信号,数据处理端则主要负责接收并处理碾米机的故障数据,将故障数据集带入具有全局均值池化(GAP)的并行混合神经网络中进行特征提取和故障分类,获取故障诊断结果,并与其他最新的故障诊断模型进行比较。试验结果表明,该方法能够将碾米机的故障诊断精度提升至90.72%,与其他模型相比诊断性能更加优越,对碾米机故障实现快速诊断具有重要意义。; 关键词碾米机故障诊断门控循环单元并行混合神经网络全局均值池化; Keywords rice mill fault diagnosis gated recurrent unit parallel hybrid neural network global average pooling; 分类号 S226.2 [农业科学—农业机械化工程] 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Grad-CAM可视化与特征识别率结合的草地贪夜蛾及近缘种成虫识别模型评估: 2; 作者魏靖季英超; 机构深圳市农科集团有限公司山东农业大学植物保护学院; 出处《现代农业科技》 2024年第8期163-169,共7页; 文摘为提升草地贪夜蛾及其近缘种成虫识别模型的泛化能力,除识别准确率外,额外引入特征识别率对模型的泛化能力进行评估。将VGG-16-bn模型的全连接层以全局平均值池化层取代,并在模型训练阶段引入了Grad-CAM可视化结果进行训练指导,共构建了4种改进模型识别草地贪夜蛾及其近缘种成虫。结果表明,改进后的模型的识别准确率均在99.22%以上,VGG-16-bn-GAP模型参数内存需求仅为原始模型的10.98%。为评估模型的泛化能力,利用导向反向传播梯度值、Grad-CAM及Grad-CAM++对模型习得的特征进行可视化,并与专家进行人工识别的关键视觉特征进行比较。结果表明,改进的VGG-16-bn-GAP模型和VGG-16-bn-GAIN模型获得的草地贪夜蛾平均特征识别率比原始模型分别提高12.25%和13.42%。本文提出的以特征识别率评估模型泛化能力的方法,可为特征识别率和识别准确率的提升提供参考。; 关键词草地贪夜蛾 Grad-CAM 全局平均值池化泛化能力特征识别率; Keywords Spodoptera frugiperda Grad-CAM global average pooling generalization ability feature recognition; 分类号 S431.9 [农业科学—农业昆虫与害虫防治] TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于迁移学习的小样本轴承故障诊断方法研究被引量：45: 3; 作者张西宁余迪刘书语; 机构西安交通大学机械制造系统工程国家重点实验室; 出处《西安交通大学学报》 EI CAS CSCD 北大核心 2021年第10期30-37,共8页; 基金国家自然科学基金资助项目(51275379) 国家自然科学基金创新研究群体资助项目(51421004)。; 文摘针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究。采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待训练参数量。采用预训练微调的迁移学习方法,使用数量充足的源域样本来训练网络,避免了数据不足导致的过拟合现象。将网络结构和参数迁移至目标域后,微调较深层的网络参数,使得网络适应目标域样本的数据分布。在凯斯西储大学轴承数据集和实验室轴承数据集上进行了迁移学习实验和轴承分类诊断,结果表明:在跨工况和跨型号的情况下,仅使用1%目标域训练集数据进行微调时,所使用的方法获得了92.25%的平均分类准确率。所提方法完成了小样本下的滚动轴承故障迁移诊断任务,对迁移学习理论在轴承故障诊断中的研究应用具有一定价值。; 关键词迁移学习小样本全局均值池化轴承故障诊断; Keywords transfer learning small sample global average pooling bearing fault diagnosis; 分类号 TH17 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名一种多尺度卷积神经网络道路提取方法被引量：9: 4; 作者戴激光杜阳金光陶德志; 机构辽宁工程技术大学测绘与地理科学学院辽宁奥路通科技有限公司中交东北投资有限公司; 出处《遥感信息》 CSCD 北大核心 2020年第1期28-37,共10页; 基金国家自然科学基金(41871379) 辽宁省自然科学基金计划重点项目(20170520141) +1 种基金地理国情监测国家测绘地理信息局重点实验室基金(2018NGCM01)。; 文摘针对神经网络训练过程存在分辨率不断降低和梯度消失的共性问题,提出一种基于多尺度卷积神经网络的遥感影像道路提取方法。首先,针对网络前向传播过程分辨率逐渐降低的问题,采用子影像训练网络模型,增强网络对细节信息的获取,然后应用多尺度卷积学习获取不同维度的分层特征,解决由分辨率下降导致的信息缺失问题;其次针对网络在反向传播阶段中出现的梯度消失问题,融入残差连接限制梯度过度更新,改善网络的深度受限问题;最后,针对网络深度和宽度的挖掘导致的网络训练效率问题,使用全局均值池化优化全连接层中大量的冗余数据。大量遥感影像实验结果表明,相对于U-Net网络和经典卷积网络,该方法在Accuracy和F 1值上均具有较大优势。; 关键词神经网络残差连接多尺度学习道路提取全局均值池化; Keywords neural network residual connection multi-scale learning road extraction global average pooling; 分类号 TP751 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名基于深度学习的偏光片缺陷实时检测算法被引量：4: 5; 作者刘瑞珍孙志毅王安红杨凯王银孙前来; 机构太原科技大学材料科学与工程学院太原科技大学电子信息工程学院; 出处《太原理工大学学报》 CAS 北大核心 2020年第1期125-130,共6页; 基金山西省重点研发项目(201703D12111242) 山西省重点学科建设经费资助,山西省互联网+3D打印协同创新中心,山西省“1331工程”重点创新团队建设计划资助,先进控制与智能信息系统山西省重点实验室(201805D111001) 平板显示智能制造装备关键技术研发工程研究中心,山西省重点研发计划重点项目(201703D111027,201703D111023); 文摘针对现有的基于深度学习检测缺陷的方法虽然可以保证分类的准确率,但其检测速度慢,模型占用内存大,难以满足在线检测系统的实时性要求等问题,提出了一种基于深度学习的偏光片缺陷实时检测算法。首先,设计了一个新的并行模块用于构建偏光片缺陷检测网络,模块将不同尺寸大小的卷积核相混合,与传统的卷积层相比,可以融合不同尺度的特征并能提取到更丰富的缺陷特征;用深度可分离卷积替代模块中的标准卷积,这可以大大减少网络的参数量和乘法累计运算量(MACCs).其次,用非对称卷积代替并行模块中的深度可分离卷积得到并行非对称卷积模块,可以进一步减少网络的参数量。最后,使用全局均值池化层代替全连接层,大大减少了网络的参数量。实验结果表明,偏光片缺陷分类模型平均每张图片的测试时间为108 ms,模型在测试集上的准确率达到99.4%,同时模型占用内存为0.583 MB,能够满足工业中偏光片缺陷检测的实时性要求。; 关键词偏光片缺陷检测深度学习并行模块并行非对称卷积全局均值池化; Keywords polarizer defect detection deep learning parallel module asymmetric convolution global average pooling; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于改进卷积神经网络的滚动轴承智能故障诊断研究被引量：92: 6; 作者宫文峰陈辉张泽辉张美玲管聪王鑫; 机构武汉理工大学能源与动力工程学院高性能舰船技术教育部重点实验室桂林电子科技大学北海校区; 出处《振动工程学报》 EI CSCD 北大核心 2020年第2期400-413,共14页; 基金国家自然科学基金资助项目(51579200,51909200) 湖北省自然科学基金资助项目(2018CFB364) +2 种基金广西高校中青年教师科研基础能力提升项目(2019KY0216)。; 文摘卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。; 关键词故障诊断滚动轴承卷积神经网络全局均值池化深度学习; Keywords fault diagnosis rolling bearing convolutional neural network global average pooling deep learning; 分类号 TH165.3 [机械工程—机械制造及自动化] TH133.33 [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电机轴承微小故障智能诊断方法被引量：97: 7; 作者宫文峰陈辉张美玲张泽辉; 机构武汉理工大学高性能舰船技术教育部重点实验室桂林电子科技大学北海校区; 出处《仪器仪表学报》 EI CAS CSCD 北大核心 2020年第1期195-205,共11页; 基金国家自然科学基金面上项目(51579200) 中央高校基本科研业务经费资助武汉理工大学优秀博士学位论文培育项目(2019-YB-023) +1 种基金国家留学基金委博士联合培养项目资助.; 文摘运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。; 关键词故障诊断卷积神经网络支持向量机深度学习全局均值池化; Keywords fault diagnosis convolutional neural network support vector machine deep learning global average pooling; 分类号 TM307 [电气工程—电机] TP18 [自动化与计算机技术—控制理论与控制工程]; 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	基于并行混合神经网络的碾米机故障诊断方法	孙秋蔡华锋	《中国农机化学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于Grad-CAM可视化与特征识别率结合的草地贪夜蛾及近缘种成虫识别模型评估	魏靖季英超	《现代农业科技》	2024	0	在线阅读下载PDF 职称材料
3	基于迁移学习的小样本轴承故障诊断方法研究	张西宁余迪刘书语	《西安交通大学学报》 EI CAS CSCD 北大核心	2021	45	在线阅读下载PDF 职称材料
4	一种多尺度卷积神经网络道路提取方法	戴激光杜阳金光陶德志	《遥感信息》 CSCD 北大核心	2020	9	在线阅读下载PDF 职称材料
5	基于深度学习的偏光片缺陷实时检测算法	刘瑞珍孙志毅王安红杨凯王银孙前来	《太原理工大学学报》 CAS 北大核心	2020	4	在线阅读下载PDF 职称材料
6	基于改进卷积神经网络的滚动轴承智能故障诊断研究	宫文峰陈辉张泽辉张美玲管聪王鑫	《振动工程学报》 EI CSCD 北大核心	2020	92	在线阅读下载PDF 职称材料
7	基于深度学习的电机轴承微小故障智能诊断方法	宫文峰陈辉张美玲张泽辉	《仪器仪表学报》 EI CAS CSCD 北大核心	2020	97	在线阅读下载PDF 职称材料