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1,289篇文章
< 1 2 … 65 >
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：
多方法融合的卷积神经网络模型压缩方法
1
作者 郭开泰 李宇哲 +4 位作者 付东豪 郑洋 任胜寒 胡海虹 梁继民 《西安电子科技大学学报》 北大核心 2025年第3期232-241,共10页
卷积神经网络在实际应用中的计算和存储成本较高,因此模型压缩技术成为部署此类模型的关键。然而,单一压缩技术通常会导致性能下降、泛化能力降低或计算复杂度增加的问题。为此提出了一种融合模型剪枝、知识蒸馏和模型量化的压缩框架。... 卷积神经网络在实际应用中的计算和存储成本较高,因此模型压缩技术成为部署此类模型的关键。然而,单一压缩技术通常会导致性能下降、泛化能力降低或计算复杂度增加的问题。为此提出了一种融合模型剪枝、知识蒸馏和模型量化的压缩框架。首先通过稀疏化训练对模型进行剪枝,减少冗余通道;随后,以原始模型作为教师网络,利用知识蒸馏方法对剪枝后的学生网络进行指导,提升压缩模型的性能;最后采用模型量化技术对压缩后的网络进一步优化以提高其适用性。利用卷积网络中的分类模型和目标检测模型对所提出方法进行测试,实验结果表明,该模型压缩框架能够有效降低模型的存储和计算需求,在多个测试模型上,模型大小缩减幅度超过90%,推理速度提升3~4倍,同时精度损失控制在2%以内。提出的多方法融合的模型压缩框架在保证卷积神经网络模型性能的同时,减少了模型大小,提升了推理速度,适用于资源受限环境中卷积神经网络的高效部署。 展开更多
关键词 模型压缩 卷积神经网络 模型剪枝 知识蒸馏 模型量化
在线阅读 下载PDF
基于一维残差卷积神经网络的Pi2脉动识别模型 被引量：1
2
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
基于ConvNeXt卷积神经网络模型对烟叶成熟度识别的研究
3
作者 郭雨萌 肖亦雄 +4 位作者 肖孟宇 马云明 谭军 周喜新 范伟 《北方农业学报》 2025年第1期125-134,共10页
【目的】确定ConvNeXt卷积神经网络模型在烟叶成熟度识别中最适用于便携手持设备应用的主流图像预处理方法。【方法】使用便携手持图像采集设备采集烟叶图像,应用高斯缩放、对比增强、色彩增强和裁剪缩放4种预处理方法,结合ConvNeXt卷... 【目的】确定ConvNeXt卷积神经网络模型在烟叶成熟度识别中最适用于便携手持设备应用的主流图像预处理方法。【方法】使用便携手持图像采集设备采集烟叶图像,应用高斯缩放、对比增强、色彩增强和裁剪缩放4种预处理方法,结合ConvNeXt卷积神经网络构建模型,记录模型对烟叶成熟度识别的准确率、训练耗时和模型大小。通过对比分析不同预处理方法在性能、训练效率和模型大小上的表现,评估ConvNeXt卷积神经网络模型在便携设备上识别烟叶成熟度的应用潜力。【结果】在4种图像预处理方法中,高斯缩放在结合ConvNeXt卷积神经网络模型进行烟叶成熟度识别时综合表现最优,高斯缩放预处理后的模型准确率达到97.68%,优于对比增强、色彩增强和裁剪缩放,且训练耗时仅为8.927 min,模型大小为63.5 MB,兼具高效性与轻量化特征。在对比YOLO和XGBoost等其他模型时,高斯缩放结合ConvNeXt卷积神经网络构建的模型在各项指标中均表现突出,尤其在准确率和训练时间上展现出明显优势,适配便携手持设备的应用需求。【结论】高斯缩放作为图像预处理方法,能有效提升ConvNeXt卷积神经网络模型在烟叶成熟度识别任务中的准确性和运行效率。高斯缩放结合ConvNeXt卷积神经网络构建的模型训练速度快、占用资源少,适合在便携手持图像采集设备上使用。 展开更多
关键词 ConvNeXt卷积神经网络模型 烟叶成熟度识别 便携手持图像采集设备 智能化图像识别 图像预处理方法
在线阅读 下载PDF
基于深度子领域适应卷积神经网络的结构损伤识别 被引量：1
4
作者 张健飞 曹雨 《振动与冲击》 北大核心 2025年第3期251-260,共10页
针对卷积神经网络(convolutional neural networks,CNN)结构损伤识别模型泛化能力差的问题,提出了一种基于深度子领域适应卷积神经网络(deep subdomain adaptation convolutional neural networks,DSACNN)的结构损伤识别方法。以实际结... 针对卷积神经网络(convolutional neural networks,CNN)结构损伤识别模型泛化能力差的问题,提出了一种基于深度子领域适应卷积神经网络(deep subdomain adaptation convolutional neural networks,DSACNN)的结构损伤识别方法。以实际结构为目标域,以有限元模型为源域,根据损伤类别将源域和目标域划分成一系列子领域。在CNN中嵌入子领域适应模块,构建DSACNN模型,通过最小化源域上的损伤分类误差和领域之间的局部最大均值差异,对齐两个领域对应子领域的特征、建立特征与损伤类别之间的映射,从而将源域上的损伤识别能力迁移到目标域之上。模型的训练无需已知目标域样本的损伤标签,采用预训练全局领域适应提高其伪标签的准确率。试验结果表明:与全局领域适应模型相比,基于预训练全局领域适应的DSACNN模型在模拟目标域上准确率最大提高幅度达到21.8%,在实测目标域上提高了9.6%,具有更强的泛化能力。 展开更多
关键词 结构损伤识别 子领域适应 局部最大均值差异 卷积神经网络(cnn)
在线阅读 下载PDF
基于卷积神经网络与轻量级梯度提升树组合模型的电力行业短期以电折碳方法
5
作者 曾金灿 何耿生 +3 位作者 李姚旺 杜尔顺 张宁 朱浩骏 《上海交通大学学报》 北大核心 2025年第6期746-757,共12页
电力行业是碳排放的重点控排行业,准确、实时的电力行业碳排放计量是支撑其降碳减排的基础.目前,电力行业的碳排放计量主要基于实测法或核算法,难以很好地兼顾低计量成本与实时计量能力.为此,充分考虑电力行业良好的电力数据基础,挖掘电... 电力行业是碳排放的重点控排行业,准确、实时的电力行业碳排放计量是支撑其降碳减排的基础.目前,电力行业的碳排放计量主要基于实测法或核算法,难以很好地兼顾低计量成本与实时计量能力.为此,充分考虑电力行业良好的电力数据基础,挖掘电-碳间的相关关系,以电力历史数据为基础,基于机器学习方法提出一种电力行业短期以电折碳方法,实时估算电力行业短期碳排放情况.该方法使用卷积神经网络进行特征提取,并采用轻量级梯度提升树算法开展基于特征提取值的碳排放测算.此外,为了提升模型的泛化能力和鲁棒性,在模型训练中采用K折交叉验证技术,在模型参数优化过程中采用网格搜索技术.最后,为了验证所提模型的有效性,对比所提模型和其他机器学习模型在同等数据集划分条件下分别基于日度数据集与小时数据集中进行训练的效果.结果表明:所提模型在效果评估和测算值与目标值分布分析中均优于其他模型,能够较好地反映电力行业的短期碳排放情况. 展开更多
关键词 以电折碳 卷积神经网络 轻量级梯度提升树算法 碳排放 机器学习 组合模型
在线阅读 下载PDF
采用卷积神经网络的室内可见光定位方法
6
作者 王亮 孙海燕 《导航定位学报》 北大核心 2025年第1期128-136,共9页
针对多径反射与系统噪声导致室内可见光定位精度下降的问题,提出一种基于扩张卷积网络的室内可见光三维定位方法:基于皮尔森相关性系数对采集的接收信号强度向量进行过滤,删除系统噪声引起的非线性失真接收信号强度向量,以提高训练的神... 针对多径反射与系统噪声导致室内可见光定位精度下降的问题,提出一种基于扩张卷积网络的室内可见光三维定位方法:基于皮尔森相关性系数对采集的接收信号强度向量进行过滤,删除系统噪声引起的非线性失真接收信号强度向量,以提高训练的神经网络精度;然后,将接收信号强度向量集建立的指纹库传入神经网络进行训练,利用神经网络较强的三维空间结构表达能力拟合多径反射和系统噪声下的非线性指纹库。仿真结果表明,在7 m×7 m×3 m的室内环境下,所提方法的平均定位误差可达0.91 cm,其中90%样本的定位误差小于1.17 cm;此外,所提方法的平均定位误差较全连接神经网络和卷积神经网络可分别降低0.82 cm和0.56 cm,证明所提方法在多径反射与系统噪声环境下具有较好的定位性能。 展开更多
关键词 可见光通信系统 室内定位 物联网 卷积神经网络(cnn) 可见光定位
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
7
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
基于卷积神经网络的内窥镜图像识别及FPGA实现 被引量：1
8
作者 刘生山 林金朝 +2 位作者 庞宇 王元发 周前能 《现代电子技术》 北大核心 2025年第11期156-162,共7页
为提高内窥镜病灶识别准确率和速度,减少检测仪器功耗,针对现有VGG16网络模型参数量大、FPGA加速困难等缺陷,文中提出一种改进VGG的图像识别电路系统,并将该系统首次应用于内窥镜图像病灶识别。首先,通过软件技术优化VGG算法卷积层和全... 为提高内窥镜病灶识别准确率和速度,减少检测仪器功耗,针对现有VGG16网络模型参数量大、FPGA加速困难等缺陷,文中提出一种改进VGG的图像识别电路系统,并将该系统首次应用于内窥镜图像病灶识别。首先,通过软件技术优化VGG算法卷积层和全连接层,增加自适应平均池化层;然后设计优化的卷积IP核,实现卷积和最大池化FPGA加速。为减少模型参数量,有效降低FPGA资源消耗,将改进网络层和批归一化层融合。实验结果表明,改进后的网络模型平均识别准确率为95.59%,模型大小为35.90 MB,相比原始网络准确率提升了3.24%,模型参数量减少92.99%。FPGA板级检测时间为0.55 s/张,相较ARM端和CPU端检测时间减少1509.06 s/张和0.14 s/张。通过优化和改进,提出的电路系统显著提升了内窥镜病灶识别的效率和准确率,有效降低了硬件资源消耗。 展开更多
关键词 卷积神经网络 VGG模型 FPGA 内窥镜图像识别 高层次综合工具 软硬协同
在线阅读 下载PDF
融合卷积神经网络和注意力机制的负荷识别方法 被引量：2
9
作者 赵毅涛 李钊 +3 位作者 刘兴龙 骆钊 王钢 沈鑫 《电力工程技术》 北大核心 2025年第1期227-235,共9页
对居民住宅进行非侵入式负荷监测(non-intrusive load monitoring,NILM)是智能电网用户需求侧的重要研究内容,居民负荷的能耗分析和用电管理是实现节能减排、可持续发展的关键环节。针对传统算法识别性能差、难以适应当下复杂用电环境... 对居民住宅进行非侵入式负荷监测(non-intrusive load monitoring,NILM)是智能电网用户需求侧的重要研究内容,居民负荷的能耗分析和用电管理是实现节能减排、可持续发展的关键环节。针对传统算法识别性能差、难以适应当下复杂用电环境的问题,文中从增强分类算法特征提取性能的优化思路出发,提出融合卷积神经网络(convolutional neural network,CNN)和自注意力机制的NILM负荷识别方法。首先,采集8种不同家用电器的电力数据,建立U-I轨迹曲线数据库;其次,采用挤压-激励网络(squeeze-and-excitation network,SENet)注意力机制提升CNN的特征聚合能力,完成对不同电器U-I轨迹曲线的特征提取和负荷识别;最后,对私有数据集和PLAID数据集进行测试,算例结果表明,所提方法在不同运行场景下均具有较高的识别准确率和较好的泛化性能。 展开更多
关键词 非侵入式负荷监测(NILM) 负荷识别 卷积神经网络(cnn) 挤压-激励网络(SENet) 注意力机制 特征提取 U-I轨迹
在线阅读 下载PDF
融合深度强化学习的卷积神经网络联合压缩方法
10
作者 马祖鑫 崔允贺 +4 位作者 秦永彬 申国伟 郭春 陈意 钱清 《计算机工程与应用》 北大核心 2025年第6期210-219,共10页
随着边缘计算、边缘智能等概念的兴起,卷积神经网络的轻量化部署逐渐成为研究热点。传统的卷积神经网络压缩技术通常分阶段地、独立地执行剪枝与量化策略,但这种方式没有考虑剪枝与量化过程的相互影响,使其无法达到最优的剪枝与量化结果... 随着边缘计算、边缘智能等概念的兴起,卷积神经网络的轻量化部署逐渐成为研究热点。传统的卷积神经网络压缩技术通常分阶段地、独立地执行剪枝与量化策略,但这种方式没有考虑剪枝与量化过程的相互影响,使其无法达到最优的剪枝与量化结果,影响压缩后的模型性能。针对以上问题,提出一种基于深度强化学习的神经网络联合压缩方法——CoTrim。CoTrim同时执行通道剪枝与权值量化,利用深度强化学习算法搜索出全局最优的剪枝与量化策略,以平衡剪枝与量化对网络性能的影响。在CIFAR-10数据集上对VGG和ResNet进行实验,实验表明,对于常见的单分支卷积和残差卷积结构,CoTrim能够在精度损失仅为2.49个百分点的情况下,将VGG16的模型大小压缩至原来的1.41%。在复杂数据集Imagenet-1K上对紧凑网络MobileNet和密集连接网络DenseNet进行实验,实验表明,对于深度可分离卷积结构以及密集连接结构,CoTrim依旧能保证精度损失在可接受范围内将模型压缩为原始大小的1/5~1/8。 展开更多
关键词 卷积神经网络 深度强化学习 模型压缩 通道剪枝 权值量化 边缘智能
在线阅读 下载PDF
基于Zynq的卷积神经网络加速器设计
11
作者 孟凡开 张峰 +1 位作者 李淼 张多利 《合肥工业大学学报(自然科学版)》 北大核心 2025年第7期904-909,共6页
针对卷积神经网络(convolutional neural network,CNN)嵌入式部署资源开销大、运行速度慢等问题,文章提出一种以Tiny-YOLOv3作为算法模型的CNN硬件加速器。首先,基于Tiny-YOLOv3网络各层的特性和要求设计CNN加速器实现方案,将权重系数... 针对卷积神经网络(convolutional neural network,CNN)嵌入式部署资源开销大、运行速度慢等问题,文章提出一种以Tiny-YOLOv3作为算法模型的CNN硬件加速器。首先,基于Tiny-YOLOv3网络各层的特性和要求设计CNN加速器实现方案,将权重系数按位分割,面向单bit权重设计卷积加速器,通过逐位实施达到处理速度和识别率的高效平衡;然后,采用查表选择法实现卷积算子的乘加运算,设计一款6×3×16的三维加速器计算阵列,可单周期完成288个卷积窗口计算;最后,在Xilinx Zynq UltraScale+MPSoC系列芯片上对设计的CNN加速器进行性能测试。实验结果表明,该CNN加速器在200 MHz频率下具有518.4 GOPS的算力,比现有的解决方案性能提高了约63%。 展开更多
关键词 卷积神经网络(cnn) Tiny-YOLOv3网络模型 硬件加速 流水阵列 并行运算
在线阅读 下载PDF
考虑层敏感性的卷积神经网络混合精度量化方法
12
作者 刘海军 张晨曦 +3 位作者 王析羽 陈长林 陈军 李智炜 《国防科技大学学报》 北大核心 2025年第4期143-150,共8页
针对如何将神经网络保真映射到资源受限的嵌入式设备这一问题,提出基于层敏感性分析的卷积神经网络混合精度量化方法。通过计算Hessian矩阵平均迹衡量卷积层参数的敏感性,为位宽分配提供依据;使用逐层升降方法进行位宽分配,最终完成网... 针对如何将神经网络保真映射到资源受限的嵌入式设备这一问题,提出基于层敏感性分析的卷积神经网络混合精度量化方法。通过计算Hessian矩阵平均迹衡量卷积层参数的敏感性,为位宽分配提供依据;使用逐层升降方法进行位宽分配,最终完成网络模型的混合精度量化。实验结果表明,与DoReFa和LSQ+两种固定精度量化方法相比,所提出的混合精度量化方法在平均位宽为3 bit的情况下将识别准确率提高了10.2%和1.7%;与其他混合精度量化方法相比,所提方法识别准确率提高了1%以上。此外,加噪训练能够有效提高混合精度量化方法的鲁棒性,在噪声标准差为0.5的情况下,将识别准确率提高了16%。 展开更多
关键词 卷积神经网络 模型量化 人工智能 混合精度
在线阅读 下载PDF
基于卷积神经网络和Transformer的电能质量扰动分类
13
作者 王高峰 张昊 +1 位作者 钱云 高蔓 《现代电子技术》 北大核心 2025年第16期113-122,共10页
随着新能源的大规模应用,电能质量扰动(PQDs)事件的概率显著增加,而这些扰动会给配电系统造成重大损失。因此,提出一种基于卷积神经网络(CNN)和Transformer的PQDs分类方法,即CTranCAM。该方法通过CNN的卷积操作自动提取PQDs信号时间序... 随着新能源的大规模应用,电能质量扰动(PQDs)事件的概率显著增加,而这些扰动会给配电系统造成重大损失。因此,提出一种基于卷积神经网络(CNN)和Transformer的PQDs分类方法,即CTranCAM。该方法通过CNN的卷积操作自动提取PQDs信号时间序列的局部特征,然后使用Transformer中的多头注意力机制对提取的特征进行全局和长期关系建模,以弥补CNN在处理全局信息方面的缺陷,最后通过全连接层输出识别结果。使用CTranCAM方法对25类合成PQDs数据进行仿真,结果表明,该方法的分类准确率在无噪声条件下为99.60%,在信噪比为30 dB、40 dB和50 dB时,准确率分别达到了99.20%、99.36%和99.40%,具有良好的抗噪性和泛化性能。另外,通过与其他方法的性能比较得出,所提方法在不同噪声环境下都具有较好的分类性能,是一种较优秀的PQDs分类方法。 展开更多
关键词 电能质量扰动 卷积神经网络 Transformer模型 多头注意力机制 特征提取 分类性能
在线阅读 下载PDF
基于串联深度神经网络的跨坐式单轨车辆轮胎径向载荷识别模型 被引量：1
14
作者 任利惠 周荣笙 +1 位作者 季元进 曾俊玮 《中国铁道科学》 北大核心 2025年第1期136-148,共13页
针对识别跨坐式单轨车辆轮胎径向载荷时直接测量法成本昂贵、定制复杂,而基于物理模型的方法稳定性差、计算量大、精度不足的问题,建立车辆动力学模型,兼顾物理关系合理性和测量便捷性,选取可通过能观性分解得到的车体和构架振动加速度... 针对识别跨坐式单轨车辆轮胎径向载荷时直接测量法成本昂贵、定制复杂,而基于物理模型的方法稳定性差、计算量大、精度不足的问题,建立车辆动力学模型,兼顾物理关系合理性和测量便捷性,选取可通过能观性分解得到的车体和构架振动加速度以及易直接测量的位移、转角和角速度等车辆姿态信息构建数据集,并验证动力学模型的准确性;预处理数据集时,向其中混入噪声增强数据鲁棒性,进行归一化处理便于数据计算,扩充时间步长增强数据的时序关联性;在此基础上,构建基于一维卷积神经网络(1DCNN)和双向门控循环单元(BiGRU)串联深度神经网络的轮胎径向载荷识别模型,采用Hyperband算法进行模型的超参数优化,在学习率、批量大小和优化器种类最优下通过设置合理的卷积核尺寸和门控循环单元个数规划各层数据维度,在1DCNN中引入逐点卷积和膨胀卷积以提升模型识别效果,并从准确性、鲁棒性和泛化性3个方面对模型的载荷识别效果进行评估。结果表明:与传统模型相比,基于1DCNN-BiGRU的载荷识别模型均方误差较低,低于0.106,准确性较高;数据混入信噪比低至27 dB噪声时仍具有较好的识别效果,鲁棒性较强;在不同的曲线半径、曲线超高率和惯性参数扰动工况下仍能维持较好的识别效果,泛化性较好。 展开更多
关键词 载荷识别 跨坐式单轨车辆 卷积神经网络 双向门控循环单元 超参数优化 车辆动力学模型
在线阅读 下载PDF
基于注意力-残差双特征流卷积神经网络的深度图帧内编码单元快速划分算法
15
作者 贾克斌 吴岳珩 《北京工业大学学报》 北大核心 2025年第5期539-551,共13页
针对三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)深度图编码单元(coding unit,CU)划分复杂度高的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)的算法来实现快速深度图帧内编码。... 针对三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)深度图编码单元(coding unit,CU)划分复杂度高的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)的算法来实现快速深度图帧内编码。首先,提出一种具有3个分支的注意力-残差双特征流卷积神经网络(attention-residual bi-feature stream convolutional neural networks,ARBS-CNN)模型,其中基于残差模块(residual module,RM)和特征蒸馏(feature distill,FD)模块的2个分支用于提取全局图像特征,基于动态模块(dynamic module,DM)和卷积-卷积块注意力模块(convolutional-convolutional block attention module,Conv-CBAM)的分支用于提取局部图像特征;然后,将提取到的特征进行整合并输出,得到对深度图CU划分结构的预测;最后,将ARBS-CNN嵌入到3D-HEVC测试平台中,利用预测结果加速深度图帧内编码。与原始算法相比,提出的算法能在维持率失真性能几乎不受影响的条件下,平均减少74.2%的编码时间。实验结果表明,该算法能够在保持率失真性能的条件下,有效降低3D-HEVC的编码复杂度。 展开更多
关键词 三维高效视频编码(three-dimensional high efficiency video coding 3D-HEVC) 深度图 卷积神经网络(convolutional neural networks cnn) 编码单元(coding unit CU)划分 帧内编码 双特征流
在线阅读 下载PDF
基于S谱能量曲线与卷积神经网络的天然地震与爆破事件分类识别
16
作者 孟娟 李亚南 高强 《地震学报》 北大核心 2025年第2期232-241,共10页
以震级为ML1.3—3.0的1万2936条人工爆破微震记录和1万3215条天然微震波形为研究对象,对其原始地震波形进行1—30 Hz带通滤波以去除长周期干扰,并基于长短时窗均值比(STA/LTA)算法进行P波识别与筛选。对处理后的地震波形数据进行S变换,... 以震级为ML1.3—3.0的1万2936条人工爆破微震记录和1万3215条天然微震波形为研究对象,对其原始地震波形进行1—30 Hz带通滤波以去除长周期干扰,并基于长短时窗均值比(STA/LTA)算法进行P波识别与筛选。对处理后的地震波形数据进行S变换,获取其S谱能量曲线,然后将S谱能量曲线图转换为32×32像素的灰度特征图,并将其作为卷积神经网络的输入进行训练,基于训练好的模型进行10折交叉测试验证。结果显示地震与爆破事件的分类识别准确率高达97.80%,表明利用S谱能量曲线能较好地识别天然地震与人工爆破。 展开更多
关键词 人工爆破 天然地震 卷积神经网络(cnn) S变换 分类识别
在线阅读 下载PDF
基于卷积神经网络与机器视觉的纸张尘埃度测量系统的设计与应用研究
17
作者 李欢 李亮 《中国造纸》 北大核心 2025年第8期157-163,共7页
本研究基于卷积神经网络(CNN)与机器视觉,设计了纸张尘埃度测量系统。该系统基于模型训练和检验2个模块构建,使用高分辨率扫描仪获取尘埃数据集和纸张样品图片,使用不同优化算法训练分类模型,并采用对角线测量算法,制作标准尘埃像素表... 本研究基于卷积神经网络(CNN)与机器视觉,设计了纸张尘埃度测量系统。该系统基于模型训练和检验2个模块构建,使用高分辨率扫描仪获取尘埃数据集和纸张样品图片,使用不同优化算法训练分类模型,并采用对角线测量算法,制作标准尘埃像素表用于定级和分类统计,进而计算尘埃度。结果表明,该系统的精度可达0.007 mm^(2),优于GB/T 1541—2013《纸和纸板尘埃度的测定》要求,分类准确度达95.89%,能够实现多类纸品的全量程测量,单样本重复性测量误差为0,相比人工检测系统单样本检测用时缩短了约97%,实现了纸类产品尘埃度的高效、精准检测。 展开更多
关键词 纸张尘埃度 卷积神经网络(cnn) 机器视觉 图像处理
在线阅读 下载PDF
基于卷积神经网络和双向长短期记忆网络的微地震记录去噪方法
18
作者 王泰然 鲍逸非 《北京大学学报(自然科学版)》 北大核心 2025年第3期487-500,共14页
提出一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的深度学习模型,用于时间域波形去噪.选取四川省自贡和内江地区的微震观测数据,基于该地区的构造模型和震源机制进行数值模拟,生成无噪声数据集,并叠加观测微震噪声,构建模... 提出一种基于卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的深度学习模型,用于时间域波形去噪.选取四川省自贡和内江地区的微震观测数据,基于该地区的构造模型和震源机制进行数值模拟,生成无噪声数据集,并叠加观测微震噪声,构建模拟含噪声数据集.通过深度学习网络的训练,获得性能稳定且泛化能力强的去噪模型,该模型在验证集上也表现优异.与传统去噪方法相比,所提方法的去噪效果显著提升,能够更好地保留信号的细节特征和频谱特征.将该模型应用于自贡和内江地区的实际微震观测数据,结果表明能有效地去除实测数据中的噪声. 展开更多
关键词 微小地震 噪声去除 卷积神经网络(cnn) 双向长短期记忆网络(BiLSTM) 深度学习
在线阅读 下载PDF
基于改进Kolmogorov-Arnold混合卷积神经网络的调制识别方法
19
作者 郑庆河 刘方霖 +4 位作者 余礼苏 姜蔚蔚 黄崇文 李斌 束锋 《电子与信息学报》 北大核心 2025年第8期2584-2597,共14页
针对苛刻通信场景下调制方式识别精度低且泛化难的问题,该文提出一种改进Kolmogorov-Arnold混合卷积神经网络模型KA-CNN。首先,通过双树复小波包变换将信号分解至多维小波域,结合不同频率分量构建多尺度信号表征,促使神经网络模型学习... 针对苛刻通信场景下调制方式识别精度低且泛化难的问题,该文提出一种改进Kolmogorov-Arnold混合卷积神经网络模型KA-CNN。首先,通过双树复小波包变换将信号分解至多维小波域,结合不同频率分量构建多尺度信号表征,促使神经网络模型学习各频率下的一致性特征;然后设计集成样条函数和非线性激活函数的深度学习结构,利用样条函数解决维度诅咒问题,增强周期性特征的持续学习能力;最后,采用Lipschitz正则化约束的多级网格训练,改善模型面对不同信号参数的适应性,增强跨通信场景的泛化能力。在公开数据集RadioML 2016.10a,RadioML 2018.01a和CSPB.ML.2023的实验表明,KA-CNN具有优异的调制识别精度,当信噪比在16 dB时能够取得90%以上的识别准确率。相较于其它深度学习方法,整体识别精度提升3%~10%,并在各种信噪比条件下具备更强的特征学习能力和泛化性。 展开更多
关键词 调制识别 深度学习 Kolmogorov-Arnold模型 卷积神经网络
在线阅读 下载PDF
并联卷积神经网络的近红外光谱定量分析模型 被引量：4
20
作者 于水 宦克为 +1 位作者 刘小溪 王磊 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2024年第6期1627-1635,共9页
近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近... 近红外光谱分析已成为工农业生产过程质量监控领域中不可或缺的重要分析手段之一,在食品、农业、医药等定性定量分析领域被广泛应用。预测精度高、运行速度快、泛化能力强的近红外光谱预测模型可用于不同物质的定性定量分析。但由于近红外光谱数据量的激增,传统的近红外光谱建模方法已经出现明显的不足。随着人工智能技术的不断发展,深度学习算法在近红外光谱分析领域得到了广泛应用。提出了一种基于并联卷积神经网络的近红外光谱定量分析模型(PaBATunNet)。该模型由1个一维卷积层、1个并联卷积模块(Module)、1个展平层、4个全连接层和1个参数调节器(PR)组成,Module模块包括5个子模块分别对光谱数据进行线性及非线性多维特征提取,并通过Concatenate函数将提取后的光谱特征数据进行拼接,PR模块通过调节优化PaBATunNet模型参数,提高模型预测精度。基于Gard-CAM思想给出了PaBATunNet模型高贡献度特征波长,增加了PaBATunNet模型的可解释性。以谷物、柴油、啤酒、牛奶四组公开的近红外光谱数据为例,将PaBATunNet模型的预测结果与偏最小二乘(PLS)、主成分回归(PCR)、支持向量机(SVM)和BP神经网络(BP)模型的预测结果进行比较。结果表明,与PLS相比,PaBATunNet模型在谷物、柴油、啤酒、牛奶数据集的预测精度上分别提高了30.0%、40.7%、43.0%、52.8%;与PCR相比,PaBATunNet模型的预测精度分别提高了28.8%、35.9%、40.8%、52.2%;与SVM相比,PaBATunNet模型的预测精度分别提高了45.5%、37.4%、45.3%、54.7%;与BP相比,PaBATunNet模型的预测精度分别提高了7.9%、32.4%、90.1%、62.0%。基于并联卷积神经网络的近红外光谱建模方法相比于传统建模方法解决了模型预测精度低、运行时间长、泛化能力差以及可解释性不强等问题,可有效应用于工农业生产中不同物质的定量分析,为建立快速、无损、高精度的近红外光谱定量分析模型提供了科学基础。 展开更多
关键词 近红外光谱 深度学习 并联卷积神经网络 定量分析 预测模型
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 … 65 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