检索结果-维普期刊中文期刊服务平台

基于深度可分离卷积神经网络的轴承故障诊断模型被引量：3: 1; 作者金钰森丁飞 +2 位作者陈竺郑雁鹏黄伟韬《无线电通信技术》北大核心 2024年第1期193-202,共10页; 在现实工业环境中需要对设备故障做出快速准确的诊断,低时延和高准确度的要求使得传统卷积神经网络(Convolutional Neural Network, CNN)在故障诊断过程中受到严重制约。针对此问题,提出了一种基于深度可分离卷积神经网络(Separable Con... 展开更多; 关键词故障诊断滚动轴承残差神经网络可分离卷积神经网络; 在线阅读下载PDF 职称材料

基于DSConvBiGRU网络和热电堆阵列的动态手势识别方法被引量：1: 2; 作者顾亮于莲芝《计量学报》 CSCD 北大核心 2024年第6期795-805,共11页; 提出了适用于嵌入式系统并融合深度可分离卷积神经网络与双向门控循环单元的DSConvBiGRU网络模型,将其用于动态手势序列的分类,设计并实现了一种使用低分辨率热电堆阵列传感器的动态手势识别解决方案,构建了动态手势数据集并在公开网站... 展开更多; 关键词机器视觉光电检测动态手势识别热电堆阵列深度可分离卷积神经网络双向门控循环单元; 在线阅读下载PDF 职称材料

基于多物理量的油中短间隙电弧放电故障模式快速识别方法: 3; 作者常昊鑫董明 +3 位作者胡一卓王昊田志立任明《高电压技术》北大核心 2025年第7期3651-3661,共11页; 短间隙油中电弧放电易造成设备损坏,甚至引发火灾和爆炸事故,对其开展故障诊断对于维护电力系统安全稳定运行具有重要意义。由于油中电弧放电演变速度快,传统基于单一信号进行的故障诊断方法存在诊断准确率低、诊断不及时等问题。为了... 展开更多; 关键词电力变压器短间隙电弧模式识别深度可分离卷积神经网络联合检测; 在线阅读下载PDF 职称材料

一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法被引量：7: 4; 作者廖勇李玉杰《电子学报》 EI CAS CSCD 北大核心 2022年第5期1211-1217,共7页; 针对频分双工大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)通信系统中信道状态信息(Channel State Information,CSI)反馈方法复杂度高、精度低和开销大的问题,本文提出了一种基于深度学习的低复杂度CSI反馈方法.该方法通... 展开更多; 关键词频分双工大规模MIMO 信道状态信息深度学习深度可分离卷积神经网络残差网络; 在线阅读下载PDF 职称材料

基于SE-DSCNN的MMC开关管故障诊断方法被引量：11: 5; 作者曾昭瑢何怡刚《电力自动化设备》 EI CSCD 北大核心 2022年第5期104-111,共8页; 为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN)。该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合... 展开更多; 关键词 MMC 开关管故障挤压-激励模块深度可分离卷积神经网络故障诊断; 在线阅读下载PDF 职称材料

题名基于深度可分离卷积神经网络的轴承故障诊断模型被引量：3: 1; 作者金钰森丁飞陈竺郑雁鹏黄伟韬; 机构南京邮电大学智慧物联网应用技术研究院上海市工业物联网与大数据专家工作站; 出处《无线电通信技术》北大核心 2024年第1期193-202,共10页; 基金江苏省重点研发计划(BE2020084-1) 江苏省“六大人才高峰”高层次人才培养资助项目(DZXX-008) +1 种基金南京邮电大学大学生创新训练计划项目(CXXYB2022281)。; 文摘在现实工业环境中需要对设备故障做出快速准确的诊断,低时延和高准确度的要求使得传统卷积神经网络(Convolutional Neural Network, CNN)在故障诊断过程中受到严重制约。针对此问题,提出了一种基于深度可分离卷积神经网络(Separable Convolutional Neural Network, SCNN)的轴承故障诊断模型,构建能够处理连续振动信号的主干CNN,通过对主干CNN中的卷积层进行可分离处理来构建SCNN,实现卷积过程的通道和区域的分离,减少卷积计算过程中所需的参数,从而降低计算时延;为SCNN引入残差层,通过残差连接来保证卷积迭代计算的准确率,避免网络层数过多而造成过拟合。为了对比所构建模型的有效性,将传统的VGG16和ResNet50网络进行一维重构来进行验证,并对分类处理后的CWRU故障轴承数据进行分析。结果显示该模型在保证识别准确率的同时有效地提高了故障诊断的效率。; 关键词故障诊断滚动轴承残差神经网络可分离卷积神经网络; Keywords fault diagnosis rolling bearing residual neural network SCNN; 分类号 TN919.23 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于DSConvBiGRU网络和热电堆阵列的动态手势识别方法被引量：1: 2; 作者顾亮于莲芝; 机构上海理工大学光电信息与计算机工程学院; 出处《计量学报》 CSCD 北大核心 2024年第6期795-805,共11页; 基金国家自然科学基金(61603257)。; 文摘提出了适用于嵌入式系统并融合深度可分离卷积神经网络与双向门控循环单元的DSConvBiGRU网络模型,将其用于动态手势序列的分类,设计并实现了一种使用低分辨率热电堆阵列传感器的动态手势识别解决方案,构建了动态手势数据集并在公开网站发布,完成了预训练网络模型在Raspberry Pi边缘端的部署。系统对传感器输出的连续20个温度矩阵进行区间映射、背景减除、Lanczos插值和Otsu二值化预处理得到单个动态手势序列,再由预训练的DSConvBiGRU网络进行分类。实验结果表明:网络模型在测试集上识别准确率为99.291%,在边缘端预处理耗时5.513 ms,推理耗时8.231 ms,该系统满足低功耗、高精度和实时性的设计需求。; 关键词机器视觉光电检测动态手势识别热电堆阵列深度可分离卷积神经网络双向门控循环单元; Keywords machine vision photoelectic detection dynamic gesture recognition thermopile array depthwise separable convolutional neural networks bidirectional gated recurrent unit; 分类号 TB96 [机械工程—光学工程]; 在线阅读下载PDF 职称材料

题名基于多物理量的油中短间隙电弧放电故障模式快速识别方法: 3; 作者常昊鑫董明胡一卓王昊田志立任明; 机构电工材料电气绝缘全国重点实验室(西安交通大学); 出处《高电压技术》北大核心 2025年第7期3651-3661,共11页; 基金国家重点研发计划(2023YFB2406900)。; 文摘短间隙油中电弧放电易造成设备损坏,甚至引发火灾和爆炸事故,对其开展故障诊断对于维护电力系统安全稳定运行具有重要意义。由于油中电弧放电演变速度快,传统基于单一信号进行的故障诊断方法存在诊断准确率低、诊断不及时等问题。为了解决上述问题,该文提出一种基于多物理量的油中短间隙电弧放电故障模式快速识别方法。首先,搭建一套可同时采集放电多物理特征信号的试验平台,获取并分析了各物理量的时域信号和频谱图;其次,在多物理时域信号的基础上,利用S变换生成对应时频图谱;然后,提出一种改进的深度可分离卷积神经网络模型,利用该模型开展基于多物理量联合的放电故障模式识别。结果表明:相比于仅利用单一信号,该文提出的多物理量联合检测的方法具有更高的识别准确率;与传统辨识模型相比,通过优化DSCNN网络框架,降低了参数规模和推理时间,有助于提高故障诊断速度,防止油中电弧放电发展到更为严重的阶段。; 关键词电力变压器短间隙电弧模式识别深度可分离卷积神经网络联合检测; Keywords power transformer short-gap arc pattern recognition depthwise separable convolutional neural networks joint detection; 分类号 TM41 [电气工程—电器]; 在线阅读下载PDF 职称材料

题名一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法被引量：7: 4; 作者廖勇李玉杰; 机构重庆大学微电子与通信工程学院; 出处《电子学报》 EI CAS CSCD 北大核心 2022年第5期1211-1217,共7页; 基金国家自然科学基金(No.61501066) 重庆市自然科学基金项目(No.cstc2019jcyj-msxmX0017)。; 文摘针对频分双工大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)通信系统中信道状态信息(Channel State Information,CSI)反馈方法复杂度高、精度低和开销大的问题,本文提出了一种基于深度学习的低复杂度CSI反馈方法.该方法通过端到端的方式构建了一种从用户设备编码器到基站解码器相结合的网络结构.编解码器利用连续的平均池化层和上采样层完成特征图的降维和升维,同时引入深度可分离卷积神经网络减少网络参数量.在解码器部分,本文利用残差网络构建连续的拥有大卷积核的残差块逼近原始CSI矩阵.仿真结果表明,和已有的代表性方法相比,本文所提方法在归一化均方误差上有2 dB~5 dB的性能提升,在余弦相似度上也有2%~5%的提升,并且在时间复杂度和空间复杂度上均有更好的表现.; 关键词频分双工大规模MIMO 信道状态信息深度学习深度可分离卷积神经网络残差网络; Keywords frequency division duplexing massive MIMO(Multiple-Input Multiple-Output) channel state information deep learning depthwise sparable convolution neural network residual network; 分类号 TN911.72 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于SE-DSCNN的MMC开关管故障诊断方法被引量：11: 5; 作者曾昭瑢何怡刚; 机构武汉大学电气与自动化学院; 出处《电力自动化设备》 EI CSCD 北大核心 2022年第5期104-111,共8页; 基金国家自然科学基金资助项目(51977153,51977161,51577046) 国家自然科学基金重点项目(51637004) +2 种基金武汉市科技计划项目(20201G01)。; 文摘为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN)。该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合挤压-激励模块以突出通道域中具有代表性的特征,利用深度可分离卷积(DSC)来减少网络的计算量。利用滑动时间窗口将数据分段并归一化后输入提前训练好的最优模型中,模型输出预测标签。通过与其他人工特征提取方法及深度学习方法进行对比,结果表明模型参数量比具有相同卷积层数的标准卷积神经网络(CNN)减少了70.92%左右。所提方法在已有样本片段上的分类准确率及不同故障时期的诊断正确率均达99%及以上,诊断单个样本片段所需的时间约为0.34 ms,不但能区分故障早期的耦合性特征,还能实现准确、可靠、高效、快速的故障诊断。; 关键词 MMC 开关管故障挤压-激励模块深度可分离卷积神经网络故障诊断; Keywords MMC switch failure squeeze-and-excitation module depthwise separable convolutional neural network fault diagnosis; 分类号 TM46 [电气工程—电器]; 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	基于深度可分离卷积神经网络的轴承故障诊断模型	金钰森丁飞陈竺郑雁鹏黄伟韬	《无线电通信技术》北大核心	2024	3	在线阅读下载PDF 职称材料
2	基于DSConvBiGRU网络和热电堆阵列的动态手势识别方法	顾亮于莲芝	《计量学报》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
3	基于多物理量的油中短间隙电弧放电故障模式快速识别方法	常昊鑫董明胡一卓王昊田志立任明	《高电压技术》北大核心	2025	0	在线阅读下载PDF 职称材料
4	一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法	廖勇李玉杰	《电子学报》 EI CAS CSCD 北大核心	2022	7	在线阅读下载PDF 职称材料
5	基于SE-DSCNN的MMC开关管故障诊断方法	曾昭瑢何怡刚	《电力自动化设备》 EI CSCD 北大核心	2022	11	在线阅读下载PDF 职称材料