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871篇文章
< 1 2 … 44 >
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：
低过采样数字调制信号的多尺度一维卷积神经网络解调器 被引量：1
1
作者 陈显敏 符杰林 《计算机应用与软件》 北大核心 2024年第5期113-117,共5页
针对应用深度学习方法对数字调制信号进行解调时过采样要求较高的问题,设计低过采样的多尺度一维卷积神经网络数字解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能... 针对应用深度学习方法对数字调制信号进行解调时过采样要求较高的问题,设计低过采样的多尺度一维卷积神经网络数字解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能保证传统解调方法相同的误码性能。仿真结果表明,在高斯和Rayleigh衰落信道下,给出的数字调制信号解调器可以在保证解调误码性能的同时,减少了对采样倍数的要求,降低了神经网络结构的复杂性。 展开更多
关键词 低采样倍数 解调 多尺度一维卷积神经网络 BPSK和M-QAM
在线阅读 下载PDF
基于多尺度一维卷积神经网络的弯管冲蚀损伤智能检测方法 被引量：3
2
作者 陈传智 李宁 +2 位作者 王畅 陈家梁 罗锦达 《科学技术与工程》 北大核心 2024年第5期1893-1899,共7页
针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network,MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积... 针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network,MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积层。在MS-1DCNN模型中,把通过模拟实验所得弯管冲蚀损伤原始时域信号作为多尺度一维卷积神经网络的输入,这样能解决传统方法依赖人工提取特征和专家知识的问题;然后,通过多尺度卷积层和池化层的交替连接对输入信号进行特征提取;最后,经由输出层输出弯管冲蚀损伤分类结果。模型试验结果表明:基于MS-1DCNN弯管冲蚀损伤检测方法可以有效检测出弯管冲蚀损伤,且平均检测准确率达到99.18%。研究可为高压管汇冲蚀损伤智能检测提供一种新思路。 展开更多
关键词 高压管汇 冲蚀损伤 一维卷积神经网络 多尺度 智能检测
在线阅读 下载PDF
基于多尺度一维卷积神经网络的光纤振动事件识别 被引量：30
3
作者 吴俊 管鲁阳 +2 位作者 鲍明 许耀华 叶炜 《光电工程》 CAS CSCD 北大核心 2019年第5期76-83,共8页
针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处... 针对相位敏感光时域反射(Φ-OTDR)分布式光纤振动传感系统如何对振动事件进行高效准确识别的问题,本文提出了一种基于多尺度一维卷积神经网络(MS 1-D CNN)的振动事件识别方法。该方法将原始振动信号经过预加重、归一化和谱减降噪的预处理操作后得到的一维信号,直接通过MS 1-D CNN实现端到端的振动信号特征的提取和识别。MS1-DCNN在提取入侵振动信号特征时可兼顾信号时间和频率尺度,利用全连接层(FClayer)和Softmax层完成最终的识别过程,与二维卷积神经网络(2-D CNN)和一维卷积神经网络(1-D CNN)相比减少了待定参数数量。对破坏、敲击和干扰三类目标振动事件的光纤振动传感信号识别结果表明,MS 1-D CNN的识别正确率与2-D CNN相近,达到了96%以上,而处理速度提升一倍,在保持识别性能的前提下,有利于提高振动事件识别的实时性。 展开更多
关键词 分布式光纤振动传感 多尺度一维卷积神经网络 相位敏感光时域反射 振动事件识别 模式识别
在线阅读 下载PDF
PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断 被引量：5
4
作者 徐培文 陈仁祥 +3 位作者 胡小林 杨黎霞 唐林林 林立 《振动与冲击》 EI CSCD 北大核心 2022年第4期86-92,共7页
为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原... 为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。 展开更多
关键词 风机基础螺栓 松动诊断 多尺度一维卷积神经网络 粒子群优化(PSO) 适应度值
在线阅读 下载PDF
多尺度一维卷积神经网络的风机基础螺栓松动智能检测 被引量：6
5
作者 陈仁祥 徐培文 +3 位作者 韩坤林 曾力 王帅 朱玉清 《振动与冲击》 EI CSCD 北大核心 2022年第22期301-307,共7页
为精细化表征风机基础螺栓松动状态特征,实现对风机基础螺栓松动的智能检测,提出多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法。首先,以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的... 为精细化表征风机基础螺栓松动状态特征,实现对风机基础螺栓松动的智能检测,提出多尺度一维卷积神经网络的风机基础螺栓松动智能检测方法。首先,以风机运行时振动时域信号作为多尺度一维卷积神经网络的输入,摆脱对信号处理和专业知识的依赖,并最大程度保留原始信号特征;然后,通过交替的多尺度卷积层和池化层对时域信号特征进行学习,其中多尺度卷积层设置不同尺度的卷积核进行卷积运算,避免单一尺度卷积核对不同精细度特征的忽略,增强网络对特征的表达能力,实现对时域信号特征精细化分布式表征;最后,在特征输出层后添加Softmax多分类器,利用反向传播逐层微调结构参数建立特征空间到松动状态空间的映射,输出风机基础螺栓松动检测结果。所提方法将松动特征自动学习与松动识别融为一体,实现了风机基础螺栓松动智能检测。通过在稳定转速和变转速下对风机基础螺栓松动检测试验,证明了所提方法的可行性和有效性。 展开更多
关键词 风机基础螺栓 松动状态 智能检测 多尺度一维卷积神经网络 精细化表征
在线阅读 下载PDF
基于深度多尺度一维卷积神经网络的雷达舰船目标识别 被引量：31
6
作者 郭晨 简涛 +2 位作者 徐从安 何友 孙顺 《电子与信息学报》 EI CSCD 北大核心 2019年第6期1302-1309,共8页
为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取... 为满足雷达舰船目标识别的高实时性和高泛化性的需求,该文提出了一种基于深度多尺度1维卷积神经网络的目标高分辨1维距离像(HRRP)识别方法。针对高分辨1维距离像特征提取难的问题,所提方法通过共享卷积核的权值,使用多尺度的卷积核提取不同精细度的特征,并构造中心损失函数来提高特征的分辨能力。实验结果表明,该模型可以显著提高目标在非理想条件下的识别正确率,克服目标姿态角敏感性问题,具有良好的鲁棒性和泛化性。 展开更多
关键词 雷达目标识别 高分辨1维距离像 多尺度 卷积神经网络 中心损失函数
在线阅读 下载PDF
基于CEEMDAN与改进一维多尺度卷积神经网络结合的滚动轴承故障诊断
7
作者 马宁 赵荣珍 郑玉巧 《兰州理工大学学报》 北大核心 2025年第1期45-54,共10页
针对滚动轴承信号微弱故障特征提取困难、故障诊断依靠大量专家经验和故障识别率低等问题,提出了融合自适应噪声完备集合经验模态分解与改进一维多尺度卷积神经网络的滚动轴承故障诊断方法.首先,采用自适应噪声完备集合经验模态分解对... 针对滚动轴承信号微弱故障特征提取困难、故障诊断依靠大量专家经验和故障识别率低等问题,提出了融合自适应噪声完备集合经验模态分解与改进一维多尺度卷积神经网络的滚动轴承故障诊断方法.首先,采用自适应噪声完备集合经验模态分解对轴承信号进行消噪处理,并利用皮尔逊相关系数法对所得IMF分量进行信号重构;其次,在网络首层将大尺寸卷积核与空洞卷积结合,并引入金字塔场景解析网络提出改进的一维多尺度卷积神经网络,对故障特征信息进行提取,采用PSO算法对卷积核进行参数寻优;最后,融合多尺度特征信息完成网络学习,并输入Sofmax分类器,实现滚动轴承故障诊断.采用西储大学轴承数据集和HZXT-DS-001型双跨综合故障模拟实验台的滚动轴承故障数据进行了验证.结果表明,相比传统故障诊断方法该方法可以得到良好的诊断结果. 展开更多
关键词 自适应噪声完备集合经验模态分解 一维卷积神经网络 多尺度特征提取 特征可视化 故障诊断
在线阅读 下载PDF
基于改进一维卷积神经网络模型的蛋清粉近红外光谱真实性检测 被引量：1
8
作者 祝志慧 李沃霖 +4 位作者 韩雨彤 金永涛 叶文杰 王巧华 马美湖 《食品科学》 北大核心 2025年第6期245-253,共9页
引入近红外光谱检测技术,构建改进一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)蛋清粉真实性检测模型。该模型基于1D-CNN模型,无需对光谱数据进行预处理;同时在网络中加入有效通道注意力模块和一维全局平均... 引入近红外光谱检测技术,构建改进一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)蛋清粉真实性检测模型。该模型基于1D-CNN模型,无需对光谱数据进行预处理;同时在网络中加入有效通道注意力模块和一维全局平均池化层,提高模型提取光谱特征的能力,减少噪声干扰。结果表明,改进后的EG-1D-CNN模型可判别蛋清粉样本的真伪,对于掺假蛋清粉的检测率可达到97.80%,总准确率(AAR)为98.93%,最低检测限(LLRC)在淀粉、大豆分离蛋白、三聚氰胺、尿素和甘氨酸5种单掺杂物质上分别可达到1%、5%、0.1%、1%、5%,在多掺杂中可达到0.1%~1%,平均检测时间(AATS)可达到0.004 4 s。与传统1D-CNN网络结构及其他改进算法相比,改进后的EG-1D-CNN模型在蛋清粉真实性检测上具有更高精度,检测速度快,且模型占用空间小,更适合部署在嵌入式设备中。该研究可为后续开发针对蛋粉质量检测的便携式近红外光谱检测仪提供一定的理论基础。 展开更多
关键词 蛋清粉 近红外光谱 真实性检测 一维卷积神经网络 深度学习
在线阅读 下载PDF
ISW32离心泵深度一维卷积神经网络故障诊断 被引量：1
9
作者 贺婷婷 张晓婷 +1 位作者 李强 颜洁 《机械设计与制造》 北大核心 2025年第4期213-216,共4页
传统卷积神经网络进行故障诊断过程费时费力,且人工提取特征未必完善。通过搭建离心泵故障诊断实验系统获得采样本,输入到深度一维卷积神经网络中进行故障诊断。通过提高1DCNN深度,为1DCNN模型设置了更多卷积层,最终实现D-1DCNN模型达... 传统卷积神经网络进行故障诊断过程费时费力,且人工提取特征未必完善。通过搭建离心泵故障诊断实验系统获得采样本,输入到深度一维卷积神经网络中进行故障诊断。通过提高1DCNN深度,为1DCNN模型设置了更多卷积层,最终实现D-1DCNN模型达到更强的特征提取能力。通过参数设置对深度一维卷积神经网络进行调节,确定最优的参数范围:学习率为0.01,卷积核选取为(1×3),批处理量为50,采取最大池化条件,以Adam优化器优化实验参数。实验测试研究结果表明:深度一维卷积神经网络在离心泵故障诊断实现了99.97%准确率,可以满足智能故障诊断的要求。该研究对提高ISW32离心泵的故障诊断能量具有很好的实际应用价值。 展开更多
关键词 离心泵 故障诊断 深度一维卷积神经网络 准确率 实验 采样
在线阅读 下载PDF
基于多尺度通道注意力卷积神经网络的轴向柱塞泵故障诊断研究
10
作者 刘增光 张帅迪 +3 位作者 周焱 魏列江 岳大灵 冯珂 《机床与液压》 北大核心 2025年第14期124-130,共7页
针对传统多尺度卷积神经网络对不同尺度的特征只是简单拼接而未考虑特征差异的问题,提出一种基于多尺度通道注意力卷积神经网络(MSCA-CNN)的轴向柱塞泵故障诊断方法。在轴向柱塞泵实验平台上设置5种典型故障(配流盘磨损、斜盘磨损、滑... 针对传统多尺度卷积神经网络对不同尺度的特征只是简单拼接而未考虑特征差异的问题,提出一种基于多尺度通道注意力卷积神经网络(MSCA-CNN)的轴向柱塞泵故障诊断方法。在轴向柱塞泵实验平台上设置5种典型故障(配流盘磨损、斜盘磨损、滑靴磨损、松靴故障、中心弹簧失效),采集6种工作状态(正常状态及5种典型故障)下的z轴振动信号。以小波变换为信号预处理模块,将加速度传感器采集的一维振动信号转化为时频图并作为诊断模型的输入信号,采用不同尺度的卷积核对时频图进行特征提取。通过通道注意力为每个通道赋予不同的权重值,使模型能够集中学习与通道密切相关的特征信息,从而提高轴向柱塞泵的故障分类能力和诊断的效率。搭建轴向柱塞泵故障诊断实验平台,验证所提方法的有效性。结果表明:该模型对6种工作状态的诊断准确率达到99.65%,相比传统多尺度卷积神经网络模型提高了3.16%,验证了MSCA-CNN模型在轴向柱塞泵故障诊断中的优越性。 展开更多
关键词 故障诊断 卷积神经网络 通道注意力 多尺度特征 柱塞泵
在线阅读 下载PDF
高光谱图像结合一维卷积神经网络的玉米大斑病早期识别
11
作者 路阳 顾福谦 +2 位作者 谷英楠 许思源 王鹏 《光谱学与光谱分析》 北大核心 2025年第8期2302-2310,共9页
大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行... 大斑病在全球各大玉米产区都有出现,降低了玉米的品质和产量。该病害多在病斑明显时识别,难以及时防治。本文提出一维卷积神经网络(1DCNN)高光谱模型,实现早期识别。以玉米大斑病为研究对象,手动接种大斑病后,选取吐丝期的玉米叶片进行试验,此时期刚显现病斑特征,但无法通过视觉属性观察看出是何种病害。首先采用SOC710E光谱仪采集高光谱图像,通过选取感兴趣区域获得玉米叶片的健康和大斑病两种光谱数据。使用SG卷积平滑、多元散射校正(MSC)、标准正态变换(SNV)和去趋势算法(DT)等四种光谱预处理方法,以去除光谱数据中的噪声。分别使用随机森林(RF)和K最近邻(KNN)两种监督学习算法,以准确率作为评价指标,对高光谱图像进行识别。结果表明,MSC为优选的预处理方法,两种模型预测准确率分别为88.13%和86.26%。然后采用竞争性自适应重加权算法对玉米叶片光谱数据进行特征波长提取,从原始的260个波长中优选出48个特征波长。最后建立一维卷积深度学习模型进行分类,识别准确率达到99.61%,相较于传统分类模型KNN、RF、偏最小二乘判别分析(PLS-DA)、反向传播神经网络(BP)、支持向量机(SVM),提出的模型识别准确率分别提高了5.94%、6.88%、6.48%、8.27%、12.12%。高光谱技术结合深度学习模型可以更有效识别玉米大斑病,为实现玉米病害早期识别提供了一种新的思路和方法。 展开更多
关键词 一维卷积神经网络 高光谱图像 玉米 大斑病
在线阅读 下载PDF
基于一维卷积神经网络的钢轨波磨迁移诊断方法
12
作者 王阳 肖宏 +3 位作者 张智海 迟义浩 魏绍磊 方树薇 《铁道学报》 北大核心 2025年第4期115-123,共9页
监测钢轨表面波磨状态是控制铁路环境振动与噪声的必要措施,利用安装在运营列车车体上的加速度传感器实现对钢轨波磨的实时监测,具有低成本、高效和便携的优点。为实现利用车体动态响应识别钢轨波磨,通过小波变换等手段分析钢轨波磨激... 监测钢轨表面波磨状态是控制铁路环境振动与噪声的必要措施,利用安装在运营列车车体上的加速度传感器实现对钢轨波磨的实时监测,具有低成本、高效和便携的优点。为实现利用车体动态响应识别钢轨波磨,通过小波变换等手段分析钢轨波磨激励下车体振动特性,建立车辆-轨道刚柔耦合模型,获取车体垂向加速度仿真数据集。基于一维卷积神经网络搭建钢轨波磨检测模型并在仿真数据集上进行训练,与其他几种常见的检测模型进行对比,最后将模型迁移到实测车体垂向加速度数据集上实现对钢轨波磨的诊断。研究结果表明,钢轨波磨激励的振动能量在运行方向左侧和右侧空气弹簧对应的地板表面位置基本相同,通过车体垂向振动加速度信号无法区分左右两股钢轨的差异。与SVM、LSTM及2D-CNN相比,本文提出的钢轨波磨检测模型精度最高,单个样本推理时间仅为1.00 ms,钢轨波磨识别准确度达92.38%。 展开更多
关键词 钢轨波磨 车载检测 数据驱动 迁移学习 一维卷积神经网络(1D-CNN)
在线阅读 下载PDF
基于多熵融合和多尺度卷积神经网络的风电机组轴承故障诊断方法
13
作者 张天瑞 周连弘 《太阳能学报》 北大核心 2025年第7期429-438,共10页
针对风电机组轴承在运行过程中收集到的故障信号较弱、状态特征难以有效表征的难题,提出一种基于多熵融合与多尺度卷积神经网络的风电机组轴承故障诊断新方法。首先对原始信号进行处理,分解出多个模态分量。随后,通过计算这些模态分量... 针对风电机组轴承在运行过程中收集到的故障信号较弱、状态特征难以有效表征的难题,提出一种基于多熵融合与多尺度卷积神经网络的风电机组轴承故障诊断新方法。首先对原始信号进行处理,分解出多个模态分量。随后,通过计算这些模态分量的多种熵值,构造出多熵融合矩阵,以充分表征信号的复杂特性。在此基础上,通过在卷积神经网络中集成不同尺寸的并行卷积核,设计一种结合多熵融合与多尺度卷积神经网络的故障诊断模型。结果表明,所提出的模型方法具有较好的诊断与泛化能力。 展开更多
关键词 风电机组 故障诊断 轴承 多尺度卷积神经网络 熵特征
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
14
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
基于多尺度卷积神经网络和门控循环单元的离心泵叶轮故障诊断 被引量：1
15
作者 陶付东 智一凡 +4 位作者 李怀瑞 柳应倩 郝达 秦浩洋 付强 《机电工程》 北大核心 2025年第5期885-893,共9页
采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障。针对这一问题,提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先,在卷积神... 采用传统的诊断方法难以准确识别离心泵的关键水力部件叶轮在离心力、流体动力等综合作用情况下产生的机械故障。针对这一问题,提出了一种多尺度卷积神经网络(MCNN)和门控循环单元(GRU)相结合的离心泵叶轮故障诊断方法。首先,在卷积神经网络的基础上引入了循环神经网络,建立了特征提取和故障分类模块,可以自动地对原始输入信号进行空间和时间特征提取并识别关键故障模式;然后,搭建了立式离心泵叶轮故障仿真实验台架,对叶轮不同故障下的泵体振动信号进行了采集,用于训练所提MCNN-GRU诊断模型;最后,利用MCNN和GRU搭建了的诊断模型和其他模型,对叶轮不同故障情况下的振动信号故障识别情况进行了对比,并对抗噪性能进行了分析。研究结果表明:无噪声情况下的单通道诊断准确率超过97.59%,在强噪声条件下多通道诊断准确率达99.13%,优于传统方法,表现出良好的抗噪性能;此外,通过三通道振动数据的融合,诊断准确率达100%,可验证多通道数据融合的优势。该研究结果可为离心泵叶轮故障诊断提供可靠的方案。 展开更多
关键词 离心泵 特征提取 多通道信息融合 多尺度卷积神经网络 门控循环单元
在线阅读 下载PDF
基于多尺度空洞卷积神经网络的滚动轴承故障识别方法
16
作者 汪小虎 赵荣珍 +1 位作者 邓林峰 郑玉巧 《兰州理工大学学报》 北大核心 2025年第3期55-63,共9页
针对现有卷积神经网络模型参数偏多导致滚动轴承智能诊断效率低和识别准确率受限于训练样本数量的问题,提出了基于多尺度空洞卷积神经网络的滚动轴承故障识别方法.该方法首先在模型的输入层采用大尺寸的空洞卷积核和标准卷积核提取一维... 针对现有卷积神经网络模型参数偏多导致滚动轴承智能诊断效率低和识别准确率受限于训练样本数量的问题,提出了基于多尺度空洞卷积神经网络的滚动轴承故障识别方法.该方法首先在模型的输入层采用大尺寸的空洞卷积核和标准卷积核提取一维振动信号的多尺度敏感特征,然后使用尺寸为1×1和3×1的小卷积核以及2×1的最大池化操作对输入层所提取敏感特征进一步提取深层抽象特征,最后用全局平均池化层代替传统卷积神经网络的全连接层.同时,分别采用西储大学轴承故障数据和实验室轴承故障数据进行实验验证.结果表明,该方法泛化性能良好,并且能够在训练样本较少的情况下出色地完成故障识别任务,即使在一定噪声干扰下也能够对轴承微弱故障准确识别. 展开更多
关键词 多尺度空洞卷积神经网络 滚动轴承 故障识别 小样本 微弱故障
在线阅读 下载PDF
一维卷积神经网络在机械故障特征提取中的可解释性研究
17
作者 王芳珍 张小丽 +1 位作者 赵琦武 王保建 《西安交通大学学报》 北大核心 2025年第7期24-35,共12页
针对一维卷积神经网络在机械故障诊断中的内部决策和推断过程未知,导致结果可解释性与可信度不足的问题,从信号特征提取的视角建立信号分析与神经网络之间的相似性联系,通过提取神经网络卷积层权重,观察信号时域、频域特征随网络层的变... 针对一维卷积神经网络在机械故障诊断中的内部决策和推断过程未知,导致结果可解释性与可信度不足的问题,从信号特征提取的视角建立信号分析与神经网络之间的相似性联系,通过提取神经网络卷积层权重,观察信号时域、频域特征随网络层的变化规律,从而揭示神经网络特征提取的本质,并采用实验测试数据和凯斯西储大学轴承公开数据进行验证。结果表明:卷积核可以等效为有限脉冲滤波器,最大池化层能够满足简单二分类任务中神经网络的非线性化要求,此时的卷积层无需添加激活函数;神经网络能够通过逐层提高频率分辨率,寻找到接近理论故障特征频率的频率成分,此行为与傅里叶变换存在相似性;当频谱范围最终分解到1~3倍故障特征频率时,能够更好地完成识别任务。该研究可为揭示卷积神经网络的“黑盒”机制与可解释性提供新的思路与方法。 展开更多
关键词 可解释性 一维卷积神经网络 傅里叶变换 故障诊断 频域
在线阅读 下载PDF
基于二维卷积神经网络的城市暴雨内涝积水模拟预报研究
18
作者 柴永丰 陈敏 +4 位作者 郝彦龙 肖家清 邓蔚珂 吕凯 师鹏飞 《水文》 北大核心 2025年第3期17-24,共8页
城市内涝灾害频发,开展精准高效的预报、预警和预演对于城市内涝防控和防洪排涝规划具有重要意义。基于水动力学模型的城市雨洪模拟面临计算效率低、建模资料需求大等问题,难以支撑“四预”实现。本研究以扬州新城河片区为研究区,建立... 城市内涝灾害频发,开展精准高效的预报、预警和预演对于城市内涝防控和防洪排涝规划具有重要意义。基于水动力学模型的城市雨洪模拟面临计算效率低、建模资料需求大等问题,难以支撑“四预”实现。本研究以扬州新城河片区为研究区,建立时空数据(降雨和地形)驱动的基于二维卷积神经网络的城市内涝积水预测模型,实现研究区全域网格的逐时段模拟。结果表明,模型对积水时空预测性能表现优异,卡帕系数等空间性能指标高于0.80,且半数指标高于0.95,大部分积水点积水深时间序列纳什效率系数为0.80~0.99。相较物理过程模型,训练(率定)和预测效率分别提升77.7倍、285.2倍。研究成果可为城市内涝实时预报、即时预警、快速推演提供技术参考。 展开更多
关键词 城市内涝模拟 二维卷积神经网络(2DCNN) 机器学习 时空特征 快速预报
在线阅读 下载PDF
基于一维卷积神经网络的雷达个体识别算法
19
作者 杨孟璋 农丽萍 +1 位作者 李然 王俊义 《计算机工程与设计》 北大核心 2025年第5期1281-1288,共8页
为解决利用长序列雷达信号对雷达辐射源个体进行分类识别的问题,提出一种融合注意力机制和残差的一维卷积深度神经网络(1CDNN)模型,利用一维卷积从原始长序列雷达信号中直接提取特征,减少模型的参数量。引入注意力机制帮助模型学习利用... 为解决利用长序列雷达信号对雷达辐射源个体进行分类识别的问题,提出一种融合注意力机制和残差的一维卷积深度神经网络(1CDNN)模型,利用一维卷积从原始长序列雷达信号中直接提取特征,减少模型的参数量。引入注意力机制帮助模型学习利用全局信息选择关键特征,提高模型的分类识别精度。引入残差使得模型在缓解梯度消失的同时更容易进行优化和训练。实验结果表明,所提模型在实际采集数据集上具有结构简单、训练难度低、分类识别精度高和收敛速度快的优点。 展开更多
关键词 雷达辐射源识别 长序列雷达信号 深度学习 端到端 一维卷积神经网络 注意力机制 残差学习
在线阅读 下载PDF
基于一维卷积神经网络的家庭用户特征识别方法
20
作者 许继和 朱亮 +2 位作者 晏依 周佳楠 温和 《中国测试》 北大核心 2025年第6期25-30,66,共7页
智能电能表提供用户的用电量数据,可以反应用户的用电特征,从而为家庭用户特征识别提供基础。为实现家庭用户特征识别,该文研究基于智能电能表用电数据的家庭用户特征识别分析方法,设计一种适合于智能电能表用电时间序列数据的一维卷积... 智能电能表提供用户的用电量数据,可以反应用户的用电特征,从而为家庭用户特征识别提供基础。为实现家庭用户特征识别,该文研究基于智能电能表用电数据的家庭用户特征识别分析方法,设计一种适合于智能电能表用电时间序列数据的一维卷积神经网络模型,以智能电能表采集的用户用电数据(一维数据序列)为输入,在网络的前两个卷积层之后去掉池化层以实现早期特征的保存,实现对家庭用户特征的准确分类。为证明本文提出方法的有效性,该文在公开数据集上进行实验,实验表明,该文的方法在多个家庭用户特征分类上获得55%~78%的准确率。 展开更多
关键词 深度学习 一维卷积神经网络 分类 家庭用户特征 智能电能表
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 … 44 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