-
题名利用可选择多尺度图卷积网络的骨架行为识别
- 1
-
-
作者
曹毅
李杰
叶培涛
王彦雯
吕贤海
-
机构
江南大学机械工程学院
江南大学江苏省食品先进制造装备技术重点实验室
-
出处
《电子与信息学报》
北大核心
2025年第3期839-849,共11页
-
基金
国家自然科学基金(51375209)
江苏省“六大人才高峰”计划(ZBZZ-012)
高等学校学科创新引智计划(B18027)。
-
文摘
针对目前骨架行为识别方法忽视骨架关节点多尺度依赖关系和无法合理利用卷积核进行时间建模的问题,该文提出了一种可选择多尺度图卷积网络(SMS-GCN)的行为识别模型。首先,介绍了人体骨架图的构建原理和通道拓扑细化图卷积网络的结构;其次,构建成对关节邻接矩阵和多关节邻接矩阵以生成多尺度通道拓扑细化邻接矩阵,并引入图卷积网络,进一步提出多尺度图卷积(MS-GC)模块,以期实现对骨架关节点的多尺度依赖关系的建模;然后,基于多尺度时序卷积和可选择大核网络,提出可选择多尺度时序卷积(SMS-TC)模块,以期实现对有用的时间上下文特征的充分提取,同时结合MS-GC和SMS-TC模块,进而提出可选择多尺度图卷积网络模型并在多支流数据输入下进行训练;最后,在NTU-RGB+D和NTU-RGB+D 120数据集上进行大量实验,实验结果表明,该模型能够捕获更多的关节特征和学习有用的时间信息,具有优异的准确率和泛化能力。
-
关键词
骨架行为识别
图卷积网络
多尺度通道拓扑细化邻接矩阵
可选择多尺度时序卷积
可选择多尺度图卷积网络
-
Keywords
Skeleton-based action recognition
Graph Convolutional Network(GCN)
Multi-scale channel-wise topology refinement adjacency matrix
Selective multi-scale temporal convolution
Selective multi-scale graph convolutional network
-
分类号
TN911.73
[电子电信—通信与信息系统]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名融合注意力的双分支时空卷积脑电识别网络
- 2
-
-
作者
谷学静
周记帆
郭志斌
-
机构
华北理工大学电气工程学院
唐山市数字媒体工程研究中心
-
出处
《现代电子技术》
北大核心
2025年第18期159-164,共6页
-
基金
唐山市沉浸式虚拟环境基础仿真团队项目(18130221A)。
-
文摘
针对运动想象脑电信号特征表达能力弱、分类识别准确率低等问题,提出一种融合注意力机制的双分支时空卷积运动想象识别网络。为解决数据量少的问题,提出一种改进的滑动窗口技术进行数据增强;然后将数据输入到特征提取网络中,采用双分支结构同时提取时间和空间特征。时间分支上,采用多尺度时序卷积提取不同尺度下的时间特征;空间分支上,使用深度可分离卷积提取深层次的空间特征。最后,采用注意力机制为融合特征动态分配权重。与其他方法的对比结果表明,所提出的网络模型具有较好的分类性能和泛化能力。
-
关键词
脑电信号
运动想象
多尺度时序卷积
双分支结构
数据增强
注意力机制
-
Keywords
EEG signal
motor imagery
multi-scale temporal convolution
dual-branch structure
data augmentation
attention mechanism
-
分类号
TN911.7-34
[电子电信—通信与信息系统]
-
-
题名基于多尺度TCN的锂离子电池RUL预测
- 3
-
-
作者
彭鹏
万民惠
张领先
陈满
谭启鹏
李勇琦
-
机构
南方电网调峰调频发电有限公司储能科研院
北京四方继保自动化股份有限公司
-
出处
《电池》
CAS
北大核心
2024年第5期649-654,共6页
-
基金
国家重点研发计划项目(2021YFB2402004)
中国南方电网有限责任公司创新项目(STKJXM20210091)。
-
文摘
为降低容量回升和噪声对锂离子电池剩余使用寿命(RUL)预测的影响,提出利用运行数据和容量数据的时序信息,基于多尺度时序卷积网络(TCN)的RUL联合预测方法。使用变分模态分解(VMD)法分解锂离子电池原始容量数据,将衰减过程中的非线性特征和主要衰减趋势分别分解到高频分量和低频分量;针对高频分量,使用多尺度TCN进行滚动迭代预测,以捕获容量的短期变化;针对低频分量,从运行数据中提取特征,输入多尺度TCN进行预测,以捕获容量的长期趋势;最后,将预测结果还原为容量预测值。基于美国航空航天局(NASA)数据集验证的结果表明,该方法的容量预测误差均方根误差(RMSE)最小值为0.0111,相应的平均绝对误差(MAE)最小值为0.0086,RUL预测误差基本在2次循环以内。
-
关键词
锂离子电池
剩余使用寿命(RUL)
联合预测
变分模态分解
多尺度时序卷积网络(TCN)
-
Keywords
Li-ion battery
remaining useful life(RUL)
joint prediction
variational mode decomposition
multi-scale temporal convolutional network(TCN)
-
分类号
TM912.9
[电气工程—电力电子与电力传动]
-
-
题名融合多尺度TCN与动态注意力的电池容量预测
- 4
-
-
作者
黄强
陈一童
王备
姚沐妧
-
机构
中国南方电网有限责任公司
-
出处
《电池》
2025年第5期1034-1041,共8页
-
基金
国家重点研发计划(2021YFB2700500)。
-
文摘
剩余容量的准确预测,对提升锂离子电池使用效率和延长寿命十分重要。传统的时序卷积注意力网络(TCN-Attention)模型,仅使用固定的单一时间窗口卷积核与权重固定的全局注意力机制,未针对时间序列中的关键时段进行重点关注,容易丢失对不同时间跨度特征的捕捉能力。基于这一问题,提出一种融合多尺度时间卷积网络与动态注意力机制的改进模型,并通过跳跃残差连接进一步优化网络结构,增强模型对短期和长期特征的综合提取能力,提高了预测的准确性。实验结果表明,该模型在锂离子电池剩余容量预测任务中的均方误差(MSE)和均方根误差(RMSE)与TCN-Attention相比,分别降低了50.0%和25.9%,达到了0.0005和0.0232。
-
关键词
多尺度时序卷积网络(TCN)
动态注意力机制
卷积神经网络
残差网络
卷积层结构优化
锂离子电池
容量预测
-
Keywords
multi-scale temporal convolutional network(TCN)
dynamic attention mechanism
convolutional neural network
residual network
optimization of convolutional layer structure
Li-ion battery
capacity prediction
-
分类号
TM912.9
[电气工程]
-
