题名 基于深度自编码多维特征融合的慢动目标检测
被引量：3
1
作者
张文涛 许治国 郑霖 杨超
机构
桂林电子科技大学电子工程与自动化学院 桂林电子科技大学广西无线宽带通信与信号处理重点实验室
出处
《计算机工程》
CAS
CSCD
北大核心
2019年第5期143-148,154,共7页
基金
国家自然科学基金(61371107 61565004 +1 种基金 61571143) 国家科技重大专项"高精度位置测量系统在线标定技术研究"(2017ZX02101007-003)
文摘
针对强杂波环境下慢动目标检测存在的多普勒频移低、杂波干扰强、特征提取困难等问题,提出一种多维特征融合的检测算法。利用时频变换和脉冲压缩解析回波信息,提取目标回波时频域和距离像的特征,将特征串联输入到深度自编码网络中进行融合。深度自编码网络通过自主学习提取目标不同维度的特征,增强多维特征联合检测性能。仿真结果表明,与直接利用单域特征的深度自编码以及利用SVM进行目标检测的算法相比,该算法能有效融合时频域与距离像特征,实现特征互补,提高目标检测的鲁棒性与识别精度。
关键词
目标检测 深度 自编码特征 提取多维 特征 融合 时频变换 脉冲压缩
Keywords
target detection deep autoencoder feature extraction multi-dimensional feature fusion time-frequency transform pulse compression
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于多维神经网络深度特征融合的鸟鸣识别算法
被引量：2
2
作者
吉训生 江昆 谢捷
机构
江南大学物联网工程学院“物联网应用技术”教育部工程中心 轻工业先进过程控制重点实验室(教育部) 江苏省先进食品制造装备与技术重点实验室 江南大学物联网工程学院
出处
《信号处理》
CSCD
北大核心
2022年第4期844-853,共10页
基金
国家自然科学基金(61902154) 中央大学基础研究基金(JUSRP11924) +1 种基金 江苏省自然科学基金(BK2019043526) 江苏省重点研发项目-现代农业(BE2018334)。
文摘
为了进一步提高夜间迁徙鸟鸣监测的准确率,提出一种基于多维神经网络深度特征融合的鸟鸣识别算法。首先,提取鸟鸣对数尺度的梅尔谱图作为VGG Style模型的训练特征,增强时频谱图的能量分布,通过Mix up数据混合生成虚拟数据以减少模型的过拟合。之后,将预训练的VGG Style作为特征提取器对每一段鸟鸣提取深度特征。鉴于不同维度模型的互补性,该文提出分别使用1维CNN-LSTM、2维VGG Style与3维DenseNet121模型作为特征提取器生成高级特征。对于1维CNN-LSTM,使用小波分解作为池化方法,分别对鸟鸣时、频域进行9层小波分解,生成多层LBP特征以获取更丰富的时频信息。最后,对CNN-LSTM与DenseNet121的全连接层进行优化,减少模型参数,提高实时性。实验结果表明,通过融合多维神经网络的深度特征,使用浅层分类器在含有43种鸟类的CLO-43SD数据集中,获得了93.89%的平衡准确率,相较于最新的Mel-VGG与Subnet-CNN融合模型,平衡准确率提高了7.58%。
关键词
鸟鸣识别 1维 CNN-LSTM 2维 VGG Style 3维 DenseNet121 深度 特征 融合
Keywords
bird sound classification 1D CNN-LSTM 2D VGG Style 3D DenseNet121 deep feature fusion
分类号
TP391.42
[自动化与计算机技术—计算机应用技术]
题名 融合双注意力机制的GNN多维时间序列预测
被引量：1
3
作者
范航舟 梅红岩 赵勤 张兴 程耐
机构
辽宁工业大学电子与信息工程学院
出处
《智能系统学报》
CSCD
北大核心
2024年第5期1277-1286,共10页
基金
辽宁省教育厅科学研究项目(JZL202015404,LJKZ0625,JYTMS20230869).
文摘
针对现有多维时间序列数据(multivariate time series,MTS)预测中变量间依赖关系捕获能力不足和时间序列数据多通道信息利用不充分的问题,提出一种融合双注意力机制的多维时间序列预测模型(feature fusion and dual attention mechanism based GNN,FFDA-GNN)。该模型将图神经网络与空间注意力机制融合,用于增强多变量之间依赖关系捕获能力;利用并行的多层膨胀卷积和通道注意力机制,对时间序列数据进行多通道的特征提取,实现对时间序列数据多通道信息的充分利用,从而提升预测性能。在经济、电力、交通3个领域数据集上与基准模型进行对比实验,该模型预测精度优于其他基准方法,有良好的可行性。
关键词
多维 时序预测图神经网络 注意力机制 特征 融合 时间卷积网络 深度 学习卷积神经网络 时空特征
Keywords
multivariate time series forecasting graph neural network attention mechanism feature fusion temporal convolutional network deep learning convolutional neural network spatiotemporal features
分类号
TP391
[自动化与计算机技术—计算机应用技术]
题名 基于特征融合的调制识别增强与迁移演化
被引量：5
4
作者
钱磊 吴昊 乔晓强 张涛 张江
机构
国防科技大学第六十三研究所
出处
《电子测量技术》
北大核心
2022年第18期153-160,共8页
基金
国家自然科学基金(61801496,61801497) 军委科技委基础加强计划技术领域基金(2019-JCJQ-JJ-221)项目资助。
文摘
针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0 dB左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。
关键词
调制识别 深度 学习图像特征 多维 特征 融合 迁移学习
Keywords
modulation recognition deep learning image features multidimensional feature fusion transfer learning
分类号
TN911.7
[电子电信—通信与信息系统]
题名 基于MDFF与ISSA的滚动轴承故障声发射诊断
被引量：2
5
作者
魏巍 王之海 柳小勤 冯正江 李佳慧
机构
昆明理工大学机电工程学院 云南省先进装备智能制造技术重点实验室
出处
《振动与冲击》
EI
CSCD
北大核心
2023年第7期65-76,共12页
基金
国家自然基金(52165065,52165067)。
文摘
针对滚动轴承早期、复合故障难以准确诊断与智能诊断模型超参数确定严重依赖专家先验知识问题,提出一种基于多维深度特征融合(multi-dimensional depth feature fusion, MDFF)与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的滚动轴承故障声发射诊断方法。用一维卷积与线性瓶颈反向残差二维卷积神经网络构建多输入卷积神经网络(convolution neural network, CNN)结构的诊断模型,模型输入为滚动轴承声发射信号及其小波时频图,提出基于布伦纳梯度和信噪比的质量指标,在108种小波基中筛选出最佳时频图以提升输入数据质量。接着,采用特征金字塔网络将模型的一、二维低层与高层特征融合,建立深度融合的诊断模型。然后,将交叉混沌映射、自适应权重及融合的随机游走策略引入麻雀搜索算法中,以自适应获取MDFFCNN最优超参数。试验表明,对比近期多个主流智能诊断算法,所提方法可避免人工选择诊断模型超参数,对滚动轴承早期尤其复合故障具有更高的诊断精度和稳定性,模型诊断过程的智能化水平得到了进一步提高。
关键词
滚动轴承 声发射(AE) 深度 学习改进麻雀搜索(ISSA) 卷积神经网络(CNN) 多维 深度 特征 融合 (mdff )最佳时频图
Keywords
rolling bearing acoustic emission(AE) deep learning improved sparrow search algorithm(ISSA) convolutional neural network(CNN) multi-dimensional depth feature fusion(mdff ) optimal time-frequency diagram
分类号
TH133.331
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
题名 基于层次注意力机制的维度情感识别方法
被引量：4
6
作者
汤宇豪 毛启容 高利剑
机构
江苏大学计算机科学与通信工程学院
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第6期65-72,共8页
基金
国家自然科学基金(61672267,61672268)。
文摘
在连续维度情感识别任务中,每个模态内部凸显情感表达的部分并不相同,不同模态对于情感状态的影响程度也有差别。为此,通过学习各个模态特征并采用合理的融合方式,提出一种基于层次注意力机制的多模态维度情感识别模型。在音频模态中加入频率注意力机制学习频域上下文信息,利用多模态注意力机制将视频特征与音频特征进行融合,依据改进的损失函数对模态缺失问题进行优化,提高模型的鲁棒性以及情感识别的性能。在公开数据集上的实验结果表明,相比于卷积神经网络和长短时记忆网络等方法,该模型一致性相关系数指标明显提升,并且识别效率更高,可适用于大批量数据的维度情感识别。
关键词
多模态 连续维 度情感识别 注意力机制 特征 融合 深度 学习
Keywords
multimodality continuous dimensional emotion recognition attention mechanism feature fusion deep learning
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于注意力机制和改进CLDNN的雷达辐射源识别
被引量：6
7
作者
崔邦彦 田润澜 王东风 崔钢 石静苑
机构
空军航空大学航空作战勤务学院 空军研究院 空军航空大学航空基础学院
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2021年第5期1224-1231,共8页
基金
国家自然科学基金(61571462)资助课题。
文摘
传统的辐射源识别通过比对、匹配辐射源信号与雷达数据库来识别,这种方法很难满足战时高效、快速和准确的识别要求。随着机器学习方法的提出,诸如支持向量机等算法在辐射源识别领域的运用,可以满足战时高效、快速的识别要求,但这种方法在低信噪比环境下,辐射源识别准确率低。针对上述问题,采用深度学习,引入注意力机制和特征融合方法,提出注意力机制特征融合一维卷积长短时深度神经网络(attention-mechanism feature-fusion one-dimensional convolution long-short-term-memory deep neural networks,AF1CLDNN)识别模型。实验验证了注意力机制和特征融合方法的有效性,及新识别模型在低信噪比环境下具有较高识别准确率与识别速度。
关键词
辐射源识别 深度 学习时间序列 注意力机制 特征 融合 一维 卷积长短时深度 神经网络
Keywords
emitter identification deep learning time series attention mechanism feature fusion one-dimensional convolutional long-short-term-memory deep neural networks(1CLDNN)
分类号
TN971.1
[电子电信—信号与信息处理]
