-
题名基于多结构数据驱动的车轮扁疤定量识别方法
- 1
-
-
作者
钱新宇
谢清林
陶功权
温泽峰
-
机构
西南交通大学轨道交通运载系统全国重点实验室
-
出处
《浙江大学学报(工学版)》
北大核心
2025年第4期688-697,共10页
-
基金
国家自然科学基金资助项目(U21A20167,52475138,52002342)
四川省自然科学基金青年科学基金资助项目(2022NSFSC1914).
-
文摘
为了快速、准确检测车轮扁疤,提出以不同结构数据为驱动载体的车轮扁疤定量识别方法.将合成的扁疤车轮数据作为车轮不圆激励输入地铁车辆−轨道刚柔耦合动力学模型,获取不同工况下的轴箱振动响应.对轴箱振动响应进行数据规整,制成不同结构形式的样本集,将它与速度信号融合输入多输入卷积神经网络(MCNN)模型进行训练,探究MCNN模型在不同数据结构输入下的性能差异.结果表明:相较于设置的其他输入数据结构,输入数据结构为时域、频域和时频域组合的MCNN模型识别性能最佳,平均绝对百分比误差与拟合度(R2)分别为1.947%和0.9978,耗时相对较低,单个样本为0.1579 ms.经典模型对比实验、速度信息消融实验和实测数据迁移学习实验的结果表明,输入数据结构为时域、频域和时频域组合的MCNN模型具有工程应用价值.
-
关键词
车轮扁疤
定量识别
多结构数据样本集
多输入卷积神经网络
轴箱振动加速度
-
Keywords
wheel flats
quantitative identification
multi-structure data sample set
multi-input convolutional neural network
axlebox vibration acceleration
-
分类号
U231
[交通运输工程—道路与铁道工程]
-
-
题名基于多模态融合的人脸反欺骗技术
被引量：1
- 2
-
-
作者
穆大强
李腾
-
机构
安徽大学电气工程与自动化学院
-
出处
《图学学报》
CSCD
北大核心
2020年第5期750-756,共7页
-
基金
国家自然科学基金项目(61572029)
安徽省杰出青年基金项目(1908085J25)。
-
文摘
在先前的人脸反欺骗方法中大多使用手工提取的特征或者仅使用单一模态上的人脸特征,并且很少注意到多通道色度的差异,因此得到的人脸反欺骗模型的鲁棒性较差以至于无法有效地区分真假面孔。鉴于此,卷积神经网络(CNN)被用作特征提取器来代替手工特征的提取,并且一种有效的多输入CNN模型被提出,以融合多种模态上的人脸特征以实现更具有鲁棒性的人脸反欺骗。通过对人脸图像上的2个不同颜色特征(即HSV和YCbCr)以及时间特征进行联合建模,探索了人脸反欺骗的最佳鲁棒表示。在REPLAY_ATTACK和CASIA-FASD 2个基准数据集上进行的大量实验表明,该方法可实现最先进的性能。且在REPLAY_ATTACK上获得0.23%的错误率(ERR)与0.49%的半错误率(HTER)和在CASIA-FASD数据库上获得1.76%的错误率与3.05%的半错误率。
-
关键词
人脸反欺骗
多模态特征
多输入卷积神经网络
模型鲁棒性
融合
-
Keywords
face anti-spoofing
multimodal feature
multi-input convolutional neural network
model robustness
fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名带式输送机托辊故障检测方法
被引量：9
- 3
-
-
作者
武国平
-
机构
国家能源集团准能集团有限责任公司
-
出处
《工矿自动化》
CSCD
北大核心
2023年第2期149-156,共8页
-
基金
国家自然科学基金项目(51905459)。
-
文摘
针对现有输煤传送机托辊故障检测方法存在识别精度较低、抗环境干扰能力较差、无法长期稳定运行等问题,提出了一种基于融合信号(TFM)及多输入一维卷积神经网络(MI-1DCNN)的输煤传送机托辊故障检测方法。首先,通过拾音器采集输煤传送机沿线托辊运行的音频信号,采用dB4小波无偏风险估计阈值降噪法对信号进行预处理,消除背景噪声,提高信噪比。然后,对降噪音频信号的时域、频域和梅尔频率倒谱系数(MFCC)及其一阶二阶差分系数进行归一化处理,并进行拼接,得到特征TFM。最后,将TFM输入到多尺度卷积核的MI-1DCNN模型,在网络通道末端进行特征融合,通过Softmax函数完成对正常托辊和故障托辊的分类识别。以某煤矿实际采集的输煤传送机托辊音频信号样本对TFM-MI-1DCNN模型进行试验,结果表明:故障托辊平均识别准确率达98.65%,较改进小波阈值降噪-反向传播-径向基函数网络、MFCC-K邻近方法-支持向量机的平均识别准确率分别提高了1.50%和1.03%。现场应用结果表明:该方法下故障托辊平均识别准确率为98.4%,说明该方法适用于现场应用。
-
关键词
输煤传送机
智能巡检机器人
托辊
音频信号
小波阈值降噪
MFCC
多输入一维卷积神经网络
-
Keywords
belt conveyor
intelligent inspection robot
idler
audio signal
wavelet threshold denoising
MFCC
multi-input one-dimensional convolutional neural network
-
分类号
TD634
[矿业工程—矿山机电]
-
