检索结果-维普期刊中文期刊服务平台

基于小波散射变换与IRCA-ICA-Res结合的电压源控制型静止同步补偿系统的故障诊断: 1; 作者毕贵红张靖超 +3 位作者赵四洪陈仕龙孔凡文陈冬静《电力系统保护与控制》北大核心 2025年第8期144-158,共15页; 为了充分利用电压源控制静止同步补偿器(voltage source controlled static synchronous compensator,VSC-STATCOM)IGBT开路故障电流信号中包含的时频信息,以提高IGBT故障诊断和识别的准确性,提出了一种基于小波散射变换(wavelet scatte... 展开更多; 关键词小波散射变换注意力模块神经网络故障诊断时频信息; 在线阅读下载PDF 职称材料

基于小波散射变换的RC框架结构震后损伤异常智能检测: 2; 作者康帅王自法 +3 位作者周荣环贺东青俞叶李一民《建筑科学与工程学报》北大核心 2025年第2期27-38,共12页; 基于传统方法的地震损伤评估存在精度和效率低的问题,为实现基于结构地震响应观测数据的震后结构损伤快速评估,并有效解决数据类型不平衡的问题,提出基于时频分析与卷积自编码(CAE)模型的损伤异常数据检测方法。首先应用小波散射变换对... 展开更多; 关键词小波散射变换异常检测震后损伤深度学习框架结构; 在线阅读下载PDF 职称材料

基于小波散射变换和MFCC的双特征语音情感识别融合算法被引量：3: 3; 作者应娜吴顺朋 +1 位作者杨萌邹雨鉴《电信科学》北大核心 2024年第5期62-72,共11页; 为了充分挖掘语音信号频谱包含的情感信息以提高语音情感识别的准确性,提出了一种基于小波散射变换和梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)的排列熵加权和偏差调整规则的语音情感识别融合算法(PEW-BAR)。算法首... 展开更多; 关键词语音情感识别小波散射变换排列熵 MFCC 模型融合; 在线阅读下载PDF 职称材料

基于小波散射卷积神经网络的结构损伤识别被引量：7: 4; 作者马亚飞李诚 +2 位作者何羽王磊涂荣辉《振动与冲击》 EI CSCD 北大核心 2023年第14期138-146,共9页; 损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(on... 展开更多; 关键词结构状态评估深度学习小波散射变换卷积神经网络(CNN) 损伤识别; 在线阅读下载PDF 职称材料

题名基于小波散射变换与IRCA-ICA-Res结合的电压源控制型静止同步补偿系统的故障诊断: 1; 作者毕贵红张靖超赵四洪陈仕龙孔凡文陈冬静; 机构昆明理工大学电力工程学院; 出处《电力系统保护与控制》北大核心 2025年第8期144-158,共15页; 基金国家自然科学基金项目资助(51767012)。; 文摘为了充分利用电压源控制静止同步补偿器(voltage source controlled static synchronous compensator,VSC-STATCOM)IGBT开路故障电流信号中包含的时频信息,以提高IGBT故障诊断和识别的准确性,提出了一种基于小波散射变换(wavelet scattering transform,WST)与改进残差通道注意力(improved residual channel attention,IRCA)模块、改进坐标注意力(improved coordinate attention,ICA)模块和残差神经网络(residual neural network,Resnet)相结合的新算法—WST-IRCA-ICA-Res。首先,运用Matlab/Simulink平台仿真不同工况下VSC-STATCOM模块22类故障类型,获取故障样本集。其次,利用WST对故障信号进行自动鲁棒的特征提取,构建包含时频信息的特征矩阵。最后,利用IRCA-ICA-Res模型对特征矩阵进行深层次提取、强化和识别。实验结果表明,所提方法具有较强的抗噪性能,能够高精度识别IGBT故障类型。; 关键词小波散射变换注意力模块神经网络故障诊断时频信息; Keywords wavelet scattering transform attention module neural network fault diagnosis time-frequency information; 分类号 TM761 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于小波散射变换的RC框架结构震后损伤异常智能检测: 2; 作者康帅王自法周荣环贺东青俞叶李一民; 机构河南大学建筑工程学院中国地震局工程力学研究所中建八局发展建设有限公司; 出处《建筑科学与工程学报》北大核心 2025年第2期27-38,共12页; 基金国家自然科学基金项目(51978634) 河南省科技公关项目(232102321076)。; 文摘基于传统方法的地震损伤评估存在精度和效率低的问题,为实现基于结构地震响应观测数据的震后结构损伤快速评估,并有效解决数据类型不平衡的问题,提出基于时频分析与卷积自编码(CAE)模型的损伤异常数据检测方法。首先应用小波散射变换对原时域信号进行处理,生成时频数据;然后建立相应的卷积自编码网络模型,将时频数据输入CAE模型进行重构训练,根据重构误差确定异常判断阈值;基于该阈值精准区分数据中的异常值,并将计算结果与基于时域输入方法的计算结果进行对比分析,最后验证该方法在噪声环境下的有效性。结果表明:基于CAE模型的异常检测方法可以很好地识别损伤数据集中的异常序列,召回率达到了90%以上,且在小波散射变换作用下的异常检测效果更好;时频分析结合CAE模型的损伤异常数据检测方法极大地提升了震后损伤评估的效率,基于小波散射变换的耗时仅为基于传统时域输入方法的1/3,该方法在噪声作用下也表现出较高的检测精度。; 关键词小波散射变换异常检测震后损伤深度学习框架结构; Keywords wavelet scattering transform abnormal detection post earthquake damage deep learning frame structure; 分类号 TU375 [建筑科学—结构工程]; 在线阅读下载PDF 职称材料

题名基于小波散射变换和MFCC的双特征语音情感识别融合算法被引量：3: 3; 作者应娜吴顺朋杨萌邹雨鉴; 机构杭州电子科技大学通信工程学院; 出处《电信科学》北大核心 2024年第5期62-72,共11页; 基金浙江省自然科学基金资助项目(No.LTGS23F010001) 浙江省属高校基本科研业务费专项资金资助项目(No.GK239909299001-406)。; 文摘为了充分挖掘语音信号频谱包含的情感信息以提高语音情感识别的准确性,提出了一种基于小波散射变换和梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)的排列熵加权和偏差调整规则的语音情感识别融合算法(PEW-BAR)。算法首先获取语音信号的小波散射特征和梅尔频率倒谱系数的相关特征;然后按尺度维度扩展小波散射特征,利用支持向量机得到情感识别的后验概率并获得排列熵,并使用排列熵对后验概率进行加权;最后采用一种偏差调整规则进一步融合MFCC的相关特征的识别结果。实验结果表明,在EMODB、RAVDESS和eNTERFACE05数据集上,与传统的基于小波散射系数的语音情感识别方法相比,该算法将ACC分别提高了2.82%、2.85%和5.92%,将UAR分别提升了3.40%、2.87%和5.80%,IEMOCAP上提高了6.89%。; 关键词语音情感识别小波散射变换排列熵 MFCC 模型融合; Keywords speech emotion recognition wavelet scattering transform permutation entropy MFCC model fusion; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于小波散射卷积神经网络的结构损伤识别被引量：7: 4; 作者马亚飞李诚何羽王磊涂荣辉; 机构长沙理工大学土木工程学院浙江省交通工程管理中心; 出处《振动与冲击》 EI CSCD 北大核心 2023年第14期138-146,共9页; 基金国家重点研发计划项目(2019YFC1511000) 国家自然科学基金(52078055) 湖南省自然科学基金创新研究群体(2020JJ10060)。; 文摘损伤识别是结构状态评估领域的关键问题之一,对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破,但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network,1D-CNN)深度学习的结构多类型损伤识别模型,采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换,通过散射系数实现输入层原始数据降维与特征提取,结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上,结合1D-CNN全连接层与Softmax函数实现特征数据分类,从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明:与普通卷积神经网络模型相比,基于小波散射卷积神经网络的结构损伤识别精度显著提升,损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加,小波散射卷积神经网络损伤分类准确率虽略有下降,但仍保持较高精准度,说明该方法具有较强的鲁棒性抗噪能力。; 关键词结构状态评估深度学习小波散射变换卷积神经网络(CNN) 损伤识别; Keywords structural condition assessment deep learning wavelet scattering transform convolutional neural network(CNN) damage identification; 分类号 TU312.3 [建筑科学—结构工程]; 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	基于小波散射变换与IRCA-ICA-Res结合的电压源控制型静止同步补偿系统的故障诊断	毕贵红张靖超赵四洪陈仕龙孔凡文陈冬静	《电力系统保护与控制》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于小波散射变换的RC框架结构震后损伤异常智能检测	康帅王自法周荣环贺东青俞叶李一民	《建筑科学与工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于小波散射变换和MFCC的双特征语音情感识别融合算法	应娜吴顺朋杨萌邹雨鉴	《电信科学》北大核心	2024	3	在线阅读下载PDF 职称材料
4	基于小波散射卷积神经网络的结构损伤识别	马亚飞李诚何羽王磊涂荣辉	《振动与冲击》 EI CSCD 北大核心	2023	7	在线阅读下载PDF 职称材料