-
题名GAE在列车牵引系统早期故障检测中的应用
被引量：2
- 1
-
-
作者
程超
鞠云飞
刘明
陈宏田
韩玲
文韬
-
机构
长春工业大学计算机科学与工程学院
阿尔伯塔大学化学与材料工程系
长春工业大学机电工程学院
北京交通大学电子信息工程学院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2022年第6期73-78,共6页
-
基金
国家自然科学基金资助(61903047,62120106011,52172323)
中央高校基本科研业务费专项资金资助(2021RC271)。
-
文摘
为解决高速列车牵引系统的早期故障检测问题,首先,利用广义自编码器(GAE)处理系统采集的数据;然后,借助携带故障信息的残差生成器来检验统计量,有效增强早期故障检测能力;最后,在高速列车牵引控制仿真平台上,分别针对气隙偏心、转子断条、链路和轴承4种故障进行试验研究,验证其在线应用的有效性。结果表明:GAE的残差生成器具有较强的适用性和灵敏度,能够适应牵引系统的非线性特征,故障检测无误报,漏报概率低于6%。
-
关键词
广义自编码器(gae)
高速列车
牵引系统
早期故障检测
神经网络
-
Keywords
generalized autoencoder(gae)
high-speed train
traction system
incipient fault detection
neural network
-
分类号
X924.3
[环境科学与工程—安全科学]
-
-
题名视觉特征对比解耦的广义零样本学习
- 2
-
-
作者
张志远
杨关
刘小明
刘阳
-
机构
中原工学院
河南省网络舆情监测与智能分析重点实验室
西安电子科技大学
-
出处
《计算机应用研究》
CSCD
北大核心
2023年第6期1912-1920,共9页
-
基金
国家自然科学基金青年项目(61906141)
东北师范大学应用统计教育部重点实验室资助项目(135131007)
河南省高等学校重点科研项目(23A520022)。
-
文摘
广义零样本学习通常利用在ImageNet上预训练的深度模型来提取相应的视觉特征,然而预训练模型提取到的视觉特征不可避免地包含和语义无关的信息,这将导致语义—视觉对齐的偏差以及对不可见类的负迁移,从而影响分类结果。为解决上述问题,提出了视觉特征对比解耦的广义零样本学习模型(visual feature contrast decoupling for generalized zero-shot learning,VFCD-GZSL),通过解耦出视觉特征中的语义相关表示来降低冗余信息对分类结果的影响。具体来说,首先用条件变分自编码器生成不可见类的视觉特征。然后通过解耦模块将视觉特征解耦语义相关和语义无关的潜层表示,同时添加总相关惩罚和对比损失来鼓励两者间的相互独立,并用语义关系匹配模型衡量其语义一致性,从而指导模型学习语义相关表示。最后使用特征细化模块细化后的特征和语义相关表示联合学习一个广义零样本学习分类器。在四个数据集上的实验均取得较优的结果,证实了所提方法的有效性。
-
关键词
广义零样本学习
解耦表征学习
变分自编码器
生成模型
特征融合
-
Keywords
generalized zero-shot learning
decoupling representation learning
variational auto-encoder
generative model
feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于双语义双向对齐VAE的广义零样本学习
- 3
-
-
作者
史彩娟
石泽
闫巾玮
毕阳阳
-
机构
华北理工大学人工智能学院
河北省工业智能感知重点实验室
-
出处
《图学学报》
CSCD
北大核心
2023年第3期521-530,共10页
-
基金
华北理工大学杰出青年基金项目(JQ201715)
唐山市人才项目(A202110011)。
-
文摘
广义零样本学习(GZSL)旨在利用视觉特征和语义信息之间的关系来同时识别可见类和不可见类。现有的大部分方法使用生成模型生成不可见类的伪视觉特征,但一般采用单向对齐VAE且语义原型种类单一,导致不可见类的语义信息非常有限。因此,提出了一种基于双语义双向对齐变分自编码器的广义零样本学习模型,首先采用户定义的属性和词向量两种语义原型,基于双向对齐的VAE分别稳定地生成2种伪视觉特征来获取丰富的语义信息;然后,设计了特征融合模块对2种伪视觉特征进行有效融合,并去除其中的冗余信息,增强伪视觉特征表示;最后,采用分类正则化进一步增强伪视觉特征的类别独立性。在3个基准数据集上进行了大量实验,并与相关算法模型进行了比较,结果表明了该模型的有效性。
-
关键词
广义零样本学习
生成模型
双语义原型
双向对齐变分自编码器
特征融合增强
-
Keywords
generalized zero-shot learning
generative model
double semantic prototypes
bi-directionally aligned VAE
feature fusion and enhancement
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进CAE的物联网终端风险评估模型
- 4
-
-
作者
王君艳
伊鹏
贾洪勇
张建辉
-
机构
郑州大学网络空间安全学院
中国人民解放军战略支援部队信息工程大学信息技术研究所
嵩山实验室
-
出处
《信息网络安全》
CSCD
北大核心
2024年第1期150-159,共10页
-
基金
国家重点研发计划[2022YFB2901403]
河南省重大科技专项[221100210900-01]
中国高校产学研创新基金[2021ITA11021]。
-
文摘
物联网异构终端数量大、结构简单、安全防护能力弱,容易成为攻击目标。针对传统风险评估方法处理不断变化的大量风险因素时,评估机制建立困难,评估效率不高的问题,文章提出基于改进卷积自动编码器的物联网终端风险评估模型(Lightweight Convolutional Autoencoder Combined with Fully Connected Layers and Classifier Model,LCAE-FC)。将更轻量化卷积自动编码器与分类器结合构建模型,使高维特征学习与逐阶降维输出评估概率值一体化;编码器引入深度可分离卷积,每个通道学习广义行为特征内部结构;每个输出特征均进行平均池化,最大限度保留风险信息;全连接层与分类器结合将高维特征抽象后阶梯式降维输出风险概率值。N-BaIoT数据集上的实验结果显示,文章所提模型精确度和F1值均高达99.3%以上,相较传统的CAE、Bi-LSTM和SAE-SBR模型,性能更优。
-
关键词
物联网终端
风险评估
卷积自动编码器
广义行为风险因素
深度可分离卷积
-
Keywords
internet of things terminal
risk assessment
convolutional automatic encoder
broad behavioral risk factors
depth-separable convolution
-
分类号
TP3099
[自动化与计算机技术—计算机系统结构]
-
