-
题名基于SE-DenseNet的变压器故障诊断
被引量：15
- 1
-
-
作者
郭如雁
彭敏放
曹振其
-
机构
湖南大学电气与信息工程学院
-
出处
《电工电能新技术》
CSCD
北大核心
2021年第1期61-69,共9页
-
基金
国家自然科学基金项目(61973107&61472128)。
-
文摘
由于变压器故障数据有限,采用神经网络诊断容易出现过拟合。通过Wasserstein生成对抗网络(Wasserstein Generative Adversarial Networks,WGAN)数据增强,采用变压器油中溶解气体作为故障诊断参量,本文提出了SE-DenseNet神经网络模型,该模型使用无编码比值法,结合深度稠密神经网络(Densely Connected Convolutional Networks,DenseNet)进行数据融合,特征重复利用以及挤压和激励模块(Squeeze-and-Excitation,SE)的特征图权重值校准的优点,运用指数衰减学习率、dropout、L2正则化、损失函数Adam收敛算法等优化方法,并且在同样数据集下将深度卷积神经网络、DenseNet与SE-DenseNet的三者性能进行定量对比分析。实验结果表明,三者之中本文提出的SE-DenseNet模型收敛速度快,准确率最高,泛化能力最强。
-
关键词
数据增强
无编码比值法
稠密神经网络
特征重复利用
挤压和激励
权重值校准
指数衰减学习率
-
Keywords
data enhancement
non-encoding ratio method
DenseNet
feature reuse
squeeze-and-excitation
weight value calibration
exponential decay learning rate
-
分类号
TM41
[电气工程—电器]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于并行卷积神经网络的图像美学分类
被引量：2
- 2
-
-
作者
刘飞飞
任舒琪
郭波超
朱杨林
-
机构
江西理工大学电气工程与自动化学院
-
出处
《计算机工程与设计》
北大核心
2019年第4期1120-1125,共6页
-
基金
国家自然科学基金项目(61364014)
江西省研究生创新专项资金基金项目(YC2017-S307)
-
文摘
针对传统的图像美学分类大多基于手动提取图片的美学特征,利用神经网络等方法对图像进行分类,存在分类效果不佳的问题,提出一种基于深度学习的并行卷积神经网络算法,改进图像美学分类的方法。从图像的不同角度出发,自动提取有用的图像美学特征,提高对图像美学的分类效果。实验结果表明,与其它算法实验结果相对比,所提算法增加了图像美学分类的准确率,有一定的实用性。
-
关键词
并行卷积神经网络
特征提取
深度学习
图像美学分类
指数衰减学习率
-
Keywords
parallel convolution neural network
feature extraction
deep learning
image aesthetic classification
exponential decay learning rate
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
