期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到10篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于门控混合专家网络的实时相关推荐方法
1
作者 李鹏 管紫薇 杭帆 《计算机工程与设计》 北大核心 2025年第2期515-522,共8页
针对传统推荐模型难以实现对同一个主题的文章连续扩展的问题,提出一种基于门控混合专家网络的实时相关推荐方法。从低维稠密向量交互、语义特征相似性和不同特征字段之间的依赖程度等多个维度捕获特征作为专家网络;通过多门控制的混合... 针对传统推荐模型难以实现对同一个主题的文章连续扩展的问题,提出一种基于门控混合专家网络的实时相关推荐方法。从低维稠密向量交互、语义特征相似性和不同特征字段之间的依赖程度等多个维度捕获特征作为专家网络;通过多门控制的混合专家策略和分层注意力机制,综合考虑这些专家网络;利用最终学习到的深层特征,预测推荐评分和项目点击概率,获得用户对项目的满意度。实验结果表明,与其它基线模型对比,AUC指标最多可提高0.35%,Logloss指标最多可降低0.76%,消融实验也验证了各个部分的有效性,说明了该模型的可行性与准确性。 展开更多
关键词 实时推荐算法 多门控制的混合专家策略 注意力机制 卷积神经网络 挤压激励网络 门控网络 语义特征相似性
在线阅读 下载PDF
融合卷积神经网络和注意力机制的负荷识别方法 被引量：1
2
作者 赵毅涛 李钊 +3 位作者 刘兴龙 骆钊 王钢 沈鑫 《电力工程技术》 北大核心 2025年第1期227-235,共9页
对居民住宅进行非侵入式负荷监测(non-intrusive load monitoring,NILM)是智能电网用户需求侧的重要研究内容,居民负荷的能耗分析和用电管理是实现节能减排、可持续发展的关键环节。针对传统算法识别性能差、难以适应当下复杂用电环境... 对居民住宅进行非侵入式负荷监测(non-intrusive load monitoring,NILM)是智能电网用户需求侧的重要研究内容,居民负荷的能耗分析和用电管理是实现节能减排、可持续发展的关键环节。针对传统算法识别性能差、难以适应当下复杂用电环境的问题,文中从增强分类算法特征提取性能的优化思路出发,提出融合卷积神经网络(convolutional neural network,CNN)和自注意力机制的NILM负荷识别方法。首先,采集8种不同家用电器的电力数据,建立U-I轨迹曲线数据库;其次,采用挤压-激励网络(squeeze-and-excitation network,SENet)注意力机制提升CNN的特征聚合能力,完成对不同电器U-I轨迹曲线的特征提取和负荷识别;最后,对私有数据集和PLAID数据集进行测试,算例结果表明,所提方法在不同运行场景下均具有较高的识别准确率和较好的泛化性能。 展开更多
关键词 非侵入式负荷监测(NILM) 负荷识别 卷积神经网络(CNN) 挤压-激励网络(SENet) 注意力机制 特征提取 U-I轨迹
在线阅读 下载PDF
基于多粒度时间卷积网络的超短期风功率预测 被引量：7
3
作者 江国乾 徐向东 +3 位作者 白佳荣 何群 谢平 单伟 《太阳能学报》 EI CAS CSCD 北大核心 2024年第5期104-111,共8页
针对传统风功率预测方法通常基于固定时间粒进行研究,但该类方法往往忽略了其他时间粒度对风功率的影响的问题,提出一种基于多粒度时间卷积网络(MGTCN)的超短期风功率预测方法,使用时间卷积网络来挖掘多粒度视角下的风力机数据特征,并... 针对传统风功率预测方法通常基于固定时间粒进行研究,但该类方法往往忽略了其他时间粒度对风功率的影响的问题,提出一种基于多粒度时间卷积网络(MGTCN)的超短期风功率预测方法,使用时间卷积网络来挖掘多粒度视角下的风力机数据特征,并设计多粒度特征融合模块来增强模型的鲁棒性,提高风功率预测精度。首先,利用随机森林算法(RF)得到与输出功率相关性较强的部分特征数据;然后,对筛选后的特征数据进行多粒度划分,通过时间卷积网络(TCN)提取各个粒度的独立特征。最后,使用挤压激励网络(SENet)对不同粒度特征进行自适应加权融合,得到最终预测值。采用中国某风场数据进行算例分析,结果表明相较于其他方法,所提方法在24步预测任务和6步预测任务上取得了最佳的预测性能,具有较高的准确性和稳定性。在24步预测任务上归一化均方根误差、归一化平均绝对值误差和决定系数指标分别为0.152、0.108和0.7214,在6步预测任务上各指标分别为0.1027,0.0683和0.8717。 展开更多
关键词 风功率 预测 随机森林 多粒度计算 时间卷积网络 挤压激励网络
在线阅读 下载PDF
基于Order-Aware网络内点筛选网络的电力巡线航拍图像拼接 被引量：1
4
作者 回立川 李万禹 陈艺琳 《计算机应用》 CSCD 北大核心 2022年第5期1583-1590,共8页
电力巡线图像纹理复杂且具有视差变化,针对传统算法获取成对匹配点数量较少、配准精度较低,严重影响电力巡线无人机图像拼接效果等问题,提出了一种基于改进OANet的图像拼接算法。首先,借助加速“风”(AKAZE)算法对待拼接电力巡线图像进... 电力巡线图像纹理复杂且具有视差变化,针对传统算法获取成对匹配点数量较少、配准精度较低,严重影响电力巡线无人机图像拼接效果等问题,提出了一种基于改进OANet的图像拼接算法。首先,借助加速“风”(AKAZE)算法对待拼接电力巡线图像进行粗匹配;其次,对OANet中Order-Aware模块添加挤压和激励网络(SENet),从而增强网络对局部和全局上下文信息的抓取能力,得到更精确的成对匹配点;然后,通过MPA算法配准待拼接图像;最后,借助内容压缩感知算法计算重叠区域的最佳缝合线以完成图像拼接。改进OANet相较原OANet的正确匹配点数量增加了10%左右,耗时平均增加了10 ms;与APAP算法、AANAP算法、MPA算法等配准拼接算法相比,所提算法的拼接质量最好,其待拼接图像的重叠区域的均方根误差为0,非重叠区域未发生畸变。实验结果表明,所提算法可快速、稳定地拼接电力巡线航拍图像。 展开更多
关键词 电力巡线 图像拼接 OANet 挤压和激励网络 MPA算法 内容压缩感知算法
在线阅读 下载PDF
基于改进深度残差网络的轴承故障诊断方法 被引量：32
5
作者 田科位 董绍江 +4 位作者 姜保军 裴雪武 汤宝平 胡小林 赵兴新 《振动与冲击》 EI CSCD 北大核心 2021年第20期247-254,共8页
针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitati... 针对滚动轴承在噪声环境中干扰大、工况复杂多变时诊断困难的问题,提出了一种改进深度残差网络的轴承故障诊断方法。对滚动轴承振动信号预处理,得到数据样本,分为训练集和测试集;将基于注意力机制的挤压与激励网络(squeeze-and-excitation networks,SENet)结构引入到残差神经网络残差块之中建立特征提取通道之间的联系,得到改进深度残差网络模型;再将标签化的训练集数据样本输入改进的诊断模型中进行训练;将训练好的诊断模型应用于测试集,输出每种故障的识别结果。在训练过程中,为了抑制过拟合,对原始训练样本进行加噪处理;同时引入了激活函数LReLU和Dropout技巧来提高模型的抗干扰能力。为了验证该模型的诊断性能,选用实验数据进行验证,结果表明该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的故障诊断能力。 展开更多
关键词 滚动轴承 轴承故障诊断 深度残差网络 挤压与激励网络
在线阅读 下载PDF
融合残差SENet的毫米波大规模MIMO信道估计 被引量：1
6
作者 刘庆利 杨国强 张振亚 《电讯技术》 北大核心 2024年第4期512-519,共8页
在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network,SENet)的条件生成对抗网络... 在户外光线追踪场景下,针对毫米波大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统受户外环境噪声干扰导致估计精度低的问题,提出了一种融合残差挤压激励网络(Squeeze-and-Excitation Network,SENet)的条件生成对抗网络的信道估计方法。该方法采用条件生成对抗网络将低分辨率接收信号重建为高分辨率的原始信号完成信道估计,同时在生成器网络中引入SENet网络模块来抑制户外场景下显著性噪声干扰,提高估计精度;最后将残差网络中的残差块添加到SENet的放缩操作后,提高条件生成对抗网络的收敛速度。仿真结果表明,相较于正交匹配追踪算法、卷积神经网络、去噪卷积神经网络和条件生成对抗网络算法,所提方法在户外噪声环境下估计精度平均提高了约2.2 dB,且在高噪声强度下估计精度的提高更为显著。 展开更多
关键词 毫米波大规模MIMO 信道估计 条件生成对抗网络(CGAN) 残差挤压激励网络(SENet)
在线阅读 下载PDF
基于多特征融合的食品图像分类
7
作者 叶志鹏 姜枫 《计算机工程》 CAS CSCD 北大核心 2024年第12期254-264,共11页
随着生活水平的提升,人们对健康饮食的需求与日俱增,食品图像识别成为热门研究课题之一。食品加工和烹饪过程的不同造成了同类食品的形状和颜色存在差异,不同类别的食品也可能会呈现相似的视觉特征,因此食品图像的识别较一般图像识别难... 随着生活水平的提升,人们对健康饮食的需求与日俱增,食品图像识别成为热门研究课题之一。食品加工和烹饪过程的不同造成了同类食品的形状和颜色存在差异,不同类别的食品也可能会呈现相似的视觉特征,因此食品图像的识别较一般图像识别难度更大。为了解决上述问题,提出基于多特征融合的食品图像分类网络MTFNet。首先,将图像的RGB彩色通道数据与局部二值模式(LBP)对应的纹理特征相融合作为骨干挤压和激励网络(SENet)的输入。接着,利用细节注意力模块挖掘不同位置上各通道的权重,进而对各层特征图进行局部增强,提升特征图局部表征能力。然后,利用自注意力机制计算特征图各通道之间的自注意力权重,挖掘特征图间的相关性,提取图像的全局特征。最后,将局部增强特征和全局特征拼接融合后进行图像分类。实验结果表明,在食品图像数据集ETH Food101、ChineseFoodNet和ISIA Food-500上,与目前最佳的多尺度拼图重构网络(MJR-Net)模型相比,MTFNet模型的Top-1准确率分别提高了0.44、1.01和0.66个百分点,取得了更好的识别性能。 展开更多
关键词 食品图像分类 局部二值模式 挤压和激励网络 细节注意力 自注意力
在线阅读 下载PDF
基于SE-CNN和仿真数据的电力系统主导失稳模式智能识别 被引量：17
8
作者 石重托 姚伟 +2 位作者 黄彦浩 汤涌 文劲宇 《中国电机工程学报》 EI CSCD 北大核心 2022年第21期7719-7730,共12页
故障后的主导失稳模式识别是电力系统仿真分析中的一项重要内容,用以指导制定在线应用的紧急控制措施策略表,但实际电网的功角失稳和电压失稳常交织在一起而难以判断。该文探索人工智能在主导失稳模式识别上的应用,提出一种深度学习的... 故障后的主导失稳模式识别是电力系统仿真分析中的一项重要内容,用以指导制定在线应用的紧急控制措施策略表,但实际电网的功角失稳和电压失稳常交织在一起而难以判断。该文探索人工智能在主导失稳模式识别上的应用,提出一种深度学习的方法。该方法基于仿真所得的发电机功角和母线电压数据,直接识别出系统的稳定状态和主导失稳模式,即稳定、功角失稳或电压失稳。采用改进的卷积神经网络(convolutional neural network,CNN)模型实现这一智能方法,即通过引入挤压激励网络模块,显式建模CNN特征通道间的相关关系,自适应调整特征通道的权重,进一步提升CNN的效果。以中国电科院36节点系统和我国东北电网为例进行仿真,结果验证了所提主导失稳模式识别方法相比传统机器学习方法在有效性、准确性和适应性方面存在一定的优势。结果验证了基于人工智能的主导失稳模式识别的可行性和准确性。 展开更多
关键词 电力系统仿真分析 主导失稳模式 功角稳定 电压稳定 挤压激励网络 卷积神经网络
在线阅读 下载PDF
结合改进ResNet与迁移学习的风力机滚动轴承故障诊断方法 被引量：14
9
作者 雷春丽 薛林林 +2 位作者 焦孟萱 张护强 史佳硕 《太阳能学报》 EI CAS CSCD 北大核心 2023年第6期436-444,共9页
为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域... 为解决实际应用中风力机滚动轴承故障训练样本严重不足的问题,提出一种基于改进残差神经网络与迁移学习的小样本滚动轴承故障诊断模型。首先,该模型将挤压与激励网络嵌入到一维残差神经网络中,增加了模型的特征提取能力;其次,使用源域数据对所搭建改进残差神经网络模型进行训练,确定结构和参数,并使用L2正则化和Dropout机制抑制过拟合;然后,引入迁移学习,冻结使用源域数据训练好的部分模型参数,使用少量目标域数据对模型的全连接层参数进行微调;最后,对不同故障的样本进行分类。该方法在凯斯西储大学轴承数据集和本实验室轴承数据集上进行实验验证,实验结果表明:在不同实验条件下,所提方法与其他方法的计算结果进行比较,其均有更高的故障诊断准确度和更强的泛化能力。 展开更多
关键词 风力机 滚动轴承 故障诊断 迁移学习 挤压与激励网络 小样本
在线阅读 下载PDF
基于Seq2point和SERNet的非侵入式负荷分解及识别 被引量：2
10
作者 程志友 储著增 +2 位作者 杨猛 章杨凡 王林茂 《安徽大学学报（自然科学版）》 CAS 北大核心 2022年第4期38-44,共7页
为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机... 为了提高负荷的分解及识别准确度,提出基于序列到点(sequence-to-point,简称Seq2point)和挤压与激励的残差网络(squeeze-and-excitation residual network,简称SERNet)的非侵入式负荷分解和识别方法.使用残差网络提取信息,引入注意力机制挤压和激励网络,对提取的信息进行自适应校准.通过全连接网络映射得到负荷分解结果,进而识别负荷.算例分析结果表明:与其他4种方法比较,该方法有更高的分解及识别准确度. 展开更多
关键词 非侵入式负荷分解 滑动窗口法 序列到点 残差学习 挤压和激励网络
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部