检索结果-维普期刊中文期刊服务平台

基于“残差-挤压激励”深度混合卷积网络的土地利用分类被引量：2: 1; 作者王春阳张英杰 +3 位作者李长春芦碧波张合兵吴喜芳《农业工程学报》 EI CAS CSCD 北大核心 2022年第1期305-313,共9页; 土地利用变化的监测需要高精度的土地利用分类图,遥感技术的发展为这一工作提供了便利。然而,传统分类方法往往无法针对性的利用影像中的信息,其分类结果中地物边缘信息模糊,分类精度不高且噪声较大,难以满足土地变化监测的需要。该研... 展开更多; 关键词土地利用影像分类残差-挤压激励混合卷积网络特征提取; 在线阅读下载PDF 职称材料

融合卷积神经网络和注意力机制的负荷识别方法被引量：2: 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... 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 职称材料

融合残差SENet的毫米波大规模MIMO信道估计被引量：1: 3; 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... 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 职称材料

基于SE-DSCNN的MMC开关管故障诊断方法被引量：12: 4; 作者曾昭瑢何怡刚《电力自动化设备》 EI CSCD 北大核心 2022年第5期104-111,共8页; 为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN)。该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合... 展开更多; 关键词 MMC 开关管故障挤压-激励模块深度可分离卷积神经网络故障诊断; 在线阅读下载PDF 职称材料

结合SE与BiSRU的Unet的音乐源分离方法被引量：5: 5; 作者张瑞峰白金桐 +1 位作者关欣李锵《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第11期106-115,134,共11页; 音乐源分离在音乐信息检索领域有着重要的研究价值。传统音乐源分离方法存在依赖假设、模型复杂度有限、表示能力不足等问题。能应对这些问题的时域深度学习端到端网络模型训练耗时长,且分离性能有待提升。为进一步改善时域端到端分离... 展开更多; 关键词音乐源分离 U型网络时域端到端分离模型简单循环单元挤压-激励块组归一化; 在线阅读下载PDF 职称材料

题名基于“残差-挤压激励”深度混合卷积网络的土地利用分类被引量：2: 1; 作者王春阳张英杰李长春芦碧波张合兵吴喜芳; 机构河南理工大学计算机科学与技术学院河南理工大学测绘与国土信息工程学院; 出处《农业工程学报》 EI CAS CSCD 北大核心 2022年第1期305-313,共9页; 基金国家自然科学基金资助项目(41871333) 河南理工大学博士基金资助项目(B2021-19) 河南省科技攻关项目(222102110038,222102210131)。; 文摘土地利用变化的监测需要高精度的土地利用分类图,遥感技术的发展为这一工作提供了便利。然而,传统分类方法往往无法针对性的利用影像中的信息,其分类结果中地物边缘信息模糊,分类精度不高且噪声较大,难以满足土地变化监测的需要。该研究针对传统方法分类结果不理想的问题,提出一种基于“残差-挤压激励”单元的混合卷积神经网络模型,采用膨胀卷积层对影像进行“光谱-空间”特征提取,并引入“残差-挤压激励”单元,实现特征重用的同时,选择性的强调信息性特征,对噪声性特征进行抑制,最后对得到的特征进行整合实现对遥感影像的分类。该研究提出的模型与k-最邻近算法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)、二维卷积网络(2D-Convolutional Neural Network, 2D-CNN)以及混合卷积网络(HybridSN)相比,在试验数据集上总体精度分别提高了11.15个百分点、11.18个百分点、0.06个百分点和2.46个百分点。且有效减少了地物边缘信息的损失,验证了该方法的有效性。此外,基于该方法分类结果统计出的耕地面积与试验区真实耕地面积仅相差0.77%,误差绝对值远低于其他分类方法。; 关键词土地利用影像分类残差-挤压激励混合卷积网络特征提取; Keywords land use images classification residual error-extrusion excitation mixed convolution network feature extraction; 分类号 TP79 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

题名融合卷积神经网络和注意力机制的负荷识别方法被引量：2: 2; 作者赵毅涛李钊刘兴龙骆钊王钢沈鑫; 机构云南电网有限责任公司昆明理工大学电力工程学院; 出处《电力工程技术》北大核心 2025年第1期227-235,共9页; 基金国家自然科学基金资助项目(52277104,51907084) 云南省重点研发计划资助项目(202303AC100003)。; 文摘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。; 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; Keywords non-intrusive load monitoring(NILM) load identification convolutional neural network(CNN) squeeze-and-excitation network(senet) attention mechanism feature extraction U-I trajectory; 分类号 TM933 [电气工程—电力电子与电力传动]; 在线阅读下载PDF 职称材料

题名融合残差SENet的毫米波大规模MIMO信道估计被引量：1: 3; 作者刘庆利杨国强张振亚; 机构大连大学信息工程学院大连大学通信与网络重点实验室; 出处《电讯技术》北大核心 2024年第4期512-519,共8页; 基金国家自然科学基金资助项目(61931004)。; 文摘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。; 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); Keywords millimeter wave massive MIMO channel estimation conditional generative adversarial network(CGAN) squeeze-and-excitation network(senet); 分类号 TN929.5 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于SE-DSCNN的MMC开关管故障诊断方法被引量：12: 4; 作者曾昭瑢何怡刚; 机构武汉大学电气与自动化学院; 出处《电力自动化设备》 EI CSCD 北大核心 2022年第5期104-111,共8页; 基金国家自然科学基金资助项目(51977153,51977161,51577046) 国家自然科学基金重点项目(51637004) +2 种基金武汉市科技计划项目(20201G01)。; 文摘为了实现模块化多电平变换器(MMC)子模块开关管的故障诊断,提出了一种基于挤压-激励模块的深度可分离卷积神经网络(SE-DSCNN)。该网络直接利用原始电容电压数据,不需要任何的特征提取算法,能够自动提取隐藏在原始数据中的深层特征,结合挤压-激励模块以突出通道域中具有代表性的特征,利用深度可分离卷积(DSC)来减少网络的计算量。利用滑动时间窗口将数据分段并归一化后输入提前训练好的最优模型中,模型输出预测标签。通过与其他人工特征提取方法及深度学习方法进行对比,结果表明模型参数量比具有相同卷积层数的标准卷积神经网络(CNN)减少了70.92%左右。所提方法在已有样本片段上的分类准确率及不同故障时期的诊断正确率均达99%及以上,诊断单个样本片段所需的时间约为0.34 ms,不但能区分故障早期的耦合性特征,还能实现准确、可靠、高效、快速的故障诊断。; 关键词 MMC 开关管故障挤压-激励模块深度可分离卷积神经网络故障诊断; Keywords MMC switch failure squeeze-and-excitation module depthwise separable convolutional neural network fault diagnosis; 分类号 TM46 [电气工程—电器]; 在线阅读下载PDF 职称材料

题名结合SE与BiSRU的Unet的音乐源分离方法被引量：5: 5; 作者张瑞峰白金桐关欣李锵; 机构天津大学微电子学院; 出处《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心 2021年第11期106-115,134,共11页; 基金国家自然科学基金资助项目(61471263) 天津市自然科学基金资助项目(16JCZDJC31100)。; 文摘音乐源分离在音乐信息检索领域有着重要的研究价值。传统音乐源分离方法存在依赖假设、模型复杂度有限、表示能力不足等问题。能应对这些问题的时域深度学习端到端网络模型训练耗时长,且分离性能有待提升。为进一步改善时域端到端分离模型的表示能力和计算效率,在目前时域分离性能最优的Demucs模型基础上进行改进,提出了一种端对端网络Unet-SE-BiSRU。该模型在广义编码层和解码层中引入了注意力机制,采用挤压-激励块(SE)根据待分离音频的种类有选择地提取特征;在一维卷积后增加组归一化,以应对在学习过程中可能出现的梯度爆炸或梯度消失问题;将双向长短期记忆网络改进为双向简单循环单元(BiSRU),进一步提高了学习的并行性,且降低了模型参数量。实验结果表明,改进后的网络模型的信噪比指标提升了0.34 dB,在目前检索到的文献的时域端对端方法中取得了最好的分离性能,并且训练时间缩短为源模型的2/5。; 关键词音乐源分离 U型网络时域端到端分离模型简单循环单元挤压-激励块组归一化; Keywords music source separation Unet time domain end-to-end separation model simple recurrent unit squeeze-and-excitation group normalization; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 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“残差-挤压激励”深度混合卷积网络的土地利用分类	王春阳张英杰李长春芦碧波张合兵吴喜芳	《农业工程学报》 EI CAS CSCD 北大核心	2022	2	在线阅读下载PDF 职称材料
2	融合卷积神经网络和注意力机制的负荷识别方法	赵毅涛李钊刘兴龙骆钊王钢沈鑫	《电力工程技术》北大核心	2025	2	在线阅读下载PDF 职称材料
3	融合残差SENet的毫米波大规模MIMO信道估计	刘庆利杨国强张振亚	《电讯技术》北大核心	2024	1	在线阅读下载PDF 职称材料
4	基于SE-DSCNN的MMC开关管故障诊断方法	曾昭瑢何怡刚	《电力自动化设备》 EI CSCD 北大核心	2022	12	在线阅读下载PDF 职称材料
5	结合SE与BiSRU的Unet的音乐源分离方法	张瑞峰白金桐关欣李锵	《华南理工大学学报（自然科学版）》 EI CAS CSCD 北大核心	2021	5	在线阅读下载PDF 职称材料