期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
混合深度CNN联合注意力的高光谱图像分类
被引量：
9
1
作者
王燕
吕艳萍
《计算机科学与探索》
CSCD
北大核心
2023年第2期385-395,共11页
深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出...
深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(HDC-Attention)的模型。首先利用核主成分分析(KPCA)和小批量K均值(MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。
展开更多
关键词
高光谱图像分类
核
主
成分
分析
(KPCA)
卷积神经网络(CNN)
光谱-空间
注意力
机制
深度学习
在线阅读
下载PDF
职称材料
基于KPCA-SENet的晶闸管退化特征提取与表征方法
2
作者
陈权
吴骏
+3 位作者
陈忠
祝琳
郑常宝
黄宇
《半导体技术》
2025年第8期851-859,共9页
晶闸管长期使用后会出现不可逆的性能下降,达到一定阈值后引发电路故障的概率会大幅上升,给特高压系统带来严重风险。为了保证特高压电网系统的安全运行,晶闸管的可靠性分析与退化状态评估尤为重要。通过仿真模拟加速寿命试验获取晶闸...
晶闸管长期使用后会出现不可逆的性能下降,达到一定阈值后引发电路故障的概率会大幅上升,给特高压系统带来严重风险。为了保证特高压电网系统的安全运行,晶闸管的可靠性分析与退化状态评估尤为重要。通过仿真模拟加速寿命试验获取晶闸管的通态压降、反向恢复电荷、反向漏电流及反向恢复峰值电流的退化数据。首先通过结合局部均值分解(LMD)和自适应阈值对称小波基(symN)的方法进行降噪预处理,再通过结合核主成分分析(KPCA)与通道域注意力机制(SENet)对退化特征进行提取与融合,最后通过转换函数拟合建立综合退化指标(CDI),实现对晶闸管的退化表征。采用多个指标对该方法进行验证,结果表明CDI与退化特征参数及退化时间呈现出高度的相关性,证实了该方法的有效性。
展开更多
关键词
晶闸管
可靠性
特征提取
退化
表征方法
核
主
成分
分析与
通道
注意力
机制
(
kpca-senet
)
在线阅读
下载PDF
职称材料
基于KPCA和TCN-Attention的滚动轴承退化趋势预测
被引量：
11
3
作者
严帅
熊新
《电子测量技术》
北大核心
2022年第15期28-34,共7页
为准确地对滚动轴承退化趋势进行预测,提出了KPCA和TCN-attention的组合预测方法。首先,利用KPCA对轴承的高维特征集进行非线性特征提取,并将第一主成分作为轴承的性能退化指标,对第一主成分进行归一化和平滑预处理;然后,在时间卷积网络...
为准确地对滚动轴承退化趋势进行预测,提出了KPCA和TCN-attention的组合预测方法。首先,利用KPCA对轴承的高维特征集进行非线性特征提取,并将第一主成分作为轴承的性能退化指标,对第一主成分进行归一化和平滑预处理;然后,在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数,找出TCN提取每个时间步的局部特征中贡献最大的部分,进而筛选出关键信息;最后,利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证,实验结果表明,与未加注意力机制的TCN和GRU、LSTM对比,所提方法的外圈RMSE和MAE预测指标分别降低至0.002 99和0.002 17,内圈RMSE和MAE预测指标分别降低至0.034 01和0.024 90,具有更高地预测准确性。
展开更多
关键词
滚动轴承
核
主
成分
分析
时间卷积网络
注意力
机制
在线阅读
下载PDF
职称材料
题名
混合深度CNN联合注意力的高光谱图像分类
被引量：
9
1
作者
王燕
吕艳萍
机构
兰州理工大学计算机与通信学院
出处
《计算机科学与探索》
CSCD
北大核心
2023年第2期385-395,共11页
基金
国家自然科学基金(61863025)
甘肃省重点研发计划-工业类(18YF1GA060)。
文摘
深度学习中的卷积神经网络(CNN)能充分利用计算机的计算能力,高效地提取遥感图像的特征,取得很好的成果,特别是在高光谱图像分类方面取得了很大的进展。为了在有限的高光谱样本上充分提取光谱和空间特征,提高高光谱图像分类的精度,提出了混合深度卷积联合注意力(HDC-Attention)的模型。首先利用核主成分分析(KPCA)和小批量K均值(MBK-means)对高光谱图像进行组合降维,有效地消除数据冗余并保留主要信息量,使得降维后的数据具有最佳区分度。然后将降维后的数据输入HDC网络进行充分的光谱-空间特征提取。最后利用光谱-空间注意力,重新分配光谱-空间特征的权重,增强有用的空谱特征,抑制无用的特征。提出的模型在三个公开数据集上进行了多次实验,在有限的标记样本下,三个数据集的OA、AA、Kappa分类指标均超过99%。
关键词
高光谱图像分类
核
主
成分
分析
(KPCA)
卷积神经网络(CNN)
光谱-空间
注意力
机制
深度学习
Keywords
hyperspectral image classification
kernel principal component analysis(KPCA)
convolutional neural networks(CNN)
spectral-spatial attention mechanism
deep learning
分类号
TP751.1 [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
基于KPCA-SENet的晶闸管退化特征提取与表征方法
2
作者
陈权
吴骏
陈忠
祝琳
郑常宝
黄宇
机构
安徽大学工业节电与电能质量控制协同创新中心
出处
《半导体技术》
2025年第8期851-859,共9页
基金
安徽省自然科学基金(JZ2023GJDQ0018)。
文摘
晶闸管长期使用后会出现不可逆的性能下降,达到一定阈值后引发电路故障的概率会大幅上升,给特高压系统带来严重风险。为了保证特高压电网系统的安全运行,晶闸管的可靠性分析与退化状态评估尤为重要。通过仿真模拟加速寿命试验获取晶闸管的通态压降、反向恢复电荷、反向漏电流及反向恢复峰值电流的退化数据。首先通过结合局部均值分解(LMD)和自适应阈值对称小波基(symN)的方法进行降噪预处理,再通过结合核主成分分析(KPCA)与通道域注意力机制(SENet)对退化特征进行提取与融合,最后通过转换函数拟合建立综合退化指标(CDI),实现对晶闸管的退化表征。采用多个指标对该方法进行验证,结果表明CDI与退化特征参数及退化时间呈现出高度的相关性,证实了该方法的有效性。
关键词
晶闸管
可靠性
特征提取
退化
表征方法
核
主
成分
分析与
通道
注意力
机制
(
kpca-senet
)
Keywords
thyristor
reliability
feature extraction
degradation
characterization method
kernel principal component analysis and channel-domain attention mechanism(
kpca-senet
)
分类号
TN345 [电子电信]
TN306 [电子电信—物理电子学]
在线阅读
下载PDF
职称材料
题名
基于KPCA和TCN-Attention的滚动轴承退化趋势预测
被引量：
11
3
作者
严帅
熊新
机构
昆明理工大学信息工程与自动化学院
云南省人工智能重点实验室
出处
《电子测量技术》
北大核心
2022年第15期28-34,共7页
基金
国家自然科学基金(51765022)项目资助。
文摘
为准确地对滚动轴承退化趋势进行预测,提出了KPCA和TCN-attention的组合预测方法。首先,利用KPCA对轴承的高维特征集进行非线性特征提取,并将第一主成分作为轴承的性能退化指标,对第一主成分进行归一化和平滑预处理;然后,在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数,找出TCN提取每个时间步的局部特征中贡献最大的部分,进而筛选出关键信息;最后,利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证,实验结果表明,与未加注意力机制的TCN和GRU、LSTM对比,所提方法的外圈RMSE和MAE预测指标分别降低至0.002 99和0.002 17,内圈RMSE和MAE预测指标分别降低至0.034 01和0.024 90,具有更高地预测准确性。
关键词
滚动轴承
核
主
成分
分析
时间卷积网络
注意力
机制
Keywords
rolling bearing
kernel principal component analysis
time convolutional network
attention mechanism
分类号
TH17 [机械工程—机械制造及自动化]
TN911 [电子电信—通信与信息系统]
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
混合深度CNN联合注意力的高光谱图像分类
王燕
吕艳萍
《计算机科学与探索》
CSCD
北大核心
2023
9
在线阅读
下载PDF
职称材料
2
基于KPCA-SENet的晶闸管退化特征提取与表征方法
陈权
吴骏
陈忠
祝琳
郑常宝
黄宇
《半导体技术》
2025
在线阅读
下载PDF
职称材料
3
基于KPCA和TCN-Attention的滚动轴承退化趋势预测
严帅
熊新
《电子测量技术》
北大核心
2022
11
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
