检索结果-维普期刊中文期刊服务平台

基于时频Grad-CAM的调制识别网络可解释分析: 1; 作者梁先明倪帆 +1 位作者陈文洁张家树《西南交通大学学报》 EI CSCD 北大核心 2024年第5期1215-1224,共10页; 针对时频深度学习调制识别方法存在可解释性差的问题,提出一种基于时频梯度加权类激活映射(GradCAM)的调制识别网络可解释框架.该框架通过时频Grad-CAM可视化深度模型中隐含层的关键特征,从视觉上解释网络隐含层提取的时频深度特征对于... 展开更多; 关键词可解释深度学习梯度类加权激活映射调制识别时频分析; 在线阅读下载PDF 职称材料

基于高光谱成像技术的陈皮年份快速鉴别: 2; 作者刘诚赵路路 +2 位作者周松斌刘忆森王庭有《食品工业科技》 CAS 北大核心 2024年第24期243-251,共9页; 陈皮具有较好的经济价值与药用价值,但目前市场上假冒伪劣、以次充好的现象严重。尤其是陈皮陈化年份作为衡量陈皮品质的重要指标,采用人工检测方法准确率与效率较低。为此,本文采用高光谱成像技术结合深度学习方法,建立陈皮陈化年份的... 展开更多; 关键词高光谱成像陈皮陈化年份多层梯度加权类激活映射特征波段; 在线阅读下载PDF 职称材料

基于深度学习的DRFM信号识别: 3; 作者房津辉宋宝军朱明哲《现代雷达》 CSCD 北大核心 2024年第3期54-58,共5页; 针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处... 展开更多; 关键词干扰识别时频变换梯度加权类激活映射导向反向传播深度学习; 在线阅读下载PDF 职称材料

基于可解释卷积神经网络的胚胎血管新生时间模式研究: 4; 作者吕雪倩赵沈佳 +3 位作者李佩伦方路平宁钢民潘清《中国生物医学工程学报》 CAS CSCD 北大核心 2020年第5期524-531,共8页; 理解血管网络新生的时间模式,有助于生物体发育机制研究和肿瘤等疾病的生理病理研究。提出以可解释卷积神经网络(CNN)研究鸡胚胎卵黄膜的血管新生时间模式的方法。基于CNN建立受精3 d后(3dpf)和4 d后(4dpf)的鸡胚胎血管网络图像的分类模... 展开更多; 关键词血管新生卷积神经网络鸡胚胎卵黄膜梯度加权的类激活映射; 在线阅读下载PDF 职称材料

深度学习在内镜下内痔诊断及危险分级中的应用被引量：2: 5; 作者陆建英沈文娟 +6 位作者顾莹沈琳霞张叶群袁金丹张芝芝许春芳朱锦舟《中国内镜杂志》 2023年第2期1-7,共7页; 目的建立内镜下内痔诊断及危险分级的深度学习模型,探讨人工智能辅助内镜下内痔诊疗的可行性。方法收集该院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组(A任务);根据LDRf分级标准,将内痔组进一步分为Rf0组、Rf1组和Rf2组(B任务)... 展开更多; 关键词深度学习内痔消化内镜 LDRf分级梯度加权分类激活映射; 在线阅读下载PDF 职称材料

基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究被引量：13: 6; 作者王冉石如玉 +2 位作者胡升涵鲁文波胡雄《振动与冲击》 EI CSCD 北大核心 2022年第16期224-231,共8页; 常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加... 展开更多; 关键词声成像故障诊断卷积神经网络(CNN) 波叠加法梯度加权类激活图(Grad-CAM); 在线阅读下载PDF 职称材料

基于CNN的键盘电磁信息泄漏识别检测方法: 7; 作者彭一华张杰敏 +1 位作者茅剑李朝锦《太赫兹科学与电子信息学报》 2023年第5期645-651,共7页; 针对键盘电磁信息安全问题,分析了PS/2键盘的工作原理以及信号特征,提出一种基于深度学习的检测方法。该方法针对键盘设备的电磁泄漏信号特征,对卷积神经网络(CNN)结构进行了适应性调整;结合改进的梯度加权类激活映射方法,实现了对键盘... 展开更多; 关键词信息安全电磁信息检测深度学习梯度加权类激活映射; 在线阅读下载PDF 职称材料

题名基于时频Grad-CAM的调制识别网络可解释分析: 1; 作者梁先明倪帆陈文洁张家树; 机构中国电子科技集团公司第十研究所西南交通大学信息科学与技术学院西南交通大学计算机与人工智能学院; 出处《西南交通大学学报》 EI CSCD 北大核心 2024年第5期1215-1224,共10页; 基金国家自然科学基金项目(62071396) 四川省自然科学基金项目(2022NSFSC0531)。; 文摘针对时频深度学习调制识别方法存在可解释性差的问题,提出一种基于时频梯度加权类激活映射(GradCAM)的调制识别网络可解释框架.该框架通过时频Grad-CAM可视化深度模型中隐含层的关键特征,从视觉上解释网络隐含层提取的时频深度特征对于正确与错误识别中的作用,揭示低信噪比环境下网络性能下降的内在机理,并通过量化和排序网络中每层不同卷积核的贡献值来判断网络的冗余程度.仿真实验结果验证了基于时频Grad-CAM的调制识别网络可解释性框架的有效性;可解释分析结果表明,在低信噪比环境下,网络特征提取区域有大量噪声存在,且本文所测试的调制识别网络冗余程度较为严重.; 关键词可解释深度学习梯度类加权激活映射调制识别时频分析; Keywords interpretable deep learning Grad-CAM modulation recognition time frequency analysis; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于高光谱成像技术的陈皮年份快速鉴别: 2; 作者刘诚赵路路周松斌刘忆森王庭有; 机构昆明理工大学机电工程学院广东省科学院智能制造研究所; 出处《食品工业科技》 CAS 北大核心 2024年第24期243-251,共9页; 基金国家自然科学基金(62275056)。; 文摘陈皮具有较好的经济价值与药用价值,但目前市场上假冒伪劣、以次充好的现象严重。尤其是陈皮陈化年份作为衡量陈皮品质的重要指标,采用人工检测方法准确率与效率较低。为此,本文采用高光谱成像技术结合深度学习方法,建立陈皮陈化年份的快速无损鉴别方法。采集4类不同陈化年份的480个陈皮样本的近红外高光谱数据(波长范围为935.61~1720.23 nm),并采用轻量化卷积网络1D-Rep网络建立分类模型。在此网络基础上,提出基于多层梯度加权类激活映射(M-Grad-CAM)的特征波段选择方法,并建立特征波段分类模型。该方法综合加权多个Rep-block层的梯度生成波段重要性曲线,从而实现融合波段领域相关性与远程相关性的波段重要性指示。为验证方法有效性,采用基于偏最小二乘判别分析(PLS-DA)、随机森林(RF)、支持向量机(SVM)等机器学习方法获得的特征波段作为对比方法。结果表明,1D-Rep全波段光谱模型准确率达到98.55%。在特征波段建模的情况下,采用M-Grad-CAM选取特征波长,基于前9个特征波段建立分类模型准确率可超过90%,在20个特征波段时达到96.82%,准确率显著优于其他对比模型。本研究采用高光谱成像技术,可有效对不同年份的陈皮进行无损鉴别,并为开发便携检测仪器提供方法和理论依据。; 关键词高光谱成像陈皮陈化年份多层梯度加权类激活映射特征波段; Keywords hyperspectral imaging Chenpi the aging year of Chenpi multi-layer gradient-weighted class activation mapping(M-Grad-CAM) feature band; 分类号 TS272.7 [农业科学—茶叶生产加工]; 在线阅读下载PDF 职称材料

题名基于深度学习的DRFM信号识别: 3; 作者房津辉宋宝军朱明哲; 机构空军工程大学防空反导学院西安电子科技大学电子工程学院; 出处《现代雷达》 CSCD 北大核心 2024年第3期54-58,共5页; 文摘针对数字射频存储器(DRFM)产生信号与源信号之间无法有效区分的问题,运用基于小波变换的同步压缩变换将时域的雷达信号转换为时频图,运用深度学习强大的图像识别能力,实现了基于深度学习的源信号与DRFM信号识别,从而解决了在雷达信号处理中无法有效区分回波信号和DRFM欺骗信号以及在雷达干扰识别中基于DRFM的欺骗干扰难以识别的问题。为了验证深度学习过程的可靠性,通过神经网络可解释性算法对训练结果进行了验证和分析。实验结果表明,相比于识别原始信号,识别DRFM信号神经网络需要用到更多的特征,神经网络判断准确率达到了96.33%,识别精度良好。; 关键词干扰识别时频变换梯度加权类激活映射导向反向传播深度学习; Keywords interference identification time-frequency conversion gradient-weighted class activation mapping(Grad-CAM) guided-back propagation deep learning; 分类号 TN974 [电子电信—信号与信息处理]; 在线阅读下载PDF 职称材料

题名基于可解释卷积神经网络的胚胎血管新生时间模式研究: 4; 作者吕雪倩赵沈佳李佩伦方路平宁钢民潘清; 机构浙江工业大学信息工程学院浙江大学生物医学工程系; 出处《中国生物医学工程学报》 CAS CSCD 北大核心 2020年第5期524-531,共8页; 基金国家自然科学基金(31870938,81871454)。; 文摘理解血管网络新生的时间模式,有助于生物体发育机制研究和肿瘤等疾病的生理病理研究。提出以可解释卷积神经网络(CNN)研究鸡胚胎卵黄膜的血管新生时间模式的方法。基于CNN建立受精3 d后(3dpf)和4 d后(4dpf)的鸡胚胎血管网络图像的分类模型,以梯度加权的类激活映射(Grad-CAM)技术解释发育过程中血管网络形态拓扑的变化模式,并以此分类模型分析3dpf^4dpf之间血管新生的时间特性。实验共计观察17枚受精卵,结果显示最优模型区分3dpf与4dpf的血管图像的准确率达到98.62%。通过Grad-CAM技术对不同时期血管图像的特征进行可视化,发现3dpf^4dpf的发育过程主要表现为毛细血管网的生长发育。这些鸡胚胎卵黄膜在3dpf^4dpf时间段内,前12 h血管新生较为剧烈,随后趋于平稳。这些结果可为血管新生研究提供新的技术手段,并辅助血管新生机制、肿瘤发病机理和器官衰老过程等的相关研究。; 关键词血管新生卷积神经网络鸡胚胎卵黄膜梯度加权的类激活映射; Keywords angiogenesis convolutional neural network chicken vitelline gradient-weighted class activation mapping; 分类号 R318 [医药卫生—生物医学工程]; 在线阅读下载PDF 职称材料

题名深度学习在内镜下内痔诊断及危险分级中的应用被引量：2: 5; 作者陆建英沈文娟顾莹沈琳霞张叶群袁金丹张芝芝许春芳朱锦舟; 机构苏州大学附属第一医院消化内科; 出处《中国内镜杂志》 2023年第2期1-7,共7页; 基金国家自然科学基金(No:82000540) 苏州市科技计划(No:SKY2021038) 苏州市科教兴卫项目(No:KJXW2019001)。; 文摘目的建立内镜下内痔诊断及危险分级的深度学习模型,探讨人工智能辅助内镜下内痔诊疗的可行性。方法收集该院内镜中心的肛齿状线上倒镜图片,分为内痔组和正常组(A任务);根据LDRf分级标准,将内痔组进一步分为Rf0组、Rf1组和Rf2组(B任务)。选取基于卷积神经网络(CNN)框架的Xception、ResNet和EfficientNet,以及基于Transformer框架的ViT和ConvMixer等5个神经网络,建立针对A、B两项计算机视觉任务的深度学习模型。模型评价指标包括准确率、召回率、精确度、F1值和读片时间。将深度学习模型的读片表现与两位不同年资内镜医生进行比较。结果5种深度学习模型在A与B任务测试集中皆展现出较好的准确性。其中,最优模型为ConvMixer,准确性最高(0.961和0.911),其次为EfficientNet(0.956和0.901),均优于高年资内镜医生(0.952和0.881)和低年资内镜医生(0.913和0.832)。同时,所有深度学习模型在验证集中读片用时均<10 s,速度快于内镜医生(均>300 s)。此外,笔者采用梯度加权分类激活映射(Grad-CAM)方法突出图像中对模型判断较重要的区域。结论建立的内痔诊断及危险分级的深度学习模型,其表现优于内镜医生。基于深度学习的计算机视觉模型可辅助内镜医师进行内痔诊断和分级,展现出潜在的临床应用前景。; 关键词深度学习内痔消化内镜 LDRf分级梯度加权分类激活映射; Keywords deep learning internal hemorrhoids endoscopy LDRf standard gradient-weighted class activation mapping(Grad-CAM); 分类号 R657.18 [医药卫生—外科学]; 在线阅读下载PDF 职称材料

题名基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究被引量：13: 6; 作者王冉石如玉胡升涵鲁文波胡雄; 机构上海海事大学物流工程学院北京海基嘉盛科技有限公司上海分公司; 出处《振动与冲击》 EI CSCD 北大核心 2022年第16期224-231,共8页; 基金国家自然科学基金(51505277)。; 文摘常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。; 关键词声成像故障诊断卷积神经网络(CNN) 波叠加法梯度加权类激活图(Grad-CAM); Keywords acoustic imaging bearing fault diagnosis convolutional neural network(CNN) wave superposition method gradient-weighted class activation map(Grad-CAM); 分类号 TH17 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于CNN的键盘电磁信息泄漏识别检测方法: 7; 作者彭一华张杰敏茅剑李朝锦; 机构集美大学计算机工程学院山西省检验检测中心; 出处《太赫兹科学与电子信息学报》 2023年第5期645-651,共7页; 基金福建省自然科学基金资助项目(2021J01858)。; 文摘针对键盘电磁信息安全问题,分析了PS/2键盘的工作原理以及信号特征,提出一种基于深度学习的检测方法。该方法针对键盘设备的电磁泄漏信号特征,对卷积神经网络(CNN)结构进行了适应性调整;结合改进的梯度加权类激活映射方法,实现了对键盘电磁信息的智能识别和精准定位。对4个按键的电磁信号进行测试,分类准确率达到了98%;在噪声环境下的分类准确率也达到了81%。将梯度加权类激活映射方法及其改进方法对键盘电磁信息的定位效果进行了对比,实验结果证明改进后的方法定位效果更佳。; 关键词信息安全电磁信息检测深度学习梯度加权类激活映射; Keywords information security electromagnetic information detection deep learning Gradient-weighted Class Activation Mapping; 分类号 TN911.2 [电子电信—通信与信息系统] TP309.1 [自动化与计算机技术—计算机系统结构]; 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	基于时频Grad-CAM的调制识别网络可解释分析	梁先明倪帆陈文洁张家树	《西南交通大学学报》 EI CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于高光谱成像技术的陈皮年份快速鉴别	刘诚赵路路周松斌刘忆森王庭有	《食品工业科技》 CAS 北大核心	2024	0	在线阅读下载PDF 职称材料
3	基于深度学习的DRFM信号识别	房津辉宋宝军朱明哲	《现代雷达》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料
4	基于可解释卷积神经网络的胚胎血管新生时间模式研究	吕雪倩赵沈佳李佩伦方路平宁钢民潘清	《中国生物医学工程学报》 CAS CSCD 北大核心	2020	0	在线阅读下载PDF 职称材料
5	深度学习在内镜下内痔诊断及危险分级中的应用	陆建英沈文娟顾莹沈琳霞张叶群袁金丹张芝芝许春芳朱锦舟	《中国内镜杂志》	2023	2	在线阅读下载PDF 职称材料
6	基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究	王冉石如玉胡升涵鲁文波胡雄	《振动与冲击》 EI CSCD 北大核心	2022	13	在线阅读下载PDF 职称材料
7	基于CNN的键盘电磁信息泄漏识别检测方法	彭一华张杰敏茅剑李朝锦	《太赫兹科学与电子信息学报》	2023	0	在线阅读下载PDF 职称材料