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

融合残差SENet的毫米波大规模MIMO信道估计被引量：1: 2; 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

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: 3; 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

基于改进深度残差网络的轴承故障诊断方法被引量：32: 4; 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... 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 职称材料

基于Seq2point和SERNet的非侵入式负荷分解及识别被引量：2: 5; 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... 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 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

题名融合残差SENet的毫米波大规模MIMO信道估计被引量：1: 2; 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: 3; 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

题名基于改进深度残差网络的轴承故障诊断方法被引量：32: 4; 作者田科位董绍江姜保军裴雪武汤宝平胡小林赵兴新; 机构重庆交通大学机电与车辆工程学院重庆大学机械传动国家重点实验室重庆工业大数据创新中心有限公司重庆长江轴承股份有限公司; 出处《振动与冲击》 EI CSCD 北大核心 2021年第20期247-254,共8页; 基金国家自然科学基金(51775072)。; 文摘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。; 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; Keywords rolling bearing bearing fault diagnosis deep residual network extrusion and excitation network; 分类号 TH133.33 [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Seq2point和SERNet的非侵入式负荷分解及识别被引量：2: 5; 作者程志友储著增杨猛章杨凡王林茂; 机构安徽大学教育部电能质量研究中心安徽大学电子信息工程学院; 出处《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; 基金国家自然科学基金资助项目(61672032) 安徽省科技重大专项(18030901018)。; 文摘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.; 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; Keywords non-intrusive load decomposition sliding window method sequence to point residual learning squeeze-and-excitation network; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程] TM714 [电气工程—电力系统及自动化]; 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
3	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
4	基于改进深度残差网络的轴承故障诊断方法	田科位董绍江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	32	在线阅读下载PDF 职称材料
5	基于Seq2point和SERNet的非侵入式负荷分解及识别	程志友储著增杨猛章杨凡王林茂	《安徽大学学报（自然科学版）》 CAS 北大核心	2022	2	在线阅读下载PDF 职称材料