检索结果-维普期刊中文期刊服务平台

基于深度卷积自编码网络的图像融合被引量：1: 1; 作者苗宇宏杨卫莉李晖晖《计算机应用研究》 CSCD 北大核心 2020年第S01期414-417,共4页; 针对现有融合方法所用的多尺度变换模型均使用的通过手工设计的固定框架具有很强的人为先验性,提出了一种基于深度卷积自编码网络的图像融合方法。首先,通过构建一种深度卷积自编码网络来学习图像的有效分解与表示;然后,在该网络框架下... 展开更多; 关键词图像融合深度卷积自编码网络图像显著性; 在线阅读下载PDF 职称材料

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断被引量：3: 2; 作者赵志川陈志刚 +2 位作者何群张楠夏建强《重庆理工大学学报（自然科学）》 CAS 北大核心 2021年第5期214-222,共9页; 利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能... 展开更多; 关键词多重同步挤压变换深度脊波卷积自编码网络滚动轴承故障诊断; 在线阅读下载PDF 职称材料

基于全局和局部信息融合的显著性检测被引量：2: 3; 作者刘尚旺赵欣莹杨磊《河南师范大学学报（自然科学版）》 CAS 北大核心 2020年第3期26-33,共8页; 为提高低对比度、复杂自然图像显著性检测的准确率和泛化性能,提出一种贝叶斯框架下的全局和局部信息融合的显著性检测模型.首先,构建深度卷积自编码网络,采用对称编解码结构,监督学习图像全局特征,得到全局显著图;然后,根据全局显著图... 展开更多; 关键词显著性检测贝叶斯框架稀疏编码深度卷积自编码网络; 在线阅读下载PDF 职称材料

基于STL-1DDCAE的轴承故障诊断研究被引量：1: 4; 作者王雷孙习习《机电工程》 CAS 北大核心 2022年第5期578-586,661,共10页; 由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码... 展开更多; 关键词机械运行与维修故障诊断异常信号检测重构误差时间序列分解一维深度卷积自编码网络; 在线阅读下载PDF 职称材料

题名基于深度卷积自编码网络的图像融合被引量：1: 1; 作者苗宇宏杨卫莉李晖晖; 机构中国科学院西安光学精密机械研究所海洋光学技术研究室 [ 西北工业大学自动化学院; 出处《计算机应用研究》 CSCD 北大核心 2020年第S01期414-417,共4页; 基金国家自然科学基金项目; 文摘针对现有融合方法所用的多尺度变换模型均使用的通过手工设计的固定框架具有很强的人为先验性,提出了一种基于深度卷积自编码网络的图像融合方法。首先,通过构建一种深度卷积自编码网络来学习图像的有效分解与表示;然后,在该网络框架下通过设计基于红外图像显著性的融合规则进行图像融合。仿真实验表明,提出的算法在主观和客观评价上均具有明显优势。; 关键词图像融合深度卷积自编码网络图像显著性; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术] TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断被引量：3: 2; 作者赵志川陈志刚何群张楠夏建强; 机构北京建筑大学机电与车辆工程学院北京市建筑安全监测工程技术研究中心安徽省春古; 出处《重庆理工大学学报（自然科学）》 CAS 北大核心 2021年第5期214-222,共9页; 基金国家自然科学基金项目(51605022) 北京建筑大学市属高校基本科研业务费专项资金项目(X20061) +1 种基金北京市建筑安全监测工程技术研究中心研究基金课题。; 文摘利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。; 关键词多重同步挤压变换深度脊波卷积自编码网络滚动轴承故障诊断; Keywords multi synchrosqueezing transform deep ridgelet convolutional auto-encoder network rolling bearing fault diagnosis; 分类号 TH133.3 [机械工程—机械制造及自动化]; 在线阅读下载PDF 职称材料

题名基于全局和局部信息融合的显著性检测被引量：2: 3; 作者刘尚旺赵欣莹杨磊; 机构河南师范大学计算机与信息工程学院河南师范大学旅游学院; 出处《河南师范大学学报（自然科学版）》 CAS 北大核心 2020年第3期26-33,共8页; 基金河南省科技攻关项目(192102210290) 河南省高等学校重点科研项目(15A520082) 河南师范大学博士科研启动基金(qd12138).; 文摘为提高低对比度、复杂自然图像显著性检测的准确率和泛化性能,提出一种贝叶斯框架下的全局和局部信息融合的显著性检测模型.首先,构建深度卷积自编码网络,采用对称编解码结构,监督学习图像全局特征,得到全局显著图;然后,根据全局显著图产生前景和背景码本,利用局部约束线性编码算法进行编码,采用稀疏编码描述局部特征,产生局部显著图;最后,提出采用贝叶斯框架,将全局和局部信息融合,生成最终显著图.实验结果表明,所提模型在ECSSD,DUT-OMRON和PASCAL数据集上F-measure值分别为76.53%、59.45%和72.52%,MAE值分别为0.14328、0.13787和0.18105,且能够有效对低对比度、复杂真实自然图像进行显著性检测.; 关键词显著性检测贝叶斯框架稀疏编码深度卷积自编码网络; Keywords saliency detection Bayesian framework sparse coding deep convolutional autoencoder network; 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

题名基于STL-1DDCAE的轴承故障诊断研究被引量：1: 4; 作者王雷孙习习; 机构中国民航大学工程技术训练中心中国民航大学电子信息与自动化学院; 出处《机电工程》 CAS 北大核心 2022年第5期578-586,661,共10页; 基金中央高校基本科研业务费民航大学专项资助项目(3122017041)。; 文摘由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明:该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1780、1700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。; 关键词机械运行与维修故障诊断异常信号检测重构误差时间序列分解一维深度卷积自编码网络; Keywords mechanical operation and maintenance fault diagnosis abnormal signal detection reconstruction error seasonal-trend decomposition procedure using loess(STL) one-dimensional deepconvolution auto-encoder(1DDCAE); 分类号 TH133.3 [机械工程—机械制造及自动化] 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	作者	出处	发文年	被引量	操作
1	基于深度卷积自编码网络的图像融合	苗宇宏杨卫莉李晖晖	《计算机应用研究》 CSCD 北大核心	2020	1	在线阅读下载PDF 职称材料
2	基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断	赵志川陈志刚何群张楠夏建强	《重庆理工大学学报（自然科学）》 CAS 北大核心	2021	3	在线阅读下载PDF 职称材料
3	基于全局和局部信息融合的显著性检测	刘尚旺赵欣莹杨磊	《河南师范大学学报（自然科学版）》 CAS 北大核心	2020	2	在线阅读下载PDF 职称材料
4	基于STL-1DDCAE的轴承故障诊断研究	王雷孙习习	《机电工程》 CAS 北大核心	2022	1	在线阅读下载PDF 职称材料