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
基于混合数据增强的MSWI过程燃烧状态识别
被引量：
4
1
作者
郭海涛
汤健
+1 位作者
丁海旭
乔俊飞
《自动化学报》
EI
CAS
CSCD
北大核心
2024年第3期560-575,共16页
国内城市固废焚烧(Municipal solid waste incineration, MSWI)过程通常依靠运行专家观察炉内火焰识别燃烧状态后再结合自身经验修正控制策略以维持稳定燃烧,存在智能化水平低、识别结果具有主观性与随意性等问题.由于MSWI过程的火焰图...
国内城市固废焚烧(Municipal solid waste incineration, MSWI)过程通常依靠运行专家观察炉内火焰识别燃烧状态后再结合自身经验修正控制策略以维持稳定燃烧,存在智能化水平低、识别结果具有主观性与随意性等问题.由于MSWI过程的火焰图像具有强污染、多噪声等特性,并且存在异常工况数据较为稀缺等问题,导致传统目标识别方法难以适用.对此,提出一种基于混合数据增强的MSWI过程燃烧状态识别方法.首先,结合领域专家经验与焚烧炉排结构对燃烧状态进行标定;接着,设计由粗调和精调两级组成的深度卷积生成对抗网络(Deep convolutional generative adversarial network, DCGAN)以获取多工况火焰图像;然后,采用弗雷歇距离(Fréchet inception distance, FID)对生成式样本进行自适应选择;最后,通过非生成式数据增强对样本进行再次扩充,获得混合增强数据构建卷积神经网络以识别燃烧状态.基于某MSWI电厂实际运行数据实验,表明该方法有效地提高了识别网络的泛化性与鲁棒性,具有良好的识别精度.
展开更多
关键词
城市固废焚烧
深度卷积生成对抗网络
燃烧状态识别
非生成式
数据
增强
混合数据增强
在线阅读
下载PDF
职称材料
基于特征插值TSCTransMix-CapsNet的轴承故障分类模型
2
作者
任义
孙明丽
+1 位作者
栾方军
袁帅
《机电工程》
北大核心
2025年第4期607-617,共11页
针对轴承故障诊断分类模型不能很好地提取到振动序列多层次特征,以及故障样本量稀少的问题,提出了一种基于特征插值的时间序列分类Transformer融合胶囊网络(TSCTransMix-CapsNet)的故障诊断模型。首先,以重叠采样预处理后的一维振动信...
针对轴承故障诊断分类模型不能很好地提取到振动序列多层次特征,以及故障样本量稀少的问题,提出了一种基于特征插值的时间序列分类Transformer融合胶囊网络(TSCTransMix-CapsNet)的故障诊断模型。首先,以重叠采样预处理后的一维振动信号数据作为模型的输入,利用时间序列分类Transformer(TSCTransformer)捕捉了序列长距离关系,提取了振动信号的全局故障特征,同时应用混合数据增强方法(Mixup)对特征做了插值处理,进行了特征增强;然后,利用胶囊网络模型对全局故障特征作了进一步细化处理,提取了局部故障特征,从而形成了包含全局模式和局部细节的特征输出;最后,在多工况条件下选取CWRU和XJTU-SY数据集进行了轴承故障诊断的消融和对比实验,并将该模型与其他模型进行了比较。研究结果表明:该模型在CWRU数据集上的故障诊断准确率达到99.50%,在XJTU-SY数据集上的故障诊断准确率达到99.87%。相比于其他模型,该模型能更加有效地提高轴承故障诊断中的分类性能。
展开更多
关键词
故障诊断模型
时间序列分类Transformer
胶囊网络模型
特征插值
特征
增强
混合数据增强
方法
在线阅读
下载PDF
职称材料
DenseNet结合空间通道注意力机制的环境声音分类
被引量：
3
3
作者
董绍江
刘伟
《重庆理工大学学报（自然科学）》
北大核心
2023年第11期179-187,共9页
音乐信息识别(MIR)和自动语音识别(ASR)都是以结构化声音为特点的声音识别,环境声音识别在声音识别领域的难度很大。为了充分利用从环境声中提取的Log-Mel谱图的空间特征与通道特征,提出了一种基于密集连接卷积网络(DenseNet)的空间通...
音乐信息识别(MIR)和自动语音识别(ASR)都是以结构化声音为特点的声音识别,环境声音识别在声音识别领域的难度很大。为了充分利用从环境声中提取的Log-Mel谱图的空间特征与通道特征,提出了一种基于密集连接卷积网络(DenseNet)的空间通道注意力机制。使用DenseNet对Log-Mel谱图进行特征提取,引入空间通道注意力机制使网络更加关注显著特征;为了解决数据不足导致的过拟合问题,将混合数据增强的方法应用于Log-Mel谱图,从而保证了数据的多样性;在2个公共数据集(ESC-50和ESC-10)验证所提方法的有效性。结果表明:所提的空间通道注意力机制模型能够使神经网络对环境声音的识别率分别达到79.3%(ESC-50)和94.3%(ESC-10)。
展开更多
关键词
环境声音分类
空间通道注意力机制
密集连接卷积网络
混合数据增强
在线阅读
下载PDF
职称材料
题名
基于混合数据增强的MSWI过程燃烧状态识别
被引量：
4
1
作者
郭海涛
汤健
丁海旭
乔俊飞
机构
北京工业大学信息学部
智慧环保北京实验室
出处
《自动化学报》
EI
CAS
CSCD
北大核心
2024年第3期560-575,共16页
基金
国家自然科学基金(62073006,62021003)
北京市自然科学基金(4212032,4192009)
+1 种基金
科学技术部国家重点研发计划(2018YFC1900800-5)
矿冶过程自动控制技术国家(北京市)重点实验室(BGRIMM-KZSKL-2020-02)资助。
文摘
国内城市固废焚烧(Municipal solid waste incineration, MSWI)过程通常依靠运行专家观察炉内火焰识别燃烧状态后再结合自身经验修正控制策略以维持稳定燃烧,存在智能化水平低、识别结果具有主观性与随意性等问题.由于MSWI过程的火焰图像具有强污染、多噪声等特性,并且存在异常工况数据较为稀缺等问题,导致传统目标识别方法难以适用.对此,提出一种基于混合数据增强的MSWI过程燃烧状态识别方法.首先,结合领域专家经验与焚烧炉排结构对燃烧状态进行标定;接着,设计由粗调和精调两级组成的深度卷积生成对抗网络(Deep convolutional generative adversarial network, DCGAN)以获取多工况火焰图像;然后,采用弗雷歇距离(Fréchet inception distance, FID)对生成式样本进行自适应选择;最后,通过非生成式数据增强对样本进行再次扩充,获得混合增强数据构建卷积神经网络以识别燃烧状态.基于某MSWI电厂实际运行数据实验,表明该方法有效地提高了识别网络的泛化性与鲁棒性,具有良好的识别精度.
关键词
城市固废焚烧
深度卷积生成对抗网络
燃烧状态识别
非生成式
数据
增强
混合数据增强
Keywords
Municipal solid waste incineration(MSWI)
deep convolutional generative adversarial network(DCGAN)
combustion states recognition
non-generation data enhancement
mixed data enhancement
分类号
X705 [环境科学与工程—环境工程]
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
基于特征插值TSCTransMix-CapsNet的轴承故障分类模型
2
作者
任义
孙明丽
栾方军
袁帅
机构
沈阳建筑大学计算机科学与工程学院
出处
《机电工程》
北大核心
2025年第4期607-617,共11页
基金
国家自然科学基金资助项目(62073227)
辽宁省自然科学基金资助项目(1668585108607)。
文摘
针对轴承故障诊断分类模型不能很好地提取到振动序列多层次特征,以及故障样本量稀少的问题,提出了一种基于特征插值的时间序列分类Transformer融合胶囊网络(TSCTransMix-CapsNet)的故障诊断模型。首先,以重叠采样预处理后的一维振动信号数据作为模型的输入,利用时间序列分类Transformer(TSCTransformer)捕捉了序列长距离关系,提取了振动信号的全局故障特征,同时应用混合数据增强方法(Mixup)对特征做了插值处理,进行了特征增强;然后,利用胶囊网络模型对全局故障特征作了进一步细化处理,提取了局部故障特征,从而形成了包含全局模式和局部细节的特征输出;最后,在多工况条件下选取CWRU和XJTU-SY数据集进行了轴承故障诊断的消融和对比实验,并将该模型与其他模型进行了比较。研究结果表明:该模型在CWRU数据集上的故障诊断准确率达到99.50%,在XJTU-SY数据集上的故障诊断准确率达到99.87%。相比于其他模型,该模型能更加有效地提高轴承故障诊断中的分类性能。
关键词
故障诊断模型
时间序列分类Transformer
胶囊网络模型
特征插值
特征
增强
混合数据增强
方法
Keywords
fault diagnosis model
time series classification Transformer(TSCTransformer)
capsule network model(CapsNet)
feature interpolation
feature enhancement
mixed data enhancement method
分类号
TH133.3 [机械工程—机械制造及自动化]
TP277 [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
DenseNet结合空间通道注意力机制的环境声音分类
被引量：
3
3
作者
董绍江
刘伟
机构
重庆交通大学机电与车辆工程学院
出处
《重庆理工大学学报（自然科学）》
北大核心
2023年第11期179-187,共9页
基金
国家自然科学基金项目(51775072)。
文摘
音乐信息识别(MIR)和自动语音识别(ASR)都是以结构化声音为特点的声音识别,环境声音识别在声音识别领域的难度很大。为了充分利用从环境声中提取的Log-Mel谱图的空间特征与通道特征,提出了一种基于密集连接卷积网络(DenseNet)的空间通道注意力机制。使用DenseNet对Log-Mel谱图进行特征提取,引入空间通道注意力机制使网络更加关注显著特征;为了解决数据不足导致的过拟合问题,将混合数据增强的方法应用于Log-Mel谱图,从而保证了数据的多样性;在2个公共数据集(ESC-50和ESC-10)验证所提方法的有效性。结果表明:所提的空间通道注意力机制模型能够使神经网络对环境声音的识别率分别达到79.3%(ESC-50)和94.3%(ESC-10)。
关键词
环境声音分类
空间通道注意力机制
密集连接卷积网络
混合数据增强
Keywords
environmental sound classification
spatial-channel attention mechanism
densely connected convolutional network
mix-up data augmentation
分类号
TN912 [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
基于混合数据增强的MSWI过程燃烧状态识别
郭海涛
汤健
丁海旭
乔俊飞
《自动化学报》
EI
CAS
CSCD
北大核心
2024
4
在线阅读
下载PDF
职称材料
2
基于特征插值TSCTransMix-CapsNet的轴承故障分类模型
任义
孙明丽
栾方军
袁帅
《机电工程》
北大核心
2025
0
在线阅读
下载PDF
职称材料
3
DenseNet结合空间通道注意力机制的环境声音分类
董绍江
刘伟
《重庆理工大学学报（自然科学）》
北大核心
2023
3
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
