期刊文献+
共找到8篇文章
< 1 >
每页显示 20 50 100
基于稠密卷积网络的轴承故障诊断 被引量:4
1
作者 徐文学 夏懿 张德祥 《噪声与振动控制》 CSCD 2020年第4期80-86,共7页
轴承故障诊断非常依赖故障特征的提取,为了实现基于原始数据的更加直接的故障诊断,提出一种基于稠密卷积网络的轴承故障诊断方法。该方法首先将原始一维数据规范化,再输入到稠密块网络并结合softmax分类层来自适应学习轴承振动信号的有... 轴承故障诊断非常依赖故障特征的提取,为了实现基于原始数据的更加直接的故障诊断,提出一种基于稠密卷积网络的轴承故障诊断方法。该方法首先将原始一维数据规范化,再输入到稠密块网络并结合softmax分类层来自适应学习轴承振动信号的有效特征,进而实现分类。实验中运用西储大学所提供的轴承故障数据库测试了网络的有效性,并且与其他常用轴承故障诊断网络进行对比。研究结果表明所提网络对基于轴承振动数据的故障类型识别准确率明显优于其它网络,特别是针对混入一定噪声的故障数据,仍然可以达到较高的诊断精度,因此有不错的抗噪声性能。 展开更多
关键词 故障诊断 轴承 特征提取 稠密卷积网络 数据规范化
在线阅读 下载PDF
基于稠密卷积网络的文字识别研究
2
作者 王庭栋 《科学技术创新》 2021年第20期89-90,共2页
目前票据、单据等文字资料的录入工作仍大量由人工完成,传统的光学字符识别技术进行录入操作存在识别精度低、需要进行后期人为纠错等问题。近年来,基于深度学习的文字识别技术成为热门研究课题,多分类问题的精确度显著提高,文字识别技... 目前票据、单据等文字资料的录入工作仍大量由人工完成,传统的光学字符识别技术进行录入操作存在识别精度低、需要进行后期人为纠错等问题。近年来,基于深度学习的文字识别技术成为热门研究课题,多分类问题的精确度显著提高,文字识别技术得到了快速发展。但由于汉字分类存在种类多、字体多、形近字多等问题,并且网络结构存在模型复杂,过拟合程度大等问题。本文针对这些问题,基于稠密卷积网络,设计了中文文字识别模型。实验结果表明,针对一级汉字识别率可以达到97.1%。在具有较高的文字识别率的同时缓解了梯度消失问题,具有一定的应用价值。 展开更多
关键词 文字识别 卷积神经网络 稠密卷积网络 光学字符识别
在线阅读 下载PDF
一种基于改进稠密卷积神经网络的表情识别方法 被引量:1
3
作者 戴沁璇 罗晓曙 +1 位作者 蒙志明 黄苑琴 《现代电子技术》 2022年第9期29-34,共6页
人的表情包含大量信息,可用于显示人的很多情感状态,例如疲劳和疼痛的表情等。卷积神经网络(CNN)是一种识别人脸表情的有效方法,它可以同时执行特征提取和分类,并可以自动发现数据中的多个表情特点。针对卷积神经网络参数大以及传统表... 人的表情包含大量信息,可用于显示人的很多情感状态,例如疲劳和疼痛的表情等。卷积神经网络(CNN)是一种识别人脸表情的有效方法,它可以同时执行特征提取和分类,并可以自动发现数据中的多个表情特点。针对卷积神经网络参数大以及传统表情识别方法准确率不高的问题,提出一种基于改进的稠密卷积神经网络的面部表情识别模型。首先通过使用Gabor滤波器初始化第一层卷积层;然后采用一种对数线性函数(LLU)进行网络优化,该模型中的特征重用和参数压缩技术提高了网络的学习能力,大大减少了模型参数;最后基于此模型设计了一个表情识别系统,该系统能够准确地识别照片上的表情和在线识别人脸表情。实验结果表明,该模型可以显著提高三个表情数据集的准确率,并能很好地识别人脸表情。 展开更多
关键词 人脸表情识别 改进稠密卷积神经网络 卷积层初始化 GABOR滤波器 激活函数 表情识别系统
在线阅读 下载PDF
类别标签辅助改进稠密网络的变工况轴承故障诊断 被引量:4
4
作者 孙洁娣 刘保 +3 位作者 温江涛 时培明 闫盛楠 肖启阳 《振动与冲击》 EI CSCD 北大核心 2022年第17期204-212,共9页
基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障... 基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障诊断过程中,基于迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移学习网络。该网络将一维稠密卷积网络及注意力机制融合实现复杂故障特征的自动提取;域适应处理通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。实验结果表明了该方法的可行性及良好的性能。 展开更多
关键词 轴承故障诊断 变工况 稠密卷积网络 注意力机制 类别标签辅助
在线阅读 下载PDF
嵌套网络模型下的相似图像检索方法 被引量:2
5
作者 倪翠 王朋 +1 位作者 朱元汀 张东 《应用科学学报》 CAS CSCD 北大核心 2022年第3期400-410,共11页
对深度学习领域的稠密卷积网络(dense convolutional network,DenseNet)进行改进,提出了一种嵌套网络模型下的相似图像检索方法。该方法主要通过嵌入压缩和激励网络(squeeze-and-excitation network,SENet),调整原DenseNet网络结构,优... 对深度学习领域的稠密卷积网络(dense convolutional network,DenseNet)进行改进,提出了一种嵌套网络模型下的相似图像检索方法。该方法主要通过嵌入压缩和激励网络(squeeze-and-excitation network,SENet),调整原DenseNet网络结构,优化特征提取模块,从而提高图像检索的准确率。在整个深度学习的过程中,给图像特征通道设置合理的权值,抑制图像中的无效特征,能够进一步提高图像的检索速度。实验结果表明,所提算法能够加强图像有效特征的传递,无论从精度和速度方面均可得到较好的图像检索结果。 展开更多
关键词 稠密卷积网络 压缩和激励网络 嵌套 抑制无效特征 图像检索
在线阅读 下载PDF
基于自注意力机制的干扰信号检测识别 被引量:5
6
作者 王瑞东 王世练 +1 位作者 张炜 张彦龙 《电讯技术》 北大核心 2023年第6期790-797,共8页
为了解决卫星通信系统在对抗电磁环境中的干扰实时检测识别问题,提出了一种基于自注意力(Self-attention,SA)机制的高效轻量化网络模型。通过采用DenseNet加速对原始IQ信号的特征提取,并引入自注意力模块代替参数量较大的多重卷积层,实... 为了解决卫星通信系统在对抗电磁环境中的干扰实时检测识别问题,提出了一种基于自注意力(Self-attention,SA)机制的高效轻量化网络模型。通过采用DenseNet加速对原始IQ信号的特征提取,并引入自注意力模块代替参数量较大的多重卷积层,实现对卫星通信系统中常见的干扰样式进行分类识别。仿真结果表明,在识别准确率方面达到常规的神经网络模型和算法性能水平的条件下,所提模型在网络复杂度和运算时延方面得到有效压缩。 展开更多
关键词 卫星通信系统 干扰信号检测 自注意力机制 稠密卷积网络 轻量级模型
在线阅读 下载PDF
基于多尺度特征损失函数的图像超分辨率重建 被引量:10
7
作者 徐亮 符冉迪 +2 位作者 金炜 唐彪 王尚丽 《光电工程》 CAS CSCD 北大核心 2019年第11期1-9,共9页
在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的... 在图像超分辨率重建问题中,许多基于深度学习的方法大多采用传统的均方误差(MSE)作为损失函数,重建后的图像容易出现细节模糊和过于平滑的问题。针对这一问题,本文对传统的均方误差损失函数进行改进,提出一种基于多尺度特征损失函数的图像超分辨率重建方法。整个网络模型由基于DenseNet的重建模型和一个用来优化多尺度特征损失函数的卷积神经网络串联构成。将重建后得到的图像和对应的原始高清图像作为串联的卷积神经网络的输入,计算重建图像卷积得到的不同尺度特征图与对应的原始高清图像卷积得到的不同尺度特征图的均方误差。实验结果表明,本文提出的方法在主观视觉效果和PSRN、SSIM上均有所提升。 展开更多
关键词 图像超分辨率重建 稠密卷积神经网络 多尺度特征损失函数 深度学习
在线阅读 下载PDF
基于并行LSTM-CNN的化工过程故障检测 被引量:4
8
作者 肖飞扬 顾幸生 《华东理工大学学报(自然科学版)》 CAS CSCD 北大核心 2023年第3期382-390,共9页
为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolu... 为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN)模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力,减少了特征信息的丢失,实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体,结合LSTM网络对序列信息变化敏感的特点,在构建更深层网络的同时避免模型过拟合。采用最大互信息(Maximum Mutual Information Coefficient,MMIC)数据预处理方法,提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象,PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。 展开更多
关键词 故障检测 一维稠密卷积神经网络 长短时记忆网络 互信息 TE过程
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部