检索结果-维普期刊中文期刊服务平台

基于编码记忆网络的半监督视频目标分割方法: 1; 作者尹亮张钊张宝鹏《弹箭与制导学报》北大核心 2024年第3期11-21,共11页; 视频目标分割是计算机视觉中的一项关键任务,在自动驾驶、视频编码等领域具有重要意义。针对视频目标分割任务,提出使用一种高效的编码记忆网络(EMNet)实现半监督视频目标分割任务。该方法包含自适应参考帧选取模块、双路径匹配模块、... 展开更多; 关键词视频目标分割编码记忆网络注意力机制语义分割深度学习; 在线阅读下载PDF 职称材料

基于VMD和改进Transformer模型的镍镉蓄电池SOH预测研究: 2; 作者于天剑冯恩来 +1 位作者伍珣张庆东《铁道科学与工程学报》北大核心 2025年第7期3266-3279,共14页; 动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征,严重影响传统动车组电池健康状态(state of health,SOH)预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性,基于变分模态分解(variational mode d... 展开更多; 关键词镍镉蓄电池 SOH预测变分模态分解长短时记忆网络自编码器改进Transformer模型; 在线阅读下载PDF 职称材料

基于方剂数据集的知识图谱构建研究被引量：3: 3; 作者李灿镇可涵 +1 位作者唐东昕解丹《世界中医药》 CAS 北大核心 2024年第9期1329-1333,共5页; 目的:构建基于方剂数据集的知识图谱,以系统性地展示方剂实体及其之间的关系。方法:首先建立方剂数据处理与知识图谱构建的规范化流程,获取方剂数据集,然后在4种常用命名实体识别模型中遴选最优模型进行实体抽取,最后利用Neo4j图数据库... 展开更多; 关键词方剂数据处理知识图谱规范化命名实体识别 Neo4j图数据库基于Transformer的双向编码模型-双向长短期记忆网络-条件随机场模型中医药; 在线阅读下载PDF 职称材料

基于无监督迁移学习的电梯制动器剩余寿命预测被引量：9: 4; 作者姜宇迪胡晖殷跃红《上海交通大学学报》 EI CAS CSCD 北大核心 2021年第11期1408-1416,共9页; 为了改善电梯制动器在真实工作环境下的寿命预测效果,提出一种基于长短期记忆网络自编码器(LSTM-ED)的无监督深度迁移学习方法,利用仿真数据实现制动器在工作时的健康状态分析.利用源领域数据初步训练LSTM-ED和全连接网络;以LSTM-ED为... 展开更多; 关键词电梯制动器无监督深度迁移学习长短期记忆网络自编码器剩余生命周期分步训练; 在线阅读下载PDF 职称材料

题名基于编码记忆网络的半监督视频目标分割方法: 1; 作者尹亮张钊张宝鹏; 机构国能新朔铁路有限责任公司机务分公司北京交通大学计算机与信息技术学院; 出处《弹箭与制导学报》北大核心 2024年第3期11-21,共11页; 基金国家自然科学基金项目(61972027)资助。; 文摘视频目标分割是计算机视觉中的一项关键任务,在自动驾驶、视频编码等领域具有重要意义。针对视频目标分割任务,提出使用一种高效的编码记忆网络(EMNet)实现半监督视频目标分割任务。该方法包含自适应参考帧选取模块、双路径匹配模块、特征处理模块以及特征聚合模块。自适应参考帧选取模块综合考虑掩码置信度和相似度,选择包含丰富信息的参考帧。双路径匹配模块实现查询帧和参考帧之间的双向和双尺度匹配,提高目标特征匹配准确率。特征处理模块分别包含语义强化模块和特征细化模块,通过低通和高通滤波增强目标的语义和细节信息。并由特征聚合模块对各特征进行融合利用。最后通过在DAVIS2017数据集上的评估,证明所提出模型的有效性。; 关键词视频目标分割编码记忆网络注意力机制语义分割深度学习; Keywords video object segmentation encoding memory network attention mechanism semantic segmentation deep learning; 分类号 TP311 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

题名基于VMD和改进Transformer模型的镍镉蓄电池SOH预测研究: 2; 作者于天剑冯恩来伍珣张庆东; 机构中南大学交通运输工程学院; 出处《铁道科学与工程学报》北大核心 2025年第7期3266-3279,共14页; 基金国家重点研发计划(2023YFB2303704-07) 湖南省科技人才托举工程项目(2022TJ-N14) 湖南省研究生科研创新项目(CX20240255)。; 文摘动车组镍镉电池容量表现出非线性特性和“记忆效应”等特征,严重影响传统动车组电池健康状态(state of health,SOH)预测模型的准确性。为准确预测动车组的SOH并提高其蓄电池管理系统的效率和可靠性,基于变分模态分解(variational mode decomposition,VMD)和改进的Transformer模型,提出一种综合预测框架。首先,通过白鲸优化算法(beluga whale optimization,BWO)对VMD的超参数进行优化,利用VMD分解重构准确捕捉电池在其整个生命周期中的容量退化特性,消除蓄电池记忆效应对SOH预测研究带来的不良影响;其次,在Transformer编码模块中嵌入了长短时记忆网络自编码模块(long short-term memory network autoencoder,LSTM Autoencoder),以有效提取电池健康退化的短期特征信息并压缩数据维度,从而降低模型复杂度;最后,将Transformer解码层替换为全连接神经网络,以降低模型复杂度和减少预测误差累积现象,从而提高模型的预测性能和运行效率。并且在验证方案中,以实际动车组蓄电池为研究对象,通过消融实验以及横向对比实验双向证明研究算法具有最高的预测精度,输出预测结果在均方根误差、平均绝对误差相较于其他模型平均降低了60.83%和62.14%,在决定系数上平均提升了6.73%,具有高度的准确性和鲁棒性。可以实现对电池SOH实现精确的预测,对电池健康状态进行有效监控,为电池检修工作提供数据支撑和方法支持。; 关键词镍镉蓄电池 SOH预测变分模态分解长短时记忆网络自编码器改进Transformer模型; Keywords Nickel-Cadmium battery SOH prediction variational mode decomposition long short-term memory network autoencoder improved Transformer model; 分类号 TM912.2 [电气工程—电力电子与电力传动]; 在线阅读下载PDF 职称材料

题名基于方剂数据集的知识图谱构建研究被引量：3: 3; 作者李灿镇可涵唐东昕解丹; 机构湖北中医药大学信息工程学院贵州中医药大学第一附属医院; 出处《世界中医药》 CAS 北大核心 2024年第9期1329-1333,共5页; 基金国家重点研发计划“中医药现代化”重点专项(2019YFC1712504):民族医防治常见病特色诊疗技法方药智慧医疗平台的建设广东省中医药信息化重点实验室开放基金项目(2021502):基于知识属性的中医电子病历信息抽取技术研究。; 文摘目的:构建基于方剂数据集的知识图谱,以系统性地展示方剂实体及其之间的关系。方法:首先建立方剂数据处理与知识图谱构建的规范化流程,获取方剂数据集,然后在4种常用命名实体识别模型中遴选最优模型进行实体抽取,最后利用Neo4j图数据库构建知识图谱。结果:最终遴选出基于Transformer的双向编码模型-双向长短期记忆网络-条件随机场(BERT-BiLSTM-CRF)模型,从数据集中抽取出症状、中西医病名、中医证候等医学实体,平均F1值达90.55%,形成了规范的方剂数据集并构建了方剂知识图谱。结论:利用本文方法抽取出的医学实体为中医药的临床实践和科学研究提供了系统性展示方剂实体及其之间关系的可靠数据基础。所建立的方剂知识图谱实现了中药方剂的知识检索,不仅有助于发现方剂数据中的潜在知识与内在关系,而且为中医药领域的信息整合和知识发现提供了坚实基础,推动中医药的现代化进程。; 关键词方剂数据处理知识图谱规范化命名实体识别 Neo4j图数据库基于Transformer的双向编码模型-双向长短期记忆网络-条件随机场模型中医药; Keywords TCM formula Data processing Knowledge map Normalization Named entity recognition Neo4j graph database BERTBiLSTMCRF model TCM; 分类号 R289 [医药卫生—方剂学]; 在线阅读下载PDF 职称材料

题名基于无监督迁移学习的电梯制动器剩余寿命预测被引量：9: 4; 作者姜宇迪胡晖殷跃红; 机构上海交通大学机械与动力工程学院; 出处《上海交通大学学报》 EI CAS CSCD 北大核心 2021年第11期1408-1416,共9页; 基金特种设备安全防护系统及其部件产品功能安全性能测试及评价关键技术研究(2018YFC0808903)。; 文摘为了改善电梯制动器在真实工作环境下的寿命预测效果,提出一种基于长短期记忆网络自编码器(LSTM-ED)的无监督深度迁移学习方法,利用仿真数据实现制动器在工作时的健康状态分析.利用源领域数据初步训练LSTM-ED和全连接网络;以LSTM-ED为特征提取器,将仿真和实际数据映射到特征空间并利用最大平均差异实现数据对齐;利用全连接网络回归特征空间中的目标领域数据,从而实现对制动器在真实工作环境下的剩余生命周期预测.在训练阶段中,采用分步训练法替代传统的联合训练法,以保证单个模块的准确性.对比试验仿真数据与电梯塔中的实际工作数据,以验证方法的有效性.结果表明:通过引入迁移学习和分步训练法,所提方法可以将剩余生命周期预测的均方误差降低至0.0016,能够实现电梯制动器在真实工作环境下的剩余生命周期精准预测.; 关键词电梯制动器无监督深度迁移学习长短期记忆网络自编码器剩余生命周期分步训练; Keywords elevator brake unsupervised deep transfer learning(UDTL) long short-term memory encoder-decoder(LSTM-ED) remaining useful life(RUL) step training; 分类号 TP242 [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	作者	出处	发文年	被引量	操作
1	基于编码记忆网络的半监督视频目标分割方法	尹亮张钊张宝鹏	《弹箭与制导学报》北大核心	2024	0	在线阅读下载PDF 职称材料
2	基于VMD和改进Transformer模型的镍镉蓄电池SOH预测研究	于天剑冯恩来伍珣张庆东	《铁道科学与工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于方剂数据集的知识图谱构建研究	李灿镇可涵唐东昕解丹	《世界中医药》 CAS 北大核心	2024	3	在线阅读下载PDF 职称材料
4	基于无监督迁移学习的电梯制动器剩余寿命预测	姜宇迪胡晖殷跃红	《上海交通大学学报》 EI CAS CSCD 北大核心	2021	9	在线阅读下载PDF 职称材料