-
题名基于并联深度学习网络的雷达有源干扰智能识别方法
被引量：5
- 1
-
-
作者
姜正云
舒汀
何劲
郁文贤
-
机构
上海交通大学上海市智能探测与识别重点实验室
-
出处
《现代雷达》
CSCD
北大核心
2021年第10期9-14,共6页
-
基金
国家自然科学基金资助项目(61771302)。
-
文摘
针对传统的雷达有源干扰识别方法存在特征参数对干扰样式敏感,识别准确率不高等问题,提出了一种基于深度学习的雷达有源干扰智能识别方法,设计了一种残差网络(ResNet)和长短时间记忆网络(LSTM)相并联的新型网络结构。该方法基于多维度信息联合处理,可提高干扰识别的稳健性。通过外场试验,对常规的6种雷达有源干扰样式进行识别性能验证,识别准确率达到94.80%,证明了该文的方法具有较好的工程应用前景。
-
关键词
残差网络
长短时间记忆网络
并联网络
雷达有源干扰识别
实测数据验证
-
Keywords
ResNet
LSTM
parallel network
radar active jamming recognition
verification of measured data
-
分类号
TN972
[电子电信—信号与信息处理]
-
-
题名一种特征融合的视频事故快速检测方法
被引量：3
- 2
-
-
作者
王晨
周威
章世祥
-
机构
东南大学
华设集团股份有限公司
-
出处
《交通运输工程与信息学报》
2022年第1期31-38,共8页
-
基金
科技部重点研发计划国际合作项目(2018YFE0102700)
江苏省交通科学研究计划项目(2019Z02)
国家自然科学基金项目(71971061)。
-
文摘
交通事故快速检测对于提升交通事故应急管理水平具有重要的现实意义。目前主流的视频事故检测算法较难同时满足高精度和低算力的要求,一定程度上制约了该技术的工程应用。针对存在的问题,本文提出了一种新的基于特征融合的视频事故快速检测方法,以期在有限算力成本下同时获得较高的检测精度和较快的检测速度。模型将特征融合通过两个步骤实现:首先,提出了一种事故注意力模块,并将其嵌入至残差网络(ResNet50)中以从复杂交通场景中筛选事故相关的外观特征;之后,将该外观特征输入到卷积长短时间记忆网络(Conv-LSTM)中,实现外观特征的微调与运动特征的提取。训练后的模型在视频测试集上的精度达到88.89%,检测速度达到FPS>30。事故注意力模块的引入提高了模型的外观特征筛选能力,而Conv-LSTM相比一般LSTM模型在提取运动特征时可以更好地保留外观特征,相比传统基于运动特征的检测方法,该模型可以获得更高的精度。相比典型特征融合模型(如C3D),模型显著降低了计算复杂度,在检测速度上更快。研究结果表明,本文提出的事故检测模型可以在有限算力下较好地取得事故检测精度和速度的平衡,有望实现推广应用。
-
关键词
智能交通
视频事故检测算法
残差网络
事故视觉注意力
卷积长短时间记忆网络
-
Keywords
intelligent transportation
video-based crash detection algorithm
ResNet
crash attention module
Conv-LSTM
-
分类号
U491.31
[交通运输工程—交通运输规划与管理]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
-
题名基于SAR图像的震后滑坡信息提取方法研究
被引量：2
- 3
-
-
作者
唐世超
陈超
谭毅
-
机构
成都信息工程大学通信工程学院
-
出处
《激光杂志》
北大核心
2020年第10期58-62,共5页
-
基金
四川省科技计划项目(No.18ZDYF3278)。
-
文摘
地震导致滑坡灾害因其对生命和财产的巨大威胁而受到越来越的关注,利用遥感等技术快速提取滑坡信息,对于应急信息化建设和减少灾害造成的损失具有重要的现实意义。提出一种基于SAR(Synthetic Aperture Radar)图像变化检测的滑坡信息提取方法。两多时相滑坡图像利用对数比运算符生成差分图像,再用Gabor小波和模糊c均值来选择可靠样本,最后LSTM(Long Short-Term Memory)模型用于基于像素的SAR图像分类,由此通过分析提取出滑坡信息。以日本某地区地震前后的滑坡图像为例,采用JAXA提供的观测数据,来自高级陆地观测卫星2(ALOS-2),2016年3月7日之前的主要震动图像以及2016年5月16日之后的主要震动图像。实验结果表明,该方法优于实验中其他方法,总体精度在94%以上,误判较少,适合于快速滑坡信息提取。
-
关键词
SAR图像
GABOR小波
长短时间记忆网络
滑坡信息提取
-
Keywords
SAR image
Gabor wavelet
LSTM
landslide information extraction
-
分类号
TN959
[电子电信—信号与信息处理]
-
-
题名基于双通道模型的航空发动机剩余寿命预测
被引量：1
- 4
-
-
作者
车鲁阳
高军伟
付惠琛
-
机构
青岛大学自动化学院
山东省工业控制技术重点实验室
-
出处
《空军工程大学学报》
CSCD
北大核心
2023年第6期42-49,共8页
-
基金
山东省自然科学基金(ZR2019MF063)。
-
文摘
针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构:通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。
-
关键词
航空发动机
寿命预测
时间卷积网络
卷积长短时间记忆网络
多头注意力机制
-
Keywords
aero engines
life prediction
temporal convolutional networks
convolutional long short-term memory network
multihead attention mechanism
-
分类号
V263.5
[航空宇航科学与技术—航空宇航制造工程]
-
-
题名基于深度学习的雾霾质量浓度预测研究
被引量：1
- 5
-
-
作者
王梓霖
-
机构
西安建筑科技大学信息与控制工程学院
-
出处
《无线互联科技》
2019年第10期110-112,共3页
-
文摘
为有效地预测雾霾污染程度的主要评价指标PM2.5质量浓度,文章使用Blending集成学习策略并行连接CNN与LSTM,并建立基于CNN-LSTM集成学习的PM2.5质量浓度预测模型。经过真实数据验证,该模型对PM2.5质量浓度预测具有有效性,且相较于串联CNN-LSTM预测模型具有优越性。
-
关键词
卷积神经网络
长短时间记忆网络
集成学习
PM2.5质量浓度预测
-
Keywords
CNN
LSTM
ensemble learning
PM2.5 prediction
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
