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
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：
基于模型采样和领域对抗神经网络的轴承故障诊断方法 被引量：2
1
作者 高晗 毛阗 +3 位作者 韦荣阳 张建中 黄立荣 杨健 《机电工程》 CAS 北大核心 2022年第8期1024-1030,共7页
为了适应不同产品的不同加工要求,轴承需要工作于不同的工况下,但是工况的变化会造成数据分布差异,从而导致轴承故障诊断模型的性能下降,同时目前也缺少针对无标签情况下实现故障类别均衡采样的方法,为此,提出了一种基于模型采样(MBS)... 为了适应不同产品的不同加工要求,轴承需要工作于不同的工况下,但是工况的变化会造成数据分布差异,从而导致轴承故障诊断模型的性能下降,同时目前也缺少针对无标签情况下实现故障类别均衡采样的方法,为此,提出了一种基于模型采样(MBS)和领域对抗神经网络(DANN)的轴承故障诊断方法。首先,使用基于模型采样(MBS)的方法,将预训练模型输出的类别概率分布作为采样依据,克服了在无标签目标工况下实现类别均衡采样的困难;然后,结合领域对抗神经网络(DANN),设计了将特征从目标工况迁移到源工况的网络结构;最后,在故障模拟实验数据上,建立了高精度的变工况轴承故障诊断模型,并将采用该方法所获结果与采用多种对照方法所获结果进行了对比分析,以验证该方法在变工况轴承故障诊断上的有效性和优越性。研究结果表明:在模拟实验中,采用基于MBS-DANN的方法可达到98.41%的平均诊断准确率,相比随机采样法提高超过10%;这说明无标签样本类别均衡采样具有重要意义,也可验证基于MBS-DANN的方法在变工况轴承故障诊断上的有效性和优越性。 展开更多
关键词 定厚辊轴承 无标签采样法 类别均衡采样 特征迁移学习 模型采样 领域对抗神经网络
在线阅读 下载PDF
基于多通道领域对抗神经网络的桥梁结构损伤识别方法
2
作者 张扬柱 唐蕾 +1 位作者 黄天立 李苗 《铁道科学与工程学报》 2025年第8期3761-3774,共14页
为解决桥梁结构损伤识别中有限元模型与实际结构之间存在较大差异问题,并充分利用多通道数据提高实际桥梁结构损伤模式的识别精度,提出一种基于多通道数据特征融合和领域对抗神经网络(multi-channel data feature fusion and domain-adv... 为解决桥梁结构损伤识别中有限元模型与实际结构之间存在较大差异问题,并充分利用多通道数据提高实际桥梁结构损伤模式的识别精度,提出一种基于多通道数据特征融合和领域对抗神经网络(multi-channel data feature fusion and domain-adversarial neural networks,Multi-channel DANN)模型的结构损伤识别方法。首先,分别采用移动车辆荷载作用下基于有限元模型和实际桥梁结构的位移响应,构建源域和目标域数据集,作为Multi-channel DANN模型输入;然后,利用多分支特征提取器分别提取各通道数据的特征,并通过特征集成方法融合提取的特征;最后,将融合后的特征结合领域信息,采用对抗训练方法提取对损伤敏感且具有领域不变性的特征,将源域损伤标签信息向目标域迁移,实现实际桥梁结构损伤模式的精确识别。车桥耦合振动系统数值模拟与模型试验结果验证了所提方法的正确性和有效性。结果表明,Multi-channel DANN模型、领域对抗神经网络(domain-adversarial neural networks,DANN)模型与一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)模型在车桥耦合振动系统数值模拟目标域数据集中的损伤识别准确率分别为95.9%、82.56%和63.13%;在车桥耦合振动系统模型试验实测数据集中的损伤识别准确率分别为97.64%、85.96%和67.38%。相比1D-CNN模型与DANN模型,基于Multi-channel DANN模型的结构损伤识别准确率显著提高,具有更优的跨域适应性。所提方法为解决实际桥梁结构的损伤模式识别问题提供了一种有效的解决途径。 展开更多
关键词 桥梁结构 损伤模式识别 领域对抗神经网络 领域不变特征 源域 目标域
在线阅读 下载PDF
基于ADS-B多特征迁移学习的GNSS干扰检测方法
3
作者 陈敏 李昊宇 +1 位作者 何炜琨 吴仁彪 《信号处理》 北大核心 2025年第7期1241-1254,共14页
全球导航卫星系统(Global Navigation Satellite System,GNSS)是现代航空系统的重要基础,其极易受到射频干扰,这可能导致航班备降、复飞或进近中止等情形,对航空安全造成严重影响。广播式自动相关监视(Automatic Dependent Surveillance... 全球导航卫星系统(Global Navigation Satellite System,GNSS)是现代航空系统的重要基础,其极易受到射频干扰,这可能导致航班备降、复飞或进近中止等情形,对航空安全造成严重影响。广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,ADS-B)依赖于GNSS获取飞机位置信息,当GNSS受到射频干扰时,ADS-B的可用性也会受到影响。基于ADS-B数据来进行GNSS干扰检测成为一种可行的解决方案。针对现有基于ADS-B数据的GNSS干扰检测模型存在无法兼容多个ADS-B版本,难以适应我国国情的问题,以GNSS干扰事件中的ADS-B数据为研究对象,分析其在干扰条件下的特点,包括航迹波动和导航质量指标的变化特性。引入滑动窗口技术,动态计算统计特征并扩展特征维度,以更全面准确地反映干扰影响;提出了一种结合长短期记忆网络自编码器(Long Short-Term Memory-AutoEncoder,LSTM-AE)与领域对抗神经网络(Domain Adversarial Neural Network,DANN)的GNSS干扰检测方法。该方法通过LSTM-AE提取不同版本ADS-B的特征,并将其映射到同一个特征空间,提供一致的特征表示;采用DANN网络实现对DO-260A/B版本ADS-B数据(源域)中GNSS干扰的检测,并借助DANN的迁移学习能力,使其适应于DO-260版本的ADS-B数据(目标域),从而实现跨版本的高效检测。实验结果表明,所提出的LSTM-AE-DANN模型在DO-260、DO-260A/B版本的ADS-B数据集上均表现出优秀的检测性能和更强的适用性,适合我国国情,具有显著的实用价值。 展开更多
关键词 全球导航卫星系统干扰检测 广播式自动相关监视 长短期记忆自编码器 领域对抗神经网络 迁移学习 航空安全
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部