检索结果-维普期刊中文期刊服务平台

基于改进Res-UNet的昼夜地基云图分割网络被引量：1: 1; 作者王铂越李英祥钟剑丹《计算机应用》 CSCD 北大核心 2024年第4期1310-1316,共7页; 针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResN... 展开更多; 关键词地基云图语义分割深度学习高效通道注意力网络 ResNet50 Res-UNet; 在线阅读下载PDF 职称材料

强噪声背景下基于CEEMDAN与BRECAN的船舶电机故障诊断: 2; 作者朱仁杰宋恩哲 +1 位作者姚崇柯赟《中国舰船研究》北大核心 2025年第2期20-29,共10页; [目的]针对船舶航行中机舱背景噪声导致故障诊断方法在实际使用时精度差的问题,提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)和贝叶斯残差高效通道注意力网络(BRECAN)的船舶电机故障诊断方法。[方法]首先,通过CEEMDAN将含噪声电... 展开更多; 关键词电动机故障分析故障诊断人工智能完全集合经验模态分解(CEEMDAN) 贝叶斯残差高效通道注意力网络(BRECAN); 在线阅读下载PDF 职称材料

带钢表面缺陷的RepVGG网络改进及其识别被引量：1: 3; 作者沈希忠谢旭《现代制造工程》 CSCD 北大核心 2023年第5期121-126,共6页; 对带钢表面缺陷准确快速识别是带钢外观质量评价的一项重要内容,应用深度学习进行带钢表面缺陷识别是一个持续的热点。提出了一种基于改进RepVGG网络的带钢表面缺陷识别方法。首先为提高RepVGG网络在带钢表面缺陷识别中的稳定性和准确率... 展开更多; 关键词缺陷检测 RepVGG网络:高效通道注意力网络高斯误差线性单元可视化; 在线阅读下载PDF 职称材料

基于多任务双层注意力优化的TCN-BiGRU综合能源负荷短期预测: 4; 作者倪建辉张菁《控制工程》 2024年第11期1924-1936,共13页; 基于多元负荷预测是综合能源系统(IES)生产计划和能源调度的前提,提出一种基于多任务双层注意力优化的时序卷积网络与双向门控循环单元相结合(TCN-BiGRU)的综合能源负荷短期预测方法。首先,将特征集通过最大互信息系数法进行相关性分析... 展开更多; 关键词多元负荷短期预测最大互信息系数多任务学习时序卷积网络双向循环门控单元高效通道注意力网络; 在线阅读下载PDF 职称材料

基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法被引量：2: 5; 作者陈嘉伟季天瑶 +1 位作者梅广刘紫罡《电网技术》 EI CSCD 北大核心 2024年第5期2074-2083,I0072,共11页; 随着建筑物能源消耗的不断升高,高精度与高泛化能力的非侵入式负荷监测技术的研究具有重大意义。针对当前负荷分解方法存在的问题,提出了一种基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法。将实例-批归一化网络与U形网络... 展开更多; 关键词非侵入式负荷监测实例-批归一化网络多尺度特征融合高效通道注意力网络多任务学习; 在线阅读下载PDF 职称材料

基于特征权重感知的VNF资源需求预测方法被引量：2: 6; 作者王怀芹骆健王海艳《计算机科学》 CSCD 北大核心 2023年第9期331-336,共6页; 虚拟网络功能(Virtual Network Function,VNF)以服务功能链(Service Function Chain,SFC)的形式提供服务,能够满足不同服务的性能需求。由于网络具有动态性,为VNF实例分配固定资源会导致VNF实例的资源过多或者不足的问题。以往的研究对... 展开更多; 关键词资源预测服务功能链虚拟网络功能高效通道注意力网络特征交互; 在线阅读下载PDF 职称材料

题名基于改进Res-UNet的昼夜地基云图分割网络被引量：1: 1; 作者王铂越李英祥钟剑丹; 机构成都信息工程大学通信工程学院; 出处《计算机应用》 CSCD 北大核心 2024年第4期1310-1316,共7页; 基金四川省科技计划项目(2023YFS0428)。; 文摘针对昼夜地基云图在分割中细节信息丢失、分割精度低等问题,提出一种基于改进Res-UNet(Residual network-UNetwork)的昼夜地基云图分割网络CloudRes-UNet(Cloud ResNet-UNetwork),整体采用编码器-解码器的网络结构。首先,编码器使用ResNet50提取特征,增强特征提取能力;其次,设计多级特征提取(Multi-Stage)模块,该模块结合分组卷积、膨胀卷积和通道打乱这3种技巧,获取高强度语义信息;再次,加入高效通道注意力(ECA‑Net)模块,在通道维度上聚焦重要信息,加强对地基云图中云区域的关注,提高分割精度;最后,解码器使用双线性插值对特征进行上采样,提高分割图像的清晰度并减少目标和位置信息丢失。实验结果表明,与当前基于深度学习表现较好的地基云图分割网络(Cloud-UNet)相比,CloudRes-UNet在昼夜地基云图分割数据集上的分割准确率提升了1.5个百分点,平均交并比(MIoU)上升了1.4个百分点,更准确地获取了云量信息,对天气预报、气候研究和光伏发电等方面具有积极意义。; 关键词地基云图语义分割深度学习高效通道注意力网络 ResNet50 Res-UNet; Keywords ground-based cloud image semantic segmentation deep learning Efficient Channel Attention Network(ECA-Net) ResNet50 Res-UNet(Residual network-UNetwork); 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名强噪声背景下基于CEEMDAN与BRECAN的船舶电机故障诊断: 2; 作者朱仁杰宋恩哲姚崇柯赟; 机构哈尔滨工程大学动力与能源工程学院哈尔滨工程大学烟台研究院; 出处《中国舰船研究》北大核心 2025年第2期20-29,共10页; 基金山东省自然科学基金资助项目(ZR2023QE009) 中央高校基本科研业务费专项资金资助项目(3072024XX2709) 内燃机与动力系统全国重点实验室开放课题(skler-2023-011)。; 文摘 [目的]针对船舶航行中机舱背景噪声导致故障诊断方法在实际使用时精度差的问题,提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)和贝叶斯残差高效通道注意力网络(BRECAN)的船舶电机故障诊断方法。[方法]首先,通过CEEMDAN将含噪声电机故障信号分解为多个本征模态函数(IMF)分量,并基于去趋势波动分析(DFA)划分IMF中噪声和信息的主导信号,对于噪声主导信号使用经验小波变化(EWT)予以降噪;然后,构建BRECAN网络,基于变分贝叶斯理论,使用网络参数代替传统网络点估计的训练方式,使用参数建模,拟合噪声对模型训练的干扰,并通过残差高效通道注意力(RECA)模块引导网络提取故障差异特征;最后,通过电机故障模拟实验台,验证所提方法的有效性。[结果]结果表明,所提方法在强噪声下能够实现船舶电机故障的精确诊断,在信噪比为-12dB的条件下仍能保持90%以上的诊断精度。[结论]研究成果可为强噪声下船舶电机故障诊断提供参考。; 关键词电动机故障分析故障诊断人工智能完全集合经验模态分解(CEEMDAN) 贝叶斯残差高效通道注意力网络(BRECAN); Keywords electric motors failure analysis fault diagnosis artificial intelligence complementary ensemble empirical mode decomposition with adaptive noise Bayesian residual efficient channel attention network; 分类号 U672.7 [交通运输工程—船舶及航道工程] U664.14 [交通运输工程—船舶及航道工程]; 在线阅读下载PDF 职称材料

题名带钢表面缺陷的RepVGG网络改进及其识别被引量：1: 3; 作者沈希忠谢旭; 机构上海应用技术大学电气与电子工程学院; 出处《现代制造工程》 CSCD 北大核心 2023年第5期121-126,共6页; 文摘对带钢表面缺陷准确快速识别是带钢外观质量评价的一项重要内容,应用深度学习进行带钢表面缺陷识别是一个持续的热点。提出了一种基于改进RepVGG网络的带钢表面缺陷识别方法。首先为提高RepVGG网络在带钢表面缺陷识别中的稳定性和准确率,该方法引入了高效通道注意力(Efficient Channel Attention,ECA)网络,然后为了防止神经网络训练中神经元坏死,使得神经元参数得不到更新,应用了高斯误差线性激活函数。在测试集上,改进RepVGG网络对带钢表面缺陷的识别率达到了99.94%,而其运行速度并没有降低,单张图片的平均检测时间为5.4 ms。; 关键词缺陷检测 RepVGG网络:高效通道注意力网络高斯误差线性单元可视化; Keywords defect detection RepVGG networks ECA network Gaussian Error Linear Units(GELU) visualization; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于多任务双层注意力优化的TCN-BiGRU综合能源负荷短期预测: 4; 作者倪建辉张菁; 机构上海工程技术大学电子电气工程学院; 出处《控制工程》 2024年第11期1924-1936,共13页; 基金国家自然科学基金资助项目(52077137)。; 文摘基于多元负荷预测是综合能源系统(IES)生产计划和能源调度的前提,提出一种基于多任务双层注意力优化的时序卷积网络与双向门控循环单元相结合(TCN-BiGRU)的综合能源负荷短期预测方法。首先,将特征集通过最大互信息系数法进行相关性分析,构建不同负荷的输入特征集;然后,输入多任务学习平台进行离线训练,其中的共享层采用高效通道注意力网络(ECANet)优化的TCN,特定任务层则采用自注意力机制优化的BiGRU;最后,选取亚利桑那州立大学坦佩校区冬季和夏季典型日的实际数据进行在线测试。测试结果表明,对比多种深度神经网络模型,所提方法在冬季和夏季的多元负荷加权平均绝对百分比误差分别最大降低了69.35%和73.26%,加权均方根误差分别最大降低70.11%和79.46%。; 关键词多元负荷短期预测最大互信息系数多任务学习时序卷积网络双向循环门控单元高效通道注意力网络; Keywords Multi-energy load short-term prediction maximum information coefficient multi-task learning temporal convolutional network bidirectional gated recurrent unit efficient channel attention network; 分类号 TP183 [自动化与计算机技术] TM715 [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

题名基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法被引量：2: 5; 作者陈嘉伟季天瑶梅广刘紫罡; 机构华南理工大学电力学院; 出处《电网技术》 EI CSCD 北大核心 2024年第5期2074-2083,I0072,共11页; 基金国家自然科学基金项目(52077081)。; 文摘随着建筑物能源消耗的不断升高,高精度与高泛化能力的非侵入式负荷监测技术的研究具有重大意义。针对当前负荷分解方法存在的问题,提出了一种基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法。将实例-批归一化网络与U形网络结合,提取总负荷数据的上下文信息,并利用跨越连接实现对不同尺度的细节特征与全局特征的融合。针对多特征特点,引入高效通道注意力网络,使模型聚焦重要特征。引入多任务学习框架与后处理操作,去除输出的假阳性片段,实现对目标电器的精准识别。将所提模型与几种代表性模型在UK-DALE(UK domestic appliance-level electricity)数据集与REDD(reference energy disaggregation data set)上进行对比实验,结果表明,所提模型的性能优于对比模型,具有出色的负荷分解能力与状态识别能力。; 关键词非侵入式负荷监测实例-批归一化网络多尺度特征融合高效通道注意力网络多任务学习; Keywords non-intrusive load monitoring instance-batch normalization net multi-scale feature fusion efficient channel attention network multi-task learning; 分类号 TM73 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于特征权重感知的VNF资源需求预测方法被引量：2: 6; 作者王怀芹骆健王海艳; 机构南京邮电大学计算机学院南京邮电大学江苏省大数据安全与智能处理重点实验室; 出处《计算机科学》 CSCD 北大核心 2023年第9期331-336,共6页; 基金国家自然科学基金(62272243)。; 文摘虚拟网络功能(Virtual Network Function,VNF)以服务功能链(Service Function Chain,SFC)的形式提供服务,能够满足不同服务的性能需求。由于网络具有动态性,为VNF实例分配固定资源会导致VNF实例的资源过多或者不足的问题。以往的研究对于VNF配置文件相关网络负载特征的重要性未做区分,因此,提出了一种基于特征权重感知的动态VNF资源需求预测方法。首先,使用ECANet学习VNF特征的权重值,以此来减少无用特征对模型预测结果的消极影响。其次,由于VNF配置文件数据集具有结构化特性,构建VNF资源预测模型时需要考虑以加强特征交互的方式来挖掘特征间深层的相互关系,提出使用深度特征交互网络(Deep Feature-Interactive Network,DIN)增强网络负载特征与VNF性能特征之间的交互能力,提高模型预测精度。最后,在基准数据集上将所提方法与同类方法进行对比实验,发现其在预测的有效性与精确性上更具优势。; 关键词资源预测服务功能链虚拟网络功能高效通道注意力网络特征交互; Keywords Resource prediction Service function chain Virtual network function Efficient channel attention network Feature interaction; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 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	基于改进Res-UNet的昼夜地基云图分割网络	王铂越李英祥钟剑丹	《计算机应用》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
2	强噪声背景下基于CEEMDAN与BRECAN的船舶电机故障诊断	朱仁杰宋恩哲姚崇柯赟	《中国舰船研究》北大核心	2025	0	在线阅读下载PDF 职称材料
3	带钢表面缺陷的RepVGG网络改进及其识别	沈希忠谢旭	《现代制造工程》 CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
4	基于多任务双层注意力优化的TCN-BiGRU综合能源负荷短期预测	倪建辉张菁	《控制工程》	2024		在线阅读下载PDF 职称材料
5	基于多尺度特征融合与多任务学习框架的非侵入式负荷监测方法	陈嘉伟季天瑶梅广刘紫罡	《电网技术》 EI CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
6	基于特征权重感知的VNF资源需求预测方法	王怀芹骆健王海艳	《计算机科学》 CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料