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144篇文章
< 1 2 … 8 >
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：
改进型的batch normalization:BNalpha 被引量：1
1
作者 罗晨辉 孙洪飞 《计算机应用研究》 CSCD 北大核心 2021年第6期1870-1873,共4页
针对提高卷积神经网络(convolutional neural network,CNN)在图像识别方向的训练速度和识别准确率进行了研究。从BN(batch normalization)着手,通过新增参数对BN的仿射变换进行具体调节,并提出一种改进型的BN——BNalpha。除去带有某些... 针对提高卷积神经网络(convolutional neural network,CNN)在图像识别方向的训练速度和识别准确率进行了研究。从BN(batch normalization)着手,通过新增参数对BN的仿射变换进行具体调节,并提出一种改进型的BN——BNalpha。除去带有某些特定结构的神经网络,相对于原始的BN,BNalpha可以在不增加运算复杂度的前提下,提升神经网络的训练速度和识别准确度。通过对BN仿射变换的参数进行分析和对比,尝试解释BN在网络中的运行机理,并以此说明BNalpha相对于BN的改进为何生效。最后通过CIFAR-10和CIFAR-100数据集以及不同类型的卷积神经网络结构对BNalpha和BN进行对比实验分析,实验结果表明BNalpha能够进一步提升训练速度和识别准确度。 展开更多
关键词 卷积神经网络 深度学习 图像识别 批标准化
在线阅读 下载PDF
尺度因子正则化BN算法
2
作者 刘向阳 汪琦 《计算机应用与软件》 北大核心 2024年第6期243-249,共7页
针对进一步提升深度神经网络训练的收敛速度问题,借鉴批规范化(Batch Normalization,BN)算法的特点,提出尺度因子正则化BN算法。通过对BN层中的可学习尺度因子γ施加L2正则化,使得γ得到衰减,进而参数的梯度上界降低,优化空间更加平滑... 针对进一步提升深度神经网络训练的收敛速度问题,借鉴批规范化(Batch Normalization,BN)算法的特点,提出尺度因子正则化BN算法。通过对BN层中的可学习尺度因子γ施加L2正则化,使得γ得到衰减,进而参数的梯度上界降低,优化空间更加平滑。基于VGG16 Net与AlexNet,在cifar10、cifar100及裂缝图像数据集上进行该算法与BN算法的图像分类对比实验,结果表明该算法不仅提高了网络训练的收敛速度,而且在相同训练次数下提高了准确率。 展开更多
关键词 批规范化 尺度因子 L2正则化 图像分类
在线阅读 下载PDF
基于改进GAN的人机交互手势行为识别方法
3
作者 张富强 白筠妍 穆慧 《郑州大学学报(工学版)》 北大核心 2025年第2期43-50,共8页
为改善现有手势识别算法需要大量训练数据的现状,针对识别准确率不高、识别过程复杂等问题,基于生成式对抗网络(GAN)和变分自编码器,引入标签信息,提出一种基于改进GAN模型的人机交互手势行为识别方法。首先,在编码器和解码器中分别添... 为改善现有手势识别算法需要大量训练数据的现状,针对识别准确率不高、识别过程复杂等问题,基于生成式对抗网络(GAN)和变分自编码器,引入标签信息,提出一种基于改进GAN模型的人机交互手势行为识别方法。首先,在编码器和解码器中分别添加改进InceptionV2和InceptionV2-trans结构增强模型的特征还原能力;其次,在各组成网络中进行条件批量归一化(CBN)处理改善过拟合,以Mish激活函数代替ReLU函数提升网络性能;最后,通过实验证明该方法能够以较少的样本获得100%的分类准确率,且收敛时间短,验证了该方法的可靠性。 展开更多
关键词 人机交互 生成对抗网络 变分自编码器 手势识别 条件批量归一化
在线阅读 下载PDF
一种基于注意力机制的BERT-CNN-GRU检测方法 被引量：1
4
作者 郑雅洲 刘万平 黄东 《计算机工程》 北大核心 2025年第1期258-268,共11页
针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU... 针对现有检测方法对短域名检测性能普遍较差的问题,提出一种BERT-CNN-GRU结合注意力机制的检测方法。通过BERT提取域名的有效特征和字符间组成逻辑,根据并行的融合简化注意力的卷积神经网络(CNN)和基于多头注意力机制的门控循环单元(GRU)提取域名深度特征。CNN使用n-gram排布的方式提取不同层次的域名信息,并采用批标准化(BN)对卷积结果进行优化。GRU能够更好地获取前后域名的组成差异,多头注意力机制在捕获域名内部的组成关系方面表现出色。将并行检测网络输出的结果进行拼接,最大限度地发挥两种网络的优势,并采用局部损失函数聚焦域名分类问题,提高分类性能。实验结果表明,该方法在二分类上达到了最优效果,在短域名多分类数据集上15分类的加权F1值达到了86.21%,比BiLSTM-Seq-Attention模型提高了0.88百分点,在UMUDGA数据集上50分类的加权F1值达到了85.51%,比BiLSTM-Seq-Attention模型提高了0.45百分点。此外,该模型对变体域名和单词域名生成算法(DGA)检测性能较好,具有处理域名数据分布不平衡的能力和更广泛的检测能力。 展开更多
关键词 恶意短域名 BERT预训练 批标准化 注意力机制 门控循环单元 并行卷积神经网络
在线阅读 下载PDF
基于BN优化SNGAN的自适应音频隐写 被引量：4
5
作者 岳峰 朱慧 +1 位作者 苏兆品 张国富 《计算机学报》 EI CAS CSCD 北大核心 2022年第2期427-440,共14页
音频隐写术是将秘密信息(如文本、图像、音频、视频等)隐藏到载体音频中,不仅能够保证秘密信息本身的安全,而且能保证秘密信息传输的安全,已成为信息隐藏领域的研究热点之一.近年来,基于深度学习的音频隐写分析技术能够在充分挖掘隐写... 音频隐写术是将秘密信息(如文本、图像、音频、视频等)隐藏到载体音频中,不仅能够保证秘密信息本身的安全,而且能保证秘密信息传输的安全,已成为信息隐藏领域的研究热点之一.近年来,基于深度学习的音频隐写分析技术能够在充分挖掘隐写深度特征的基础上实现高效的隐写检测,导致隐写术的安全性降低,为隐写术带来了新的挑战.不过,生成对抗网络(Generative Adversarial Networks,GAN)的迅速发展,为音频隐写提供了一个新的解决思路.但是,现有基于GAN的音频隐写在隐藏容量、不可感知性、抗检测性上很难达到均衡,不能满足实际应用需求.为此,本文在网络结构单元上将批处理归一化与频谱归一化相结合,提出了一种基于优化频谱归一化GAN的自适应音频隐写方法(Batch Normalization optimized Spectral Normalization GAN,BNSNGAN).具体来说,首先设计了一种隐写编码器,基于时域补零法对秘密音频进行预处理,实现了任意长度秘密音频的嵌入,提高了音频隐写的不可感知性;其次设计了一种具有并行结构的隐写提取器,用不同的卷积核进行去卷积,提高了秘密信息提取的准确率;最后设计了一种以交叉熵为损失函数的隐写分析器,提高了音频隐写的抗检测性.对比实验结果表明,通过编码器、提取器和隐写分析器这三个网络的互相学习,本文所提BNSNGAN不仅可以实现任意长度秘密音频的嵌入,具有较高的秘密信息提取率,并且在隐写容量、不可感知性和抗检测性上可以达到一个较好的均衡. 展开更多
关键词 音频隐写 生成对抗网络 频谱归一化 批处理归一化 自适应隐写
在线阅读 下载PDF
基于脉冲神经元膜电位增量的数据分布统计量及批归一化
6
作者 李炜奇 陈云华 +1 位作者 陈平华 朱春佳 《计算机应用研究》 北大核心 2025年第8期2341-2347,共7页
脉冲神经网络(SNN)因其具有更好的生物解释性、强大的时空信息表征能力,以及超低功耗和延迟特性而受到广泛关注。然而SNN在训练算法、超参数设置、架构设计研究等方面还存在不少挑战性的问题。针对现有SNN归一化(BN)方法无法有效处理时... 脉冲神经网络(SNN)因其具有更好的生物解释性、强大的时空信息表征能力,以及超低功耗和延迟特性而受到广泛关注。然而SNN在训练算法、超参数设置、架构设计研究等方面还存在不少挑战性的问题。针对现有SNN归一化(BN)方法无法有效处理时间依赖性的问题,通过分析膜电位增量在时间步上的传播,提出按时间步逐步计算膜电位增量的时空积累量;以此为数据分布的统计量分别对各个时间步数据进行归一化,并提出按照指数移动平均计算膜电位增量的时空积累量,形成一种带衰减因子的时空累积批归一化(spatio-temporal attenuation cumulative batch normalization,STBN)方法。在CIFAR-10和CIFAR-100及CIFAR10-DVS数据集上的实验结果表明,所提方法能显著提升网络分类精度并降低时延。特别是在CIFAR-100数据集上仅使用两个时间步就获得了76.30%的精度,相比同类模型的先前最优算法精度提升了3.43%。 展开更多
关键词 脉冲神经网络 批归一化 脉冲时间依赖性 脉冲神经网络训练算法
在线阅读 下载PDF
基于AE-BNDNN模型的入侵检测方法 被引量：8
7
作者 江颉 高甲 陈铁明 《小型微型计算机系统》 CSCD 北大核心 2019年第8期1713-1717,共5页
基于深度学习的网络入侵检测系统中大量的冗余数据特征会加大模型的训练时间并降低训练效果,针对此问题,提出了AE-BNDNN入侵检测模型.首先利用自编码器网络(Auto-Encoder,AE)对入侵检测数据进行特征降维,去除冗余特征,而后在深度神经网... 基于深度学习的网络入侵检测系统中大量的冗余数据特征会加大模型的训练时间并降低训练效果,针对此问题,提出了AE-BNDNN入侵检测模型.首先利用自编码器网络(Auto-Encoder,AE)对入侵检测数据进行特征降维,去除冗余特征,而后在深度神经网络隐藏层添加批量规范化层,作为训练入侵检测数据特征降维后的分类器,最后采用多层网格搜索算法对AEBNDNN模型参数进行自动优化,寻找模型的最优参数.在NSL-KDD数据集上的实验结果表明,采用多层网格搜索算法优化的AE-BNDNN模型取得了较高的分类准确率和训练速度. 展开更多
关键词 入侵检测 自编码器 深度神经网络 批量归一化 网格搜索
在线阅读 下载PDF
基于BN-DBN的网络安全态势要素获取机制 被引量：3
8
作者 朱江 王婷婷 《计算机应用》 CSCD 北大核心 2019年第A01期100-104,共5页
为了提高深度信念网络(DBN)的收敛速度以及提高小样本条件下的态势要素的获取精度,提出一种基于批量归一化(BN)的DBN安全态势要素获取机制。一方面在DBN中加入BN以解决梯度消失问题并稳定网络训练;另一方面在DBN输出层提出一种改进的主... 为了提高深度信念网络(DBN)的收敛速度以及提高小样本条件下的态势要素的获取精度,提出一种基于批量归一化(BN)的DBN安全态势要素获取机制。一方面在DBN中加入BN以解决梯度消失问题并稳定网络训练;另一方面在DBN输出层提出一种改进的主动学习(IAL)算法反向微调DBN,在每次迭代中主动选择训练样本来平衡样本种类。理论分析和实验数据仿真结果表明该机制能够解决DBN收敛速度过慢、梯度消失以及小类样本分类不准确问题,同时在获取精度、收敛速度以及算法复杂度上优于未改进的DBN态势要素获取机制。 展开更多
关键词 态势要素 深度信念网络 批量归一化 主动学习
在线阅读 下载PDF
基于VGG19-SK模型的机械密封启停状态识别
9
作者 刘伟 翟志兴 +1 位作者 张书尧 李双喜 《机电工程》 北大核心 2025年第1期23-32,50,共11页
机械密封在机械设备的的启停过程中,时常会发生失效。针对这一问题,提出了一种新的深度学习模型VGG19-SK,并将其应用于机械密封的启停状态识别中。首先,在机械密封启停过程中,利用密封声发射信号试验台获取了试验数据,这些数据为训练深... 机械密封在机械设备的的启停过程中,时常会发生失效。针对这一问题,提出了一种新的深度学习模型VGG19-SK,并将其应用于机械密封的启停状态识别中。首先,在机械密封启停过程中,利用密封声发射信号试验台获取了试验数据,这些数据为训练深度学习模型提供了基础;然后,在传统VGG19基础之上进行了改进,增加了SK卷积层、全局平均池化层和批归一化(BN)层,这些改进显著减少了模型的参数数量,降低了对硬件设备的要求,同时提升了模型的性能;最后,在模型训练过程中,对VGG19-SK模型进行了细致的调优,采用准确率曲线、损失值曲线以及混淆矩阵等指标,与其他模型进行了对比,验证了VGG19-SK模型的有效性,突出了VGG19-SK模型的优越性。研究结果表明:在机械密封启停阶段8种分类识别中,VGG19-SK取得了86.67%的准确率,比传统VGG19提升了约2.19%;同时,模型的训练参数减少了83.74%,模型总体大小缩减了约80%。该VGG19-SK机械密封状态识别模型在兼顾准确率的同时,保证了硬件资源受限状况下的运行能力,为进一步开发基于深度神经网络模型的机械密封状态故障诊断系统奠定了基础。 展开更多
关键词 机械密封 深度学习模型 声发射信号 SK卷积层 全局平均池化层 批归一化层 VGG19-SK模型
在线阅读 下载PDF
基于改进的ResNet网络和特征融合的目标跟踪算法
10
作者 孟伟君 孙思维 马素刚 《现代电子技术》 北大核心 2025年第13期105-112,共8页
为了增强利用残差网络提取的目标特征,在ATOM50算法基础上提出了一种基于改进的ResNet网络和特征融合的目标跟踪算法。在ResNet-50骨干网络中使用结合无批处理归一化和位置感知循环卷积的增强瓶颈块,有效增强了全局信息的捕获能力,并减... 为了增强利用残差网络提取的目标特征,在ATOM50算法基础上提出了一种基于改进的ResNet网络和特征融合的目标跟踪算法。在ResNet-50骨干网络中使用结合无批处理归一化和位置感知循环卷积的增强瓶颈块,有效增强了全局信息的捕获能力,并减缓了跟踪过程中的偏移累积;对提取的特征采用注意力特征融合模块,通过融合浅层特征的细节和深层特征的语义信息,进一步增强特征对目标的表达能力。利用OTB2015、VOT2018和LaSOT数据集对所提算法进行验证,在OTB2015上成功率和精确度分别达到了70.2%和91.1%,与基准算法ATOM50相比,成功率和精确度分别提升了1.2%和1.5%;在VOT2018数据集上,期望平均重叠率提升了4.4%;在LaSOT数据集上,成功率和精确度分别提升了2.4%和2.9%;在OTB2015数据集上的平均跟踪速度达到34.3 f/s,确保了实时跟踪。 展开更多
关键词 深度学习 视觉跟踪 Siamese网络 批量归一化 注意力机制 改进ResNet网络
在线阅读 下载PDF
基于改进Unet的地震勘探工区建筑物分割方法研究 被引量：1
11
作者 王雅如 王昀 江勇勇 《现代电子技术》 北大核心 2025年第3期135-140,共6页
在地震勘探工区内自动分割建筑物目标对野外物理点布设和避障等工作具有重要意义。针对已有建筑物分割算法存在目标边界分割不完整和小目标分割不准确的问题,提出基于改进Unet的地震勘探工区建筑物分割方法。该方法在原始Unet网络结构... 在地震勘探工区内自动分割建筑物目标对野外物理点布设和避障等工作具有重要意义。针对已有建筑物分割算法存在目标边界分割不完整和小目标分割不准确的问题,提出基于改进Unet的地震勘探工区建筑物分割方法。该方法在原始Unet网络结构基础上,首先增加特征批标准化网络层,避免网络训练过程中的梯度消失问题;然后增加多尺度卷积特征融合技术,增强网络特征表达能力;最后使用Diceloss损失函数优化网络参数。实验结果表明,相比于原始Unet,分割IoU提高了约7%,目标边界分割更加完整准确,对小目标也有较好的分割效果,同时对背景环境变化具有更强的适应性。 展开更多
关键词 地震勘探工区 建筑物分割 Unet 多尺度卷积特征融合 批标准化 Diceloss
在线阅读 下载PDF
BN对VGG神经网络的影响研究 被引量：13
12
作者 陈强普 桑军 +3 位作者 项志立 罗红玲 郭沛 蔡斌 《合肥工业大学学报（自然科学版）》 CAS 北大核心 2018年第1期35-39,共5页
文章针对在训练目前卷积神经网络中较为主流的深度神经网络VGG网络模型时调参艰难、收敛较慢的问题,引入批归一化(batch normalization,BN)进行改进。批归一化能提高网络训练的初始学习率上限,同时加快模型收敛速度。相关实验结果表明,... 文章针对在训练目前卷积神经网络中较为主流的深度神经网络VGG网络模型时调参艰难、收敛较慢的问题,引入批归一化(batch normalization,BN)进行改进。批归一化能提高网络训练的初始学习率上限,同时加快模型收敛速度。相关实验结果表明,在端对端训练或者微调神经网络过程中应用批归一化,能较好地达到优化目的,同时指出在VGG网络中所有激活层前进行批归一化能得到最好的效果。另外VGG网络的优化方法会影响到批归一化,使用改进的基于动量的随机梯度下降能使网络训练时的波动更小。 展开更多
关键词 批归一化(bn) VGG网络 端对端训练 神经网络微调
在线阅读 下载PDF
批量正则化DBN分类方法研究 被引量：2
13
作者 李蓓蓓 宋威 戴鑫 《计算机应用研究》 CSCD 北大核心 2019年第4期1026-1030,共5页
针对深度置信网络(DBN)在微调过程中易受训练参数影响的问题,提出一种批量正则化DBN分类方法(BNDBN)。该方法首先利用DBN进行无监督学习以获得原始数据的高层次表达;然后通过引入尺度变换和平移变换参数对网络中间层的输出特征每一维进... 针对深度置信网络(DBN)在微调过程中易受训练参数影响的问题,提出一种批量正则化DBN分类方法(BNDBN)。该方法首先利用DBN进行无监督学习以获得原始数据的高层次表达;然后通过引入尺度变换和平移变换参数对网络中间层的输出特征每一维进行批量正则化处理,并将处理后的特征输入到非线性变换激活层中;最后使用随机梯度下降法对仿射变换参数以及原始网络的参数进行训练学习。BNDBN方法减少了梯度对参数规模的依赖性,有效地解决了因网络参数变化而造成的激活函数值分布变化的问题,提高了训练效率。为了检验所提出方法的有效性,选取MNIST手写体数据库和USPS手写数字识别库进行测试,通过与DropoutDBN、DBN、ANN、SVM、KNN进行对比,结果表明提出的方法分类准确率明显提高,具有更强的特征提取能力。 展开更多
关键词 深度置信网络 分类 无监督学习 尺度变换 平移变换 批量正则化
在线阅读 下载PDF
基于IndRNN与BN的深层图像描述模型 被引量：1
14
作者 曹渝昆 魏健强 +1 位作者 孙涛 徐越 《计算机工程》 CAS CSCD 北大核心 2021年第10期194-200,共7页
现有图像描述模型存在解码端层次不深、训练效率低下的问题,且生成的描述语句在语言连贯性和内容多样性方面效果欠佳,为此,提出一种基于独立循环神经网络的深层图像描述模型Deep-NIC。采用独立循环神经元与批标准化方法构建解码单元,通... 现有图像描述模型存在解码端层次不深、训练效率低下的问题,且生成的描述语句在语言连贯性和内容多样性方面效果欠佳,为此,提出一种基于独立循环神经网络的深层图像描述模型Deep-NIC。采用独立循环神经元与批标准化方法构建解码单元,通过解码单元的多层叠加建立深层解码端。使用谷歌inception V3作为编码端,构建深层图像描述模型。在数据集MS COCO2014上进行对比实验,结果表明,与基线模型相比,Deep-NIC模型的BLEU-4、METEOR、CIDER评分分别提升3.2%、10.3%、8.18%,其更容易训练且具有更好的拟合效果。 展开更多
关键词 图像描述 深层图像描述模型 深层解码端 独立循环神经网络 批标准化
在线阅读 下载PDF
一种改进的基于3D-BN-GRU网络的行为识别算法 被引量：4
15
作者 吴进 李聪 +2 位作者 徐一欢 闵育 安怡媛 《电讯技术》 北大核心 2020年第4期365-371,共7页
行为识别是计算机视觉研究一大热点,为了改善其计算量大、识别率低的问题,提出了一种基于三维卷积神经网络(3Dimension Convolutionnal Neural Network,3D-CNN)与门控循环单元网络(Gated Recurrent Unit,GRU)相融合的行为识别算法。该... 行为识别是计算机视觉研究一大热点,为了改善其计算量大、识别率低的问题,提出了一种基于三维卷积神经网络(3Dimension Convolutionnal Neural Network,3D-CNN)与门控循环单元网络(Gated Recurrent Unit,GRU)相融合的行为识别算法。该算法采用keras框架,首先对3D-CNN结构进行优化,采用把大的卷积核用若干个小的串联起来的Block结构;然后在每层卷积层后采用批量归一化处理,并添加Dropout层以提高网络泛化能力;最后与GRU网络融合,使用Softmax进行分类得出结果。实验结果表明,所设计的融合网络有较高的识别率,达到94. 5%。 展开更多
关键词 计算机视觉 行为识别 三维卷积神经网络 门控循环单元 批量归一化
在线阅读 下载PDF
一种基于3D-BN-VGG网络的行为识别算法 被引量：3
16
作者 吴进 李聪 +2 位作者 梁爽 闵育 吴汉宁 《电讯技术》 北大核心 2019年第11期1237-1245,共9页
针对当前人体行为识别准确率低、计算量大等缺陷,提出了一种基于三维卷积神经网络(3D Convolutionnal Neural Network,3D-CNN)结合批量归一化(Batch Normalization,BN)及改进的视觉几何组(Visual Geometry Group,VGG)网络的行为识别算... 针对当前人体行为识别准确率低、计算量大等缺陷,提出了一种基于三维卷积神经网络(3D Convolutionnal Neural Network,3D-CNN)结合批量归一化(Batch Normalization,BN)及改进的视觉几何组(Visual Geometry Group,VGG)网络的行为识别算法。该算法首先对3D-CNN结构进行优化,在三维空间采用了多个小卷积核卷积层堆叠的Block结构;同时在网络结构中引入BN算法,将卷积层输出的特征图每一维进行独立的批量归一化处理;之后在Block结构中增加了Dropout层以提高网络泛化能力以及将3D-CNN网络层数加深到了13层,提高了高层次抽象特征的提取能力;最终使用softmax进行分类得出结果。实验结果表明所设计的3D-BN-VGG网络在行为识别方面有较高的识别率。 展开更多
关键词 行为识别 深度学习 三维卷积神经网络 批量归一化 视觉几何组
在线阅读 下载PDF
融合Inception V1-CBAM-CNN的轴承剩余寿命预测模型 被引量：7
17
作者 余江鸿 彭雄露 +2 位作者 刘涛 杨文 叶帅 《机电工程》 北大核心 2024年第1期107-114,共8页
针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了... 针对现有的滚动轴承剩余寿命(RUL)预测方法精度低、轴承健康指标(HI)构建困难等问题,提出了一种基于卷积神经网络(CNN)并融合Inception V1模块和卷积注意力机制模块(CBAM)的滚动轴承RUL预测模型。首先,在CNN中添加了CBAM机制,并进行了加权处理,在通道和空间维度对重要特征进行了强化,对次要特征进行了抑制,通过添加改进的InceptionV1模块,提高了CNN通道间信息交互水平,全面提取了退化特征;然后,进行了网络优化,采用全局最大池化(GMP)方法对模型进行了简化,采用Dropout和批量归一化(BN)方法,避免了过拟合,提高了精度,且克服了训练时出现的梯度消失问题;最后,对数据进行了处理,将降噪后的信号重组为三维张量,将其作为HI,构建了退化标签,引入了评价指标,采用PHM2012轴承数据集进行了实验验证,在3种工况下将其与深度神经网络(DNN)、CNN方法、结合注意力机制的残差网络方法(ResNet)进行了对比。研究结果表明:该方法在变负载条件下的平均RMSE为0.033,较其他方法的RMSE值分别降低了86%、78%和69%,在预测精度和泛化能力方面具有明显优势。 展开更多
关键词 滚动轴承 剩余使用寿命 Inception V1模块 卷积注意力机制模块 卷积神经网络 全局最大池化 批量归一化
在线阅读 下载PDF
基于YOLOv5s的织物缺陷实时检测算法 被引量：2
18
作者 吉训生 钱富 董越 《激光杂志》 CAS 北大核心 2024年第10期47-55,共9页
在织物工业化生产过程中,织物缺陷种类繁多,且包含大量小目标缺陷和极端宽高比的细长缺陷,这使得织物缺陷检测成为了一项具有挑战性的任务。针对这一问题,提出了一种改进的YOLOv5s算法。首先改进Mosaic数据增强方法,在丰富数据集的同时... 在织物工业化生产过程中,织物缺陷种类繁多,且包含大量小目标缺陷和极端宽高比的细长缺陷,这使得织物缺陷检测成为了一项具有挑战性的任务。针对这一问题,提出了一种改进的YOLOv5s算法。首先改进Mosaic数据增强方法,在丰富数据集的同时,削弱了原数据增强方法对部分织物缺陷类型检测的副作用,提升了小目标与极端宽高比瑕疵的检测能力。再改进批量归一化为代表性批量归一化,提升算法对纷繁多样的瑕疵实例的差异化特征表达并抑制噪声干扰;最后引入轻量化的坐标注意力,以精准的位置信息编码了特征的长距离依赖关系和通道依赖关系,增强算法对缺陷的定位能力。实验结果表明,本算法大幅提高了小目标与极端宽高比缺陷的检测能力,使得平均检测精度mAP达到81.3,相比原YOLOv5s提升了4.1%,检测速度为32.6 fps,完全满足实时性要求,本算法较好地平衡了检测精度与检测速度。 展开更多
关键词 小目标检测 YOLOv5s 批量归一化 数据增强 坐标注意力
在线阅读 下载PDF
基于URP-ANCNN的变转速齿轮箱智能故障诊断方法 被引量：7
19
作者 陈向民 舒文伊 +2 位作者 韩梦茹 张亢 李博 《噪声与振动控制》 CSCD 北大核心 2024年第2期129-135,共7页
由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象,使得信号征兆与故障模式之间的映射关系变得复杂,导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势,提出一种基于无阈值递归图编码(Un-threshol... 由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象,使得信号征兆与故障模式之间的映射关系变得复杂,导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势,提出一种基于无阈值递归图编码(Un-threshold Recurrence Plot,URP)和自适应归一化卷积神经网络(Adaptive Normalized Convolutional Neural Network,ANCNN)的变转速工况齿轮箱故障诊断方法。该方法先使用快速傅里叶变换(Fast Fourier Transform,FFT)将时域信号转化为频域信号,再利用URP编码将得到的频域信号转化为二维递归图,并提取图像特征输入到ANCNN模型。在ANCNN模型中,采用批量归一化算法消除因转速变化引起的特征分布差异,同时处理转速波动下产生的频移和调制特性,并使用遗传算法自动调整该网络模型的超参数,以提高该网络的整体性能。采用转速波动的齿轮箱试验数据对该方法进行验证,实验结果表明,该方法能够克服转速波动的影响,成功实现对不同齿轮故障的准确识别。 展开更多
关键词 故障诊断 卷积神经网络 无阈值递归图 批量归一化 变转速工况 齿轮箱
在线阅读 下载PDF
基于卷积神经网络的光信噪比监测方法 被引量：2
20
作者 何润泽 朱禧月 程昱 《激光杂志》 CAS 北大核心 2024年第7期180-185,共6页
光信噪比(OSNR)与光纤通信的传输性能息息相关,因此,OSNR监测是光性能监测技术中至关重要的一环,同时,传输链路中的色散会导致光信号脉冲展宽,使OSNR监测准确性下降。针对这一问题,设计了一种卷积神经网络模型,以异步延迟采样图(ADTP)... 光信噪比(OSNR)与光纤通信的传输性能息息相关,因此,OSNR监测是光性能监测技术中至关重要的一环,同时,传输链路中的色散会导致光信号脉冲展宽,使OSNR监测准确性下降。针对这一问题,设计了一种卷积神经网络模型,以异步延迟采样图(ADTP)作为网络输入特征,引入实例批量标准化模块,继承了神经网络不同深度下特征发散分布的优点,提高了神经网络对色散变化的适应性。实验结果表明,在10 Gb/s NRZ-OOK信号无色散干扰监测场景下,该模型的平均绝对误差(MAE)为0.2 dB,在色散变化的场景下,MAE最高降低了0.61 dB。 展开更多
关键词 光信噪比 色散干扰 卷积神经网络 实例批标准化 鲁棒性
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 2 … 8 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